基于卷积神经网络的非迭代压缩感知重构算法研究
| 摘要 | 第5-6页 |
| abstract | 第6-7页 |
| 第1章 绪论 | 第10-15页 |
| 1.1 研究背景与研究意义 | 第10-11页 |
| 1.2 压缩感知理论国内外研究现状 | 第11-12页 |
| 1.3 卷积神经网络国内外研究现状 | 第12-13页 |
| 1.4 本文的主要研究内容 | 第13-15页 |
| 第2章 图像压缩感知基本原理 | 第15-21页 |
| 2.1 图像压缩感知过程 | 第15-16页 |
| 2.2 块压缩感知 | 第16-17页 |
| 2.3 基于深度学习的压缩感知重构算法 | 第17-18页 |
| 2.4 重构算法评价标准 | 第18-20页 |
| 2.5 本章小结 | 第20-21页 |
| 第3章 基于多尺度残差网络的压缩感知重构算法 | 第21-32页 |
| 3.1 引言 | 第21页 |
| 3.2 残差网络 | 第21-22页 |
| 3.3 多尺度卷积块 | 第22页 |
| 3.4 重构网络 | 第22-24页 |
| 3.4.1 线性重构网络 | 第22-23页 |
| 3.4.2 多尺度重构网络 | 第23页 |
| 3.4.3 重构过程 | 第23-24页 |
| 3.5 网络训练 | 第24-25页 |
| 3.6 实验结果及分析 | 第25-31页 |
| 3.6.1 多尺度模块的有效性 | 第25-26页 |
| 3.6.2 无噪情况 | 第26-29页 |
| 3.6.3 残差可视化 | 第29页 |
| 3.6.4 大数据集下的测试 | 第29-30页 |
| 3.6.5 网络的抗噪性能 | 第30-31页 |
| 3.7 本章小结 | 第31-32页 |
| 第4章 基于扩张卷积的快速压缩感知重构算法 | 第32-44页 |
| 4.1 引言 | 第32页 |
| 4.2 扩张卷积 | 第32-33页 |
| 4.3 重构网络 | 第33-35页 |
| 4.3.1 快速多尺度残差学习网络 | 第33-34页 |
| 4.3.2 基于扩张卷积的多尺度卷积层 | 第34-35页 |
| 4.4 图像重构过程 | 第35-36页 |
| 4.5 网络的训练 | 第36-38页 |
| 4.5.1 训练多尺度残差网络 | 第36页 |
| 4.5.2 网络训练参数设置 | 第36-38页 |
| 4.6 实验结果及分析 | 第38-43页 |
| 4.6.1 无噪情况 | 第38-40页 |
| 4.6.2 网络的抗噪性能 | 第40-41页 |
| 4.6.3 扩张卷积对重构性能的影响 | 第41-42页 |
| 4.6.4 时间复杂度 | 第42页 |
| 4.6.5 大数据集下的评估 | 第42-43页 |
| 4.7 本章小结 | 第43-44页 |
| 第5章 基于自编码模型的压缩感知重构算法 | 第44-56页 |
| 5.1 引言 | 第44页 |
| 5.2 自编码模型 | 第44-45页 |
| 5.3 采样-重构网络 | 第45-49页 |
| 5.3.1 采样过程 | 第45-46页 |
| 5.3.2 自适应线性重构网络 | 第46页 |
| 5.3.3 自适应线性重构网络的训练 | 第46-47页 |
| 5.3.4 去块效应网络 | 第47-48页 |
| 5.3.5 去块效应网络的训练 | 第48-49页 |
| 5.4 实验结果及分析 | 第49-55页 |
| 5.4.1 实验对比 | 第49-52页 |
| 5.4.2 去块效应网络的有效性 | 第52页 |
| 5.4.3 测量矩阵可视化 | 第52-53页 |
| 5.4.4 残差学习的有效性 | 第53-54页 |
| 5.4.5 算法时间复杂度 | 第54-55页 |
| 5.4.6 大数据下的测试 | 第55页 |
| 5.5 本章小结 | 第55-56页 |
| 结论 | 第56-58页 |
| 参考文献 | 第58-62页 |
| 攻读硕士学位期间承担的科研任务与主要成果 | 第62-63页 |
| 致谢 | 第63页 |
