【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)涉及圖像去噪，尤其涉及一種基于改進多目標(biāo)海洋捕食者算法的圖像去噪神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索方法。
技術(shù)介紹
1、圖像去噪是圖像處理的基礎(chǔ)和前提。作為圖像預(yù)處理階段必不可少的環(huán)節(jié)，圖像去噪是圖像處理領(lǐng)域的重要研究方向。傳統(tǒng)圖像去噪方法主要分為空間域方法和變換域方法。常用的空間域去噪方法包括均值濾波、中值濾波和高斯濾波等，而變換域去噪方法則主要涉及余弦變換和小波域方法。傳統(tǒng)去噪方法操作簡單，但存在模型固定和不能自適應(yīng)的問題。例如，之江實驗室在其申請的專利“基于自適應(yīng)值域濾波的圖像去噪方法、電子設(shè)備、介質(zhì)”(專利公開號為cn117575941a)中，所采用的圖像去噪方法原理相對簡單，在一些簡單圖像去噪任務(wù)下能夠較好地保留圖像細節(jié)，但在噪聲較為復(fù)雜的情況下，去噪效果相對較弱。當(dāng)前，許多基于深度學(xué)習(xí)的方法在圖像去噪領(lǐng)域取得了出色的性能，許多不同的網(wǎng)絡(luò)結(jié)構(gòu)被引入到了圖像去噪領(lǐng)域，其中包括最初應(yīng)用于醫(yī)學(xué)影響分割的unet，以及最初用于圖像分類的密集網(wǎng)絡(luò)(densenet)與殘差網(wǎng)絡(luò)(resnet)。densenet與resnet通過密集連接和殘差連接分別解決了梯度消失的問題，有助于網(wǎng)絡(luò)更好地學(xué)習(xí)噪聲特征，這些基于神經(jīng)網(wǎng)絡(luò)的去噪模型對于文字和圖片的去噪效果良好。2019年neji等人在發(fā)表的論文“adversarialautoencoders?for?denoising?digitized?historical?documents:?the?use?case?ofincunabula”中，設(shè)計了一個對抗自編碼器自動去除古文字圖像中的噪聲。202
2、神經(jīng)架構(gòu)搜索的目標(biāo)是通過自動化方法來發(fā)現(xiàn)和設(shè)計高性能神經(jīng)架構(gòu)，以消除繁瑣復(fù)雜的手動設(shè)計網(wǎng)絡(luò)架構(gòu)的過程。圖像去噪網(wǎng)絡(luò)架構(gòu)搜索本質(zhì)上是一個多目標(biāo)優(yōu)化問題，可以通過psnr和ssim等指標(biāo)來判斷當(dāng)前去噪卷積神經(jīng)網(wǎng)絡(luò)性能的優(yōu)劣。目前進化算法是一種具有廣泛適用性的全局優(yōu)化算法，具備自組織、自適應(yīng)和自學(xué)習(xí)等優(yōu)點，越來越廣泛地被應(yīng)用于神經(jīng)架構(gòu)搜索領(lǐng)域。2018年liu等人在文章“hierarchical?representationsfor?efficient?architecture?search”中采用遺傳算法來優(yōu)化神經(jīng)架構(gòu)和網(wǎng)絡(luò)參數(shù)。然而，這些傳統(tǒng)神經(jīng)架構(gòu)搜索方法采用的智能算法的搜索效率較低，仍然存在搜索易停滯、容易陷入局部極值等問題。2020年faramarzi等人發(fā)表論文“marine?predators?algorithm:a?nature-inspired?metaheuristic”，提出了一種新型進化算法mpa。與傳統(tǒng)遺傳算法相比，mpa具有收斂速度快，全局搜索能力強等優(yōu)勢。然而該方法仍然存在一些不足之處。例如，初始化種群是通過隨機初始化方法生成的，這可能導(dǎo)致種群在迭代過程中朝著非最優(yōu)方向演變。此外，在種群的個體更新后，對于劣質(zhì)個體沒有實施相應(yīng)的懲罰措施，從而導(dǎo)致算法收斂速度較慢。
3、綜上所述，如何設(shè)計高效的去噪卷積神經(jīng)網(wǎng)絡(luò)神經(jīng)架構(gòu)搜索方法是亟待解決的關(guān)鍵問題。
