[发明专利]一种不包含正则化层的二值超分辨率重建方法

权利要求书

1.一种不包含正则化层的二值超分辨率重建方法，其特征在于，包括：

S1：对低分辨率图像进行数据分布处理，获得处理后图像；

S2：将所述处理后图像输入二值深度神经网络模型进行特征提取，获得重构后的图像；

S3：对所述重构后的图像进行数据分布处理，获得最终重建后的超分图像；

S4：利用梯度下降算法迭代更新所述二值深度神经网络模型的参数，直至网络模型达到收敛；

所述S2包括：

S21：建立二值深度神经网络模型，包括一个浅层特征提取模块、九个二值残差模块和一个恢复模块；

S22：将所述处理后图像输入所述浅层特征提取模块，获取浅层特征图；

S23：将所述浅层特征图输入所述二值残差模块，获得非线性映射后的特征图；

S24：将所述非线性映射后的特征图输入所述恢复模块中进行图像重构，获得重构后的图像；

所述浅层特征提取模块包括一个全精度3×3卷积层和一个PReLU激活层，其中，所述PReLU激活层的表达式为：

其中，x表示上一层卷积后的参数，β表示负方向上的斜率；

每个二值残差模块包括连接的两个卷积单元，每个卷积单元具体用于：

采用sign函数二值化所述二值深度神经网络模型的激活值：

其中，A表示全精度激活值，A^b表示二值化后的激活值，

采用sign函数二值化所述二值深度神经网络模型的权值并引入权值尺度因子与二值化后的权值相乘：

W^b*＝W^b⊙α^*

其中，W表示全精度权值，W^b为二值化后的权值，α^*表示权值尺度因子，W^b*表示经尺度因子增益后的权值，n表示权值的通道数目，‖·‖_l1表示L1正则；

进行二值卷积操作：

其中，Z表示二值卷积后的特征值，*表示卷积操作，表示XNOR操作，⊙表示相乘操作；

所述S4包括：

S41：对所述二值深度神经网络模型的权值进行初始化赋值：

其中，W表示全精度权值，n_j和n_j+1表示第j层卷积输入的维度和输出的维度；

S42：引入高阶二值化函数的导数近似sign函数，获得所述二值深度神经网络模型激活值的梯度计算公式：

其中，L表示L1损失函数，A表示全精度激活值，A^b表示二值化后的激活值，

S43：引入高阶二值化函数的导数近似sign函数，获得所述二值深度神经网络模型的权值的梯度计算公式：

其中，L表示L1损失函数，W表示全精度权值，W^b表示二值权值，

S44：重复步骤S1-S3，利用梯度下降算法迭代更新所述二值深度神经网络模型的权值，直至达到收敛。

2.根据权利要求1所述的不包含正则化层的二值超分辨率重建方法，其特征在于，所述S1包括：

对所述低分辨率图像进行去均值操作，并采用双线性插值法放大图像的尺寸。

3.根据权利要求2所述的不包含正则化层的二值超分辨率重建方法，其特征在于，所述恢复模块包括一个全精度3×3卷积层。

4.根据权利要求1所述的不包含正则化层的二值超分辨率重建方法，其特征在于，所述S3包括：

将所述重构后的图像进行分布调整，添加图像均值，获得超分辨重建后的图像。