[发明专利]一种基于联邦学习的并行空洞新结构的超分辨率重构网络

权利要求书

1.一种基于联邦学习的并行空洞新结构的超分辨率重构网络，其特征在于，包括若干个局部稠密连接残差组LDCRG，通过将若干个局部稠密连接残差组串联，所有的LDCRG的输出进行融合为上采样重构提供信息；每个局部稠密连接残差组由感受野匹配的残差稠密块PRDB组成；所述感受野匹配的残差稠密块PRDB包括感受野匹配模块PDM和残差稠密块RDB，感受野匹配模块PDM添加在残差稠密块RDB的跳跃连接的两端信号之间；

所述感受野匹配模块包括若干个不同扩张率的空洞卷积核；

所述空洞卷积核，通过纵向联邦学习的方式，将若干个空洞卷积核的输出进行不断融合，从而改善感受野匹配模块的输出；

所述感受野匹配的残差稠密块PRDB之间通过局部稠密连接，感受野匹配的残差稠密块PRDB采用局部特征行特征融合学习，从而实现特征的自适应选择；

所述感受野匹配的残差稠密块PRDB通过局部残差学习将输入和输出做残差学习，从而构建输入特征更加稀疏的网络，使网络训练更容易；

所述局部稠密连接是将所有PRDB的输出图像和高分辨率图像之间的差值的相似程度相近的挑选出来组成一组局部稠密连接残差组LDCRG，LDCRG内的第i个PRDB的输出都为LDCRG组内第i个PRDB后续的所有PRDB的输入；

LDCRG的局部特征融合将保留的PRDB的输出进行特征融合学习，从而实现特征的自适应选择。

2.根据权利要求1所述的一种基于联邦学习的并行空洞新结构的超分辨率重构网络，其特征在于，所述感受野匹配模块PDM用于实现任意层数间隔之间的残差稠密块RDB的感受野匹配，PDM中任意一层空洞卷积核输入输出之间感受野大小的公式为：

RF_i+1＝RF_i+η_DR×(S-1) (1)

其中RFi为任意一层空洞卷积核的输入感受野大小，RF_i+1为该层的输出感受野大小，η_DR为空洞卷积核扩张率，S为空洞卷积核的大小。

3.根据权利要求2所述的一种基于联邦学习的并行空洞新结构的超分辨率重构网络，其特征在于，所述纵向联邦学习是将感受野匹配模块中的每一个空洞卷积核的输出特征进行对齐，将对齐的特征进行融合训练，直到感受野匹配模块的输出覆盖输入图像的所有像素点，结束训练，通过去中心化的融合方式，不断迭代学习，改善感受野匹配模块的输出。

4.根据权利要求3所述的一种基于联邦学习的并行空洞新结构的超分辨率重构网络，其特征在于，所述感受野匹配模块PDM的输入输出数学表达式为：

x_PDM＝H_FL(x₁,x₂,···,x_m) (2)

其中x₁，x₂，···，x_m为感受野匹配模块PDM的输入x_in经过不同扩张率的空洞卷积核的输出，H_FL为纵向联邦学习，x_PDM为PDM的输出。