4、針對該問題，提出了一種改進海洋捕食者算法來自動搜尋最優(yōu)神經(jīng)網(wǎng)絡(luò)架構(gòu)，最終獲得具有優(yōu)秀的去噪性能的圖像去噪網(wǎng)絡(luò)模型。
技術(shù)實現(xiàn)思路
1、本專利技術(shù)的目的是為了解決現(xiàn)有技術(shù)中存在的問題，而提出的一種基于改進多目標(biāo)海洋捕食者算法的圖像去噪神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索方法。
2、為了實現(xiàn)上述目的，本專利技術(shù)采用了如下技術(shù)方案：
3、一種基于改進多目標(biāo)海洋捕食者算法的圖像去噪神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索方法，包括以下步驟：
4、步驟1、設(shè)計去噪卷積神經(jīng)網(wǎng)絡(luò)超參數(shù)優(yōu)化(神經(jīng)架構(gòu)搜索)的搜索空間；
5、步驟2、初始化mpa算法的相關(guān)參數(shù)、種群和卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索的搜索空間，其中種群中的每個個體代表一個去噪卷積神經(jīng)網(wǎng)絡(luò)；
6、步驟3、運用訓(xùn)練集對種群中個體對應(yīng)的卷積神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，使用psnr和ssim兩個指標(biāo)對種群中的每個個體進行優(yōu)劣評價；
7、步驟4、采取非支配快速排序算法對個體進行等級排名，其中等級0為最高等級，即為當(dāng)前種群的近似帕里托最優(yōu)個體，同時采用改進mpa對每個個體進行更新操作；
8、步驟5、重復(fù)執(zhí)行步驟3、4，當(dāng)達到最大迭代次數(shù)時，得到的近似帕里托最優(yōu)個體即為當(dāng)前最優(yōu)的去噪卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)；
9、步驟6、采用最優(yōu)的去噪卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)進行圖像去噪。
10、優(yōu)選地，所述步驟1中，超參數(shù)優(yōu)化的參數(shù)包括網(wǎng)絡(luò)結(jié)構(gòu)類型、網(wǎng)絡(luò)塊個數(shù)、卷積層層數(shù)、卷積核大小、卷積核個數(shù)、激活函數(shù)、優(yōu)化器、批歸一化處理、學(xué)習(xí)率、損失函數(shù)、批量大小。
11、優(yōu)選地，所述步驟2的具體過程為：基于超參數(shù)優(yōu)化的參數(shù)的取值空間，采用混合初始化方法對種群進行進化初始化：即首先采用隨機初始化方法生成種群，然后使用準(zhǔn)反射學(xué)習(xí)機制更新種群中個體，最后運用訓(xùn)練集對每個個體對應(yīng)的卷積神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，使用psnr和ssim兩個指標(biāo)評估個體的適應(yīng)度，選取在隨機初始化生成的個體和準(zhǔn)反射學(xué)習(xí)更新后的個體之間表現(xiàn)較優(yōu)者來構(gòu)建初始種群。
12、優(yōu)選地，所述步驟3的具體過程為：對種群中的個體對應(yīng)的去噪卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練集中進行訓(xùn)練，計算訓(xùn)練之后的網(wǎng)絡(luò)在測試集上獲得的psnr和ssim兩個指標(biāo)的值。
13、優(yōu)選地，所述步驟4的具體過程為：
14、步驟4.1、根據(jù)個體的適應(yīng)度值，采用非支配快速排序方法對種群中的個體進行等級排序，其中等級0的個體等級最高，并將其作為精英種群中的個體；
15、步驟4.2、采用改進海洋捕食者算法更新種群。
16、優(yōu)選地，所述步驟4.1中，每個個體的適應(yīng)度值有兩個評價指標(biāo)，分別為psnr和ssim，采用非支配快速排序方法對種群中的個體進本文檔來自技高網(wǎng)...
