摘要：基于深度学习的人脸图像修复算法在获取深层特征时会造成信息丢失,容易忽略图像语义特征而产生结构不合理的修复结果,不利于纹理细节修复。为了解决这些问题,本文提出了使用卷积注意力模块和多尺度特征融合模块改进人脸图像修复网络。首先,提出了基于卷积注意力模块的人脸图像修复方法,增强人脸图像语义修复的能力,确保所提模型能够生成清晰的纹理修复结果,同时使用多尺度特征融合模块获取图像深层特征,通过融合多尺度特征来减少卷积过程中的信息丢失。其次,设计了一个具有正则化的CNN编解码结构,以解决修复网络产生过拟合的现象,并且提升网络的泛化能力。通过在FFHQ数据集上进行定量实验分析,当掩码比例较大时,峰值信噪比、结构相似性指数和平均绝对误差指标分别达到21.7042 dB、0.7492和0.0418,证明所提出的方法优于现有的图像修复方法,能较好地重建具有完整的信息、纹理细节清晰的人脸图像。

摘要：针对深度卷积神经网络能够提取图像的高层特征并对图像进行有效表达。采用基于深度卷积神经网络的改进算法,设计了ZCNN网络结构对乳腺病理细胞图像进行分类研究。首先,对病理图像进行预处理,利用ZCA白化降低数据特征间的相关性,从而降低数据间的冗余。其次,在网络卷积层采用线性校正单元(Re LUs)作为网络的激活函数,加速计算网络输出。最后,在网络精调时,利用dropout方法随机断开池化层的网络节点,可以有效抑制算法的过拟合,提高算法的泛化能力。采用本文方法对benign和actionable两类病理细胞图像的分类,精度达到94.65%。性能上超过了Softmax,PCA以及传统的卷积神经网络。

摘要：多输入多输出(Multiple-Input Multiple-Output,MIMO)技术作为一种无线通信技术,能够显著提高带宽。为了进一步优化该方法的信道估计策略,研究了基于长短期记忆(Long Short-Term Memory,LSTM)模型的基本原理。为了提高LSTM的泛化能力,文章引入了dropout方法对该方法进行优化,研究探讨了使用该方法进行MIMO信道估计的实现流程。最后,文章利用公开的MIMO数据集对设计方法进行了测试,实验结果验证了该方法的有效性。