基于EACN模型的高精度测温误差修正算法

魏永超, 刘倩倩, 朱泓超, 朱姿翰, 李锦

魏永超, 刘倩倩, 朱泓超, 朱姿翰, 李锦. 基于EACN模型的高精度测温误差修正算法[J]. 红外技术, 2024, 46(7): 843-852.
引用本文: 魏永超, 刘倩倩, 朱泓超, 朱姿翰, 李锦. 基于EACN模型的高精度测温误差修正算法[J]. 红外技术, 2024, 46(7): 843-852.
WEI Yongchao, LIU Qianqian, ZHU Hongchao, ZHU Zihan, LI Jin. Error Correction Algorithm of High Precision Temperature Measurement Based on EACN Model[J]. Infrared Technology , 2024, 46(7): 843-852.
Citation: WEI Yongchao, LIU Qianqian, ZHU Hongchao, ZHU Zihan, LI Jin. Error Correction Algorithm of High Precision Temperature Measurement Based on EACN Model[J]. Infrared Technology , 2024, 46(7): 843-852.

基于EACN模型的高精度测温误差修正算法

基金项目: 

西藏科技厅重点研发计划 XZ202101ZY0017G

四川省科技厅重点研发项目 2022YFG0356

中国民用航空飞行学院科研基金 J2020-040

中国民用航空飞行学院科研基金 CJ2020-01

详细信息
    作者简介:

    魏永超(1981-),男,博士,教授,研究方向为计算机视觉、机器视觉。E-mail: mylife001@126.com

  • 中图分类号: TN219

Error Correction Algorithm of High Precision Temperature Measurement Based on EACN Model

  • 摘要:

    针对红外热像仪测温精度不足以及速度较慢的问题,提出了一种融合通道注意力机制的温度修正模型EACN(Efficient Attention Compression Networks Module)。该模型首先通过1×1卷积实现特征降维压缩,以此减少模型参数。其次引入通道注意力机制ECA,在特征映射模块阶段增强通道间特征显著性表达,以此弥补降维压缩所损失的特征信息,且进一步提高模型特征表征能力。最后,通过跳跃连接,在特征重建阶段结合浅层特征信息与语义空间信息,从而提高温度修正精度。本实验采用两种数据策略在自建数据集上进行实验。实验结果表明,与SRCNN和VDSR模型相比,EACN模型无论在修正精度方面,还是速度方面表现均最优。

    Abstract:

    A temperature correction model, EACN, based on a channel attention mechanism is proposed to address the issues of insufficient accuracy and slow speed in temperature measurements from thermal imaging cameras. First, the model parameters are reduced by decreasing the features through 1x1 convolution. Second, we introduce a channel attention mechanism, ECA, to enhance the feature saliency expression between channels in the feature mapping module stage, compensating for lost feature information during dimensionality reduction and compression, thereby further improving the feature characterization capability of the model. Finally, through skip connections, shallow feature information is combined with semantic space information in the feature reconstruction stage, thus improving temperature correction accuracy. In this experiment, two data strategies were used on a self-built dataset. The experimental results show that the EACN model outperforms the SRCNN and VDSR models in both correction accuracy and speed.

  • 在红外热成像设备的设计和应用中,经常针对不同厂家或者不同型号的红外探测器定制非标的红外图像处理算法,以及标定不同的算法参数。由于算法模型或者算法参数经常变化,导致设计算法、仿真、在硬件上调试算法的时间很多,开发周期很长,开发效率低下等问题。而常规的红外图像处理算法,包括数据采集、时域滤波、非均匀性校正、空域滤波、锐化增强、坏点校正以及调光映射等。设计的初期,需要从算法原理设计、算法模型的建立、数学过程的计算,转化成可实现的编程语言,然后实现和显示。

    随着小型化、低功耗、低成本的红外热成像设备应用的普及和民用。FPGA处理器非常适合于该种应用需求,FPGA是高速并行的处理器,适合于图像阵列的算法处理和加速,并且功耗低,可反复编程设计,所以常应用于红外热成像设备中。

    基于FPGA的红外图像处理算法,仿真流程示意图如图 1所示。

    图  1  传统仿真方法示意图
    Figure  1.  Schematic diagram of traditional simulation methods