【技術(shù)保護點】
1.一種基于改進多目標(biāo)海洋捕食者算法的圖像去噪神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索方法，其特征在于：包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于改進多目標(biāo)海洋捕食者算法的圖像去噪神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索方法，其特征在于：所述步驟1中，超參數(shù)優(yōu)化的參數(shù)包括網(wǎng)絡(luò)結(jié)構(gòu)類型、網(wǎng)絡(luò)塊個數(shù)、卷積層層數(shù)、卷積核大小、卷積核個數(shù)、激活函數(shù)、優(yōu)化器、批歸一化處理、學(xué)習(xí)率、損失函數(shù)、批量大小。
3.根據(jù)權(quán)利要求2所述的一種基于改進多目標(biāo)海洋捕食者算法的圖像去噪神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索方法，其特征在于：所述步驟2的具體過程為：基于超參數(shù)優(yōu)化的參數(shù)的取值空間，采用混合初始化方法對種群進行進化初始化：即首先采用隨機初始化方法生成種群，然后使用準(zhǔn)反射學(xué)習(xí)機制更新種群中個體，最后運用訓(xùn)練集對每個個體對應(yīng)的卷積神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，使用PSNR和SSIM兩個指標(biāo)評估個體的適應(yīng)度，選取在隨機初始化生成的個體和準(zhǔn)反射學(xué)習(xí)更新后的個體之間表現(xiàn)較優(yōu)者來構(gòu)建初始種群。
4.根據(jù)權(quán)利要求3所述的一種基于改進多目標(biāo)海洋捕食者算法的圖像去噪神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索方法，其特征在于：所述步驟3的具體過程為：對種群中的個體對應(yīng)的去噪卷
5.根據(jù)權(quán)利要求4所述的一種基于改進多目標(biāo)海洋捕食者算法的圖像去噪神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索方法，其特征在于：所述步驟4的具體過程為：
6.根據(jù)權(quán)利要求5所述的一種基于改進多目標(biāo)海洋捕食者算法的圖像去噪神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索方法，其特征在于：所述步驟4.1中，每個個體的適應(yīng)度值有兩個評價指標(biāo)，分別為PSNR和SSIM，采用非支配快速排序方法對種群中的個體進行等級排序的具體步驟為：
7.根據(jù)權(quán)利要求6所述的一種基于改進多目標(biāo)海洋捕食者算法的圖像去噪神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索方法，其特征在于：所述步驟4.2包括以下步驟：
8.根據(jù)權(quán)利要求7所述的一種基于改進多目標(biāo)海洋捕食者算法的圖像去噪神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索方法，其特征在于：所述步驟5中，在達到最大迭代次數(shù)時，得到的排序等級為0的個體即為當(dāng)前最優(yōu)去噪卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)。
9.根據(jù)權(quán)利要求8所述的一種基于改進多目標(biāo)海洋捕食者算法的圖像去噪神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索方法，其特征在于：所述步驟5中，得到的最優(yōu)去噪卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)包含多個，其數(shù)值取決于在達到最大迭代次數(shù)時，當(dāng)前更新后的種群所包含的近似帕里托前沿里的個體，其中，近似帕里托前沿指的是在運用快速非支配排序算法對種群中個體進行等級劃分后，種群中等級最高的那些個體。
10.根據(jù)權(quán)利要求6所述的一種基于改進多目標(biāo)海洋捕食者算法的圖像去噪神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索方法，其特征在于：所述步驟6中，最優(yōu)的去噪卷積神經(jīng)網(wǎng)絡(luò)的判斷方式為：根據(jù)適應(yīng)度值PSNR和SSIM指標(biāo)大小判斷圖像去噪效果的優(yōu)劣。
...【技術(shù)特征摘要】
1.一種基于改進多目標(biāo)海洋捕食者算法的圖像去噪神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索方法，其特征在于：包括以下步驟：
2.根據(jù)權(quán)利要求1所述的一種基于改進多目標(biāo)海洋捕食者算法的圖像去噪神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索方法，其特征在于：所述步驟1中，超參數(shù)優(yōu)化的參數(shù)包括網(wǎng)絡(luò)結(jié)構(gòu)類型、網(wǎng)絡(luò)塊個數(shù)、卷積層層數(shù)、卷積核大小、卷積核個數(shù)、激活函數(shù)、優(yōu)化器、批歸一化處理、學(xué)習(xí)率、損失函數(shù)、批量大小。
3.根據(jù)權(quán)利要求2所述的一種基于改進多目標(biāo)海洋捕食者算法的圖像去噪神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索方法，其特征在于：所述步驟2的具體過程為：基于超參數(shù)優(yōu)化的參數(shù)的取值空間，采用混合初始化方法對種群進行進化初始化：即首先采用隨機初始化方法生成種群，然后使用準(zhǔn)反射學(xué)習(xí)機制更新種群中個體，最后運用訓(xùn)練集對每個個體對應(yīng)的卷積神經(jīng)網(wǎng)絡(luò)模型進行訓(xùn)練，使用psnr和ssim兩個指標(biāo)評估個體的適應(yīng)度，選取在隨機初始化生成的個體和準(zhǔn)反射學(xué)習(xí)更新后的個體之間表現(xiàn)較優(yōu)者來構(gòu)建初始種群。
4.根據(jù)權(quán)利要求3所述的一種基于改進多目標(biāo)海洋捕食者算法的圖像去噪神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索方法，其特征在于：所述步驟3的具體過程為：對種群中的個體對應(yīng)的去噪卷積神經(jīng)網(wǎng)絡(luò)在訓(xùn)練集中進行訓(xùn)練，計算訓(xùn)練之后的網(wǎng)絡(luò)在測試集上獲得的psnr和ssim兩個指標(biāo)的值。
5.根據(jù)權(quán)利要求4所述的一種基于改進多目標(biāo)海洋捕食者算法的圖像去噪神經(jīng)網(wǎng)絡(luò)架構(gòu)搜索方法，其特征在于：所述...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：孫希霞，卞俊偉，解相朋，潘甦，
申請(專利權(quán))人：南京郵電大學(xué)，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。