[发明专利]一种作业现场视频图像的压缩与重构方法及相关装置

权利要求书

1.一种作业现场视频图像的压缩与重构方法，其特征在于，包括：

S1、构造共享CNN网络，所述共享CNN网络的前两层为网络主干，并作为各分支的共享层，且各分支对应于单个子像素的位置；

S2、基于所述共享CNN网络，通过评估各神经网络滤波器和标准滤波器的预测损失构建新的CNN网络结构，得到竞争CNN网路结构；

S3、设定所述竞争CNN网路结构的共享主干的权重，并设置若干个对应于特定的四分之一像素的小数点移动的插值滤波器，对所述竞争CNN网路结构进行训练，再通过预设损失对所述竞争CNN网路结构的分支进行更新，得到竞争CNN网路模型，用于对作业图像进行压缩；

S4、将二维图像空间划分为多个根据失真距离估计的多个子空间，所述失真距离根据正则项确定，从而训练得到正则项和对应的多个近端算子；

S5、将噪声水平设置为正则项，并设残差回归网络测量压缩后图像的噪声水平，从而构建用于学习所述正则项的噪声水平估计网络RRN；同时构建用于学习所述近端算子的网络架构DRCAN，所述网络架构DRCAN由若干个堆叠扩张通道注意层和多个跳过连接组成；并采用自集成策略对压缩感知重构算法进行改进；

S6、基于训练后的噪声水平估计网络RRN、网络架构DRCAN和改进的压缩感知重构算法构建压缩感知重构模型，用于对压缩后的作业图像进行重构。

2.根据权利要求1所述的作业现场视频图像的压缩与重构方法，其特征在于，步骤S3，具体包括：

S31、通过第一个训练epoch的训练损失L₁将联合更新所述竞争CNN网路结构的所有层，并在所有分支中加入整个数据集D的损失，则整个数据集D的所有分支损失为：

S32、在第二个训练epoch中，所述竞争CNN网路结构的最后一层的每个分支b均通过数据集的一个单独的子集d^m进行预训练，则总损失L₂被定义为：

其中，l^b＝SAD(Y^b，GT)＝E[Y^b-GT]；

式中，SAD为绝对差异之和，Y^b为预测结果，GT为需要预测的原始未压缩块，b为竞争CNN网络的每个分支，m为分数移位，只有当m＝b时，b_dm被用来更新每个分支。

S33、当步骤S31和S32训练完成后，通过损失L₃对所述竞争CNN网路结构的两个共享层进行更新，并且只更新所述竞争CNN网路结构的分支。

3.根据权利要求1所述的作业现场视频图像的压缩与重构方法，其特征在于，所述噪声水平估计网络RRN为：

式中，(x^k-av^k)为中间图像，R₁(·)表示将提取的特征转化为正则化值，R₂(·)为提取w×h×64×64大小的特征的两个堆叠的残差块。

4.根据权利要求1所述的作业现场视频图像的压缩与重构方法，其特征在于，所述并采用自集成策略对压缩感知重构算法进行改进，具体包括：

通过旋转和翻转图像以生成额外的i个增广输入T_i(x_t)，其中T_i代表几何转换；

根据深度网络P_σ(·)在每个T_i(x_t)上获得i+1个对应的去噪输出；

对i+1个去噪输出进行逆变换T^-1(·)，计算i+1个去噪输出逆变换后的平均值作为最终的自集成结果。