    图 1中可知,利用FPGA处理器进行图像处理,需要两步的仿真结果。

    第一步:根据算法需求,设计算法原理,在Matlab软件上编程实现算法过程,先用浮点数进行设计和计算,代码设计和编写完成后,导入测试图像,进行仿真和显示,在显示窗口中显示出来[1-4]。对显示出来的图像效果进行评估,看看图像效果有没有达到算法原理期望的结果,如果没有,调整算法参数和实现过程,反复迭代调整直至图像效果达到期望的结果。达到期望结果后,进行定点化设计,将算法实现过程中的浮点数,全部转化成定点化数,比如INT8、INT16、INT32等,并且转化完成后,保证算法实现的结果仍然达到期望值,不损失精度,不丢失细节。然后再更换测试图像,测试数据设计成依次递增或者递减的特征数据,再进行仿真。

    第二步:文献[5]、[6]提出定点化之后的算法原理和实现过程,编写FPGA的硬件描述语言,设计FPGA的逻辑,将第一步过程中的算法原理实现出来,再进行ModelSim仿真,仿真测试的输入激励是第一步中同样依次递增或者递减的特征数据,得到仿真结果,与第一步中每个关键节点(关键步骤)的结果进行比对,保证每一步的结果都与Matlab仿真的结果相同,才能确保算法效果的达到。

    传统的红外图像仿真方法,分成上述两个步骤,先要进行Matlab仿真,显示评判效果达到之后,再启动定点化,将定点化之后的算法过程转化成FPGA中可以实现的过程,并用FPGA的硬件描述语言实现相关的逻辑,再进行ModelSim仿真,由于ModelSim不能像Matlab工具一样方便导入一张图像(图片数据)进行仿真,仿真结果不能直观地可视化显示。所以在第一步、第二步过程中,输入激励的时候制作一些递增、递减的相同特征数据进行仿真。对每一步关键步骤和最后结果的仿真比对,保证数据正确,才能保证算法原理的实现和算法效果的达到。

    从上述传统的红外图像仿真过程看,既要实现Matlab代码编写、仿真、还要做定点化设计。等FPGA代码编写完成后,在ModelSim仿真的时候还要进行每一步过程的计算结果比对,并且不能直接可视化的方式看到算法运行的结果。存在实现过程复杂、开发效率低下,开发周期长等问题。针对这些问题,本文提出了一种新的基于ModelSim可视化仿真的红外图像仿真方法。如图 2所示为本文的实现框图。

    图  2  基于modelsim的红外图像仿真框图
    Figure  2.  Simulation block diagram of image based on modelsim

    图 2中可知,基于ModelSim可视化的红外图像仿真方法相比传统的红外图像仿真方法,仿真过程简单很多,开发效率也会提高很多。在算法原理设计完成后,直接编写FPGA的硬件描述语言实现算法计算过程,再进行ModelSim仿真,仿真的时候,不再用特定的递增数据或者递减的特征数据做输入激励,而是用之前原始采集到的红外图像,如果算法原理是针对16 bit的原始红外图像处理,可以是Y16数据,针对8 bit的调光之后红外图像处理可以是Y8数据,之前采集到的红外图像Y16或者Y8数据,存放在RAW文件中。而RAW文件中的图像数据是可以用ImageJ查看的,ImageJ工具可以直接显示16位或者8位的RAW图像。

    对于红外图像算法所用到的数据文件——RAW文件,是不能直接导入ModelSim进行仿真的,需要经过binary工具将raw文件转换成txt文件,在ModelSim中通过系统调用$readmemb/ readmemh函数读入TXT文件的方式读入到内存中,然后进行图像算法处理,算法处理完成,调用$writememb/ $writememh函数将算法处理之后的图像写入txt文件中,通过txt2bin工具,将txt格式的数据转换成bin文件,再通过直接改后缀名,将.bin改成.raw文件。这样输入输出都是raw格式的数据文件,导入ImageJ工具中显示,以可视化的方式显示出了图像。

    所以,这样红外图像算法处理的输入是图像数据,输出是处理之后的图像数据,可以直观地在ImageJ工具中显示出来对比,分析红外图像算法的处理过程是否正确。并且每一步的计算过程和关键步骤的结果也可以通过如图 3内存查看的方式、图 4内存读写过程仿真的方式查看数据在内存中存储、写入和读出是否异常。并通过如图 5红外图像算法处理仿真过程来查看数据计算过程正确与否。

