摘要：提出一种基于深度学习的高效单幅图像超分辨率重建方法,增加一个亚像素卷积层和一个替换的级联卷积,即设计一个具有合适深度的卷积神经网络,以保证图像的重建质量,并采用级联小卷积核提高运行速度.在标准的公共数据集上进行实验测试,结果表明:与亚像素卷积神经网络(ESPCN)算法相比,所提算法重建的高分辨率图像的质量和速度皆显著提高;将其应用于实际项目中,可端到端地重建低分辨率服装风格图像,获得高分辨率图像.

摘要：为了追求童装的时尚化、个性化、品牌化、定制化,满足儿童随着年龄增长对童装的需求,提出采用深度信念网络(DBN)的方法,将儿童相应的各部位尺寸作为输入参数,童装细部规格尺寸作为输出参数,采用CD算法和多层无监督的受限玻尔兹曼机(RBM)训练,引入交叉熵代价函数避免Sigmoid函数曲线变化率接近0时对学习速率的影响,利用改进型BP神经网络的反向传播算法进行整个网络的微调,逐渐逼近童装实际尺寸,建立童装纸样设计的深度信念网络模型。实验结果表明:运用深度信念网络(DBN)进行童装样板设计,有较高的准确度和较高的应用价值。