[发明专利]超分辨率卷积神经网络模型的构建方法

说明书

本发明公开了一种基于便携式系统的超分辨率卷积神经网络模型的构建方法。步骤1：构建卷积神经网路模型；步骤2：训练步骤1的卷积神经网路模型；步骤3：部署步骤2已训练的卷积神经网路模型，实现图像的超分辨率功能。本发明采用了ESPCN的亚像素卷积层的上采样算法，对亚像素卷积层之前的网络结构进行修改，引入了残差块来构建网络。

技术领域

本发明属于的技术领域；具体涉及一种超分辨率卷积神经网络模型的构建方法。

背景技术

传统的超分辨率卷积神经网络的输入通常是经过双三次插值算法输出的伪高分辨率图像，该图像的分辨率大小提升了，但是仍然十分的模糊，需要通过卷积神经网络来进一步提高质量，如SRCNN网络，这种方法的缺点是在神经网络中流动的Tensor数据量很大，这是由于输入了分辨率已经被提高的伪高分辨率图像造成的。近些年来许多通过网络进行上采样的网络结构被提出，如FSRCNN通过反卷积层来实现上采样、ESPCN通过亚像素卷积层来实现上采样，均减少了网络中流动的Tensor的大小。

发明内容

本发明提供了一种超分辨率卷积神经网络模型的构建方法，采用了ESPCN的亚像素卷积层的上采样算法，对亚像素卷积层之前的网络结构进行修改，引入了残差块来构建网络。

本发明通过以下技术方案实现：

一种超分辨率卷积神经网络模型的构建方法，所述构建方法包括以下步骤

步骤1：构建卷积神经网路模型；

步骤2：训练步骤1的卷积神经网路模型；

步骤3：部署步骤2已训练的卷积神经网路模型，实现图像的超分辨率功能。

进一步的，所述步骤1具体为，利用5个残差块与亚像素卷积两种方法构建卷积神经网路模型。

进一步的，所述步骤2具体为，使用100张1920x1080x3的图片进行训练，其中包含50张风景图和50张绘画，训练数据和验证数据为9:1，通过将图片缩小至640x360x3以得到卷积神经网路模型训练的输入，并将其输入值步骤1中构建的模型，原始1920x1080x3的图像做网络的Lable，保存最终训练好的卷积神经网路模型。

进一步的，所述步骤3具体为，将步骤2训练好的卷积神经网路模型进行模型冻结、模型量化和模型编译。

进一步的，所述模型冻结体为，将模型计算图的定义和模型权重合并到同一个文件中。

进一步的，所述模型量化为，通过量化数据集对量化后的模型进行校正，通过脚本调用DNNDK工具包自带的decent_q工具可以方便的量化模型。

进一步的，所述模型编译为，将量化后的模型编译成DPU能够运行的模型。

本发明的有益效果是：

1.本发明的网络推理阶段速度大大提高。

2.本发明的网络推理阶段消耗内存减少。

3.本发明的网络推理输出指标下降不明显。

附图说明

附图1本发明卷积神经网络结构示意图。

附图2本发明残差块结构示意图。

附图3本发明实施例对比图。

具体实施方式

下面将结合本发明实施例中的附图对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

实施例1