    图  3  红外图像算法处理内存数据
    Figure  3.  Infrared image algorithm processing memory data
    图  4  红外图像数据内存读写仿真波形数据
    Figure  4.  Infrared image data memory reading and writing simulation waveform data
    图  5  红外图像算法处理仿真波形数据
    Figure  5.  Infrared image algorithm processing simulation waveform data

    这样数据输入,写入内存,然后从内存中读出,再进行红外图像算法处理,每一步数据的处理都是可以查询和追溯的,所以既方便又快捷。如图 6所示为本文进行红外图像滤波降噪算法处理过程中的输入源图和处理完成之后输出结果对比图Image显示,图 7为本文中基于ModelSim仿真过程中输入输出文件结构示意图。

    图  6  红外图像滤波降噪输入输出对比图
    Figure  6.  Infrared image filtering noise reduction input and output contrast diagram
    图  7  基于ModelSim仿真过程文件结构示意图
    Figure  7.  Schematic diagram of file structure based on ModelSim

    在反复调整算法过程,以及算法参数的情况下,能够很快得到想要的算法结果,比如图 6中右边是降噪之后的效果图,降噪之后,图像噪声能消除了,但是图像变得模糊了,说明降噪算法参数设置不合适,通过调整滤波器的系数和阈值之后,降噪效果有明显的改善,如图 8所示。

    图  8  红外图像滤波降噪后优化参数效果图
    Figure  8.  Optimization parameter effect after infrared image filtering and noise reduction

    上述图 6图 8中的红外图像滤波降噪算法为非局部平均滤波降噪算法,算法流程如图 9所示。这种降噪算法是一种利用图像自相似性的空域滤波算法,相比传统高斯平滑、双边滤波等方法,保护更多的图像细节。图像各点之间可以同时进行运算,非常适合于在FPGA并行处理器上运算。根据相似性计算权重的时候,如果相似性阈值选择太大,算法滤波出来的效果如图 6所示,过度平滑了,图像变模糊了,而选择合适的相似性阈值,得到滤波出来的效果如图 8所示,既能滤除噪声,又能保留图像细节。在该种红外图像仿真方法中能很快得到一组适合的算法参数。

    图  9  非局部平均降噪算法流程图
    Figure  9.  Non local average noise reduction algorithm flowchart

    基于该种ModelSim可视化的红外图像仿真方法,能够快速地修改算法参数和调整算法计算过程,运行之后得到图像算法的仿真结果,并且输入、算法计算、输出等环节里的每一步数据都是可以通过内存或者波形查看的方式追溯数据处理过程,保证数据向着期望的方向计算和处理。

    本文提出两种红外图像的仿真方法,传统的红外图像仿真方法,需要进行Matlab仿真,仿真结束后,再进行定点化设计,才能指导FPGA进行编程和实现,最后启动ModelSim的仿真,并且传统的ModelSim仿真并不能直接对图像数据的输入进行仿真并且可视化,而是制作相关的递增或者递减的特征数据作为输入,并且Matlab仿真同样以该特征数据作为输入,进行仿真,最后对2组仿真数据结果进行比对,比对结果一致代表该算法在FPGA中运行正常,能达到期望的算法效果。该过程复杂、繁琐、开发效率低下、开发周期长等问题不可忽视。所以本文在传统的红外图像仿真方法上进行了改进和优化,提出了一种新的基于ModelSim可视化的红外图像仿真方法与系统。该种方法在传统方法上省去了Matlab仿真的过程和环节,同时也省去了定点化的设计过程。在算法原理设计完成后,启动FPGA硬件描述语言的编写和仿真,只是在仿真的时候,输入图像可以用之前采集好的红外图像或者用PS工具生成一张图片,保存为.raw文件,在仿真输入的时候用binary工具将raw格式文件转换成txt文件,就可以启动仿真过程了,仿真结束后,生成的结果TXT,再通过txt2bin工具,将txt格式的数据转换成bin文件,再通过直接改后缀名的方式,将.bin改成.raw文件。用ImageJ工具打开source.raw和result.raw文件就可以直观地对比显示在图像窗口上了。并且对于算法参数、计算过程的调整,也是很快得到相应的输出结果。该过程相对传统的Matlab仿真和ModelSim联合仿真要方便很多,尤其是在算法调整和参数的调整的情况下,又要重复一遍Matlab仿真,再去ModelSim仿真的过程。但是该种方法对于红外图像算法原理的理解和FPGA逻辑实现图像算法的能力要求比较高。并且本文针对红外图像的仿真方法与传统的红外图像仿真方法,在适用范围上是一样的,对象都是红外图像的算法仿真。针对具体的算法模型,需要将算法分解成各计算步骤,然后针对各计算步骤进行数据仿真,所以对于其他文献[7]中不同的算法,比如弱小目标的背景的抑制,突出目标的增强算法等都是一样的仿真过程。

    对于红外图像处理算法在FPGA的实现过程中,本文阐述了传统的仿真方法,先进行Matlab仿真,仿真效果达到的前提下,再进行定点化设计,指导FPGA进行逻辑设计,完成算法原理的实现,最后启动ModelSim仿真,而且仿真结果的正确评判标准是与Matlab仿真结果比对一致,不一致的话,要优化定点化过程,再进行仿真,重复直至结果一致。而本文的仿真方法基于ModelSim的可视化仿真,省去了上述繁琐的开发过程,直接将图像源文件转化后导入ModelSim仿真,算法处理完成后,转成图像结果文件进行比对,用可视化的方式评判图像经过算法处理之后是否达到算法原理期望达到的算法效果。同时如果算法未到达期望效果,通过调整参数、算法实现过程,以及追溯输入图像、写入、读出内存过程,判断图像算法计算过程中数据的正确与否。所以该方法与传统的红外图像仿真方法相比,评估算法效果以可视化显示输入、输出对比图差异性来达到。评估算法计算过程的正确性,同样可以追溯数据处理过程的每一步的正确性来达到。所以该仿真方法的仿真效果是与传统的方法一致的。但是开发过程缩减了和效率上大大提升了,开发周期短。尤其是在反复调参和优化过程中,显得更为明显和方便便捷。

  • 图  1   EACN网络结构

    Figure  1.   EACN framework

    图  2   特征映射模块

    Figure  2.   Feature mapping module

    图  3   ECA模块

    Figure  3.   ECA module

    图  4   跳跃连接结构

    Figure  4.   Skip connection framework

    图  5   采集平台

    Figure  5.   Acquisition platform photo

    图  6   两种策略下的红外图像

    Figure  6.   Infrared images under two strategies

    图  7   三种模型在C1策略下的评价指标数据变化

    Figure  7.   Evaluation index data variation of the three models under the C1 strategy

    图  8   三种模型在C2策略下的评价指标数据变化

    Figure  8.   Variation of evaluation index data of the three models under the C2 strategy

    图  9   特征映射层数不同时的评价指标数据变化

    Figure  9.   Variation of evaluation index data at different feature mapping layers

    图  10   在C1策略下逐层加入模块的各评价指标数据变化

    Figure  10.   The data variation of each evaluation index of modules are added layer by layer under C1 strategy

    图  11   在C2策略下逐层加入模块的各评价指标数据变化

    Figure  11.   The data variation of each evaluation index of modules are added layer by layer under C2 strategy

    表  1   实验软硬件

    Table  1   Experimental hardware and software

    Name Model Number
    Thermal imaging camera HiNet-6400EM
    Blackbody of a surface source HT-20-D100
    High and low temperature tester KB-TKS-F1000D
    Operating system Windows10
    GPU RTX3090
    CUDA 11.7
    Deep learning framework PyTorch
    下载: 导出CSV

    表  2   超参数信息

    Table  2   Hyperparameter information

    Hyperparameterization Number of Settings
    Initial learning rate 0.001
    Batchsize 16
    Weight decay 0.0001
    Loss RMSE
    Optimizer Adam
    下载: 导出CSV

    表  3   不同模型综合实验结果对比

    Table  3   Comparison of comprehensive experimental results of different models

    Models Corresponding mean values for different real temperature values/℃ Standard deviation MSE RMSE Time/ms
    24.5 26.3 28 30 32
    SRCNN_C1 24.34 26.11 28.01 30.11 32.01 0.08 0.053 0.230 1007
    SRCNN_C2 24.40 26.15 28.02 30.09 31.97 0.08 0.037 0.192 183
    VDSR_C1 24.30 26.11 28.02 30.13 32.04 0.10 0.046 0.214 450
    VDSR_C2 24.29 26.10 28.01 30.12 32.03 0.10 0.045 0.212 858
    EACN_C1 24.51 26.28 28.09 30.09 31.90 0.15 0.048 0.219 330
    EACN_C2 24.53 26.22 28.04 30.04 31.86 0.09 0.033 0.182 325
    下载: 导出CSV

    表  4   不同特征映射层数实验对比

    Table  4   Experimental comparison of different feature mapping layers

    Model Corresponding mean values for different
    real temperature values/℃
    Standard deviation MSE RMSE Time/ms
    24.5 26.3 28 30 32
    EACN_C1_6 24.51 26.28 28.09 30.09 31.90 0.15 0.048 0.219 330
    EACN_C1_9 24.52 26.20 28.00 29.99 31.79 0.13 0.057 0.239 2825
    EACN_C1_12 24.54 26.22 28.03 29.98 31.82 0.12 0.042 0.205 5481
    EACN_C2_6 24.53 26.22 28.04 30.04 31.86 0.09 0.033 0.182 325
    EACN_C2_9 24.52 26.21 28.02 29.97 31.84 0.09 0.036 0.190 935
    EACN_C2_12 24.51 26.21 28.02 29.97 31.84 0.10 0.036 0.190 1432
    下载: 导出CSV

    表  5   逐层加入模块实验结果对比

    Table  5   Comparison of experimental results by adding modules layer by layer

    Model Corresponding mean values for different
    real temperature values / ℃
    Standard deviation MSE RMSE Time/ms
    24.5 26.3 28 30 32
    Baseline_C1 24.99 26.51 28.13 29.91 31.53 0.12 0.134 0.366 898
    +FC_C1 24.74 26.34 28.04 29.93 31.63 0.19 0.093 0.305 304
    +ECA_C1 24.53 26.28 28.02 30.01 31.93 0.25 0.083 0.288 324
    +JC_C1 24.51 26.28 28.09 30.09 31.90 0.15 0.048 0.219 330
    Baseline_C2 24.52 26.21 28.01 30.00 31.80 0.08 0.035 0.187 2644
    +FC_C2 24.51 26.24 27.97 30.01 31.89 0.07 0.028 0.163 309
    +ECA_C2 24.48 26.30 27.94 29.99 31.86 0.02 0.009 0.095 320
    +JC_C2 24.53 26.22 28.04 30.04 31.86 0.09 0.033 0.182 325
    下载: 导出CSV
  • [1] 胡蝶. 红外热像仪的测量技术及其应用研究[D]. 广州: 广东工业大学, 2019.

    HU D. Research on Measurement Technology and Application of Infrared Thermal Imager[D]. Guangzhou: Guangdong University of Technology, 2019.

    [2] 尤清涛. 浅谈红外热成像技术发展现状及未来发展趋势[J]. 中国安防, 2020, 172(5): 27-29. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGAF202005005.htm

    YOU Q T. Discussion on the development status and future trend of infrared thermal imaging technology[J]. China Security, 2020, 172(5): 27-29. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGAF202005005.htm

    [3] 王小丽, 王君, 严志勇. 影响红外测温精度原因分析[J]. 中国电力教育, 2010(S1): 559-560. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDI2010S1239.htm

    WANG X L, WANG J, YAN Z Y. Analysis on the influence of infrared temperature measurement accuracy [J]. China Electric Power Education, 2010(S1): 559-560. https://www.cnki.com.cn/Article/CJFDTOTAL-ZGDI2010S1239.htm

    [4] 刘纯红, 吴海滨, 熊丹枫, 等. 热辐射测温系统中探测器非线性校正方法[J]. 量子电子学报, 2017, 34(2): 227-230. https://www.cnki.com.cn/Article/CJFDTOTAL-LDXU201702014.htm

    LIU C H, WU H B, XIONG D F, et al. Nonlinear correction method of detector in thermal radiation temperature measurement system[J]. Chinese Journal of Quantum Electronics, 2017, 34(2): 227-230. https://www.cnki.com.cn/Article/CJFDTOTAL-LDXU201702014.htm

    [5] 王军帅, 田军委, 张杰, 等. 一种红外测温的误差建模与补偿方法[J]. 西安工业大学学报, 2021, 41(1): 40-45. https://www.cnki.com.cn/Article/CJFDTOTAL-XAGY202101008.htm

    WANG J S, TIAN J W, ZHANG J, et al. An error modeling and compensation method for infrared temperature measurement[J]. Journal of Xi'an University of Technology, 2021, 41(1): 40-45. https://www.cnki.com.cn/Article/CJFDTOTAL-XAGY202101008.htm

    [6]

    CHEN Deyin, ZAN Tao, MA Zhiqian, et al. Research on pattern recognition performance of control chart based on deep learning[C]//Proceedings of 2022 Global Conference on Robotics, Artificial Intelligence and Information Technology, 2022: 212-216.

    [7] 翟子洋, 畅宏达, 董世浩, 等. 修正环境因素对红外测温模块精度影响的分析[J]. 科学技术创新, 2021(24): 92-93. https://www.cnki.com.cn/Article/CJFDTOTAL-HLKX202124042.htm

    ZHAI Z Y, CHANG H D, DONG S H, et al. Analysis of the influence of modified environmental factors on the accuracy of infrared temperature measurement module[J]. Science and Technology Innovation, 2021(24): 92-93. https://www.cnki.com.cn/Article/CJFDTOTAL-HLKX202124042.htm

    [8] 李贞, 魏勇. 基于BP神经网络的红外测温补偿算法研究[J]. 机械制造与自动化, 2023, 52(1): 170-172, 176. https://www.cnki.com.cn/Article/CJFDTOTAL-ZZHD202301042.htm

    LI Z, WEI Y. Research on infrared temperature measurement compensation algorithm based on bp neural network[J]. Machine Building & Automation, 2023, 52(1): 170-172, 176. https://www.cnki.com.cn/Article/CJFDTOTAL-ZZHD202301042.htm

    [9]

    XU M, MA C, HAN X J, et al. Influence of different optimization algorithms on prediction accuracy of photovoltaic output power based on bp neural network[C]//41st Chinese Control Conference (CCC). IEEE, 2022: 7275-7278. DOI: 10.23919/CCC55666.2022.9902165

    [10] 臧运瑞. 基于特征选择和深度学习的红外测温方法[D]. 秦皇岛: 燕山大学, 2022.

    ZANG Y R. Infrared Temperature Measurement Method Based on Feature Selection and Deep learning[D]. Qinhuangdao: Yanshan University, 2022.

    [11]

    XUE L Z, ZENG X Y, JIN A Q. A novel deep-learning method with channel attention mechanism for underwater target recognition[J]. Sensors, 2022, 22(15): 5492-5492. DOI: 10.3390/s22155492

    [12]

    SUN M B, CHEN S B. Deep learning-based super-resolution reconstruction and algorithm acceleration of mars hyperspectral CRISM data[J]. Remote Sensing, 2022, 14(13): 3062-3062. DOI: 10.3390/rs14133062

    [13] 王岚. 基于跳跃连接注意力网络的音乐分离[J]. 电声技术, 2022, 46(2): 29-32. https://www.cnki.com.cn/Article/CJFDTOTAL-DSJS202202007.htm

    WANG L. Music separation based on jump connected attention network[J]. Electroacoustic Technology, 2022, 46(2): 29-32. https://www.cnki.com.cn/Article/CJFDTOTAL-DSJS202202007.htm

    [14] 王浩, 苗丽. 黑体辐射源校准方法及亮度温度不确定度评定[J]. 品牌与标准化, 2022, 375(4): 34-36. https://www.cnki.com.cn/Article/CJFDTOTAL-QYBZ202204012.htm

    WANG H, MIAO L. Blackbody radiation source calibration method and luminance temperature uncertainty evaluation[J]. Brand and Standardization, 2022, 375(4): 34-36. https://www.cnki.com.cn/Article/CJFDTOTAL-QYBZ202204012.htm

    [15]

    CHAO D, CHEN C L, TANG X O. Image super-resolution using deep convolutional networks[J]. CoRR, 2015, 38(2): 295-307

    [16]

    Jiwon K, Jung Kwon L, Kyoung Mu L. Accurate image super-resolution using very deep convolutional networks[J]. CoRR, 2016, 1646-1654. DOI: 10.1109/CVPR.2016.182.

图(11)  /  表(5)
计量
  • 文章访问数:  67
  • HTML全文浏览量:  12
  • PDF下载量:  25
  • 被引次数: 0
出版历程
  • 收稿日期:  2023-03-11
  • 修回日期:  2023-04-27
  • 网络出版日期:  2024-07-24
  • 刊出日期:  2024-07-19

目录

/

返回文章
返回