给出最基本的空间注意力模型
给出最基本的通道注意力网络模型
给出最基本的残差模块模型
该模型主要包含两个不同的子网络。上层子 网络包含五个RAB和一个卷积层,分别采用2×2跨步卷积和2×2转置卷积进行图像下采样和上采样。 通过实现下采样和上采样,可以提取多尺度特征,并且感受野可以增加。下部子网络由五个 HDRAB 和一个卷积层组成。两个子网络通过长跳连接和级联操作(Concat)实现特征融合,模型中所有卷积滤波器 核的大小设置为3×3×128
RAB由残差块和空间注意力模块组成。残差块包括多个标准卷积(Conv)层和修正线性单元(ReLU)。通过卷积层之间的跳跃连接(使用符号‘⊕’表示逐元素加法)。RAB具有更多的跳跃连接,SAM模块用于学习卷积层之间的空间关系特征,符号 ⊗ 表示逐元素乘积。 SAM 包含全局最大池化 ,全局平均池化 、Conv、ReLU 和 Sigmoid 。RAB使用GAP和GMP表示整图像统计。该模块有5个RAB
混合扩张残差注意块我们为模型的下分支设计了混合扩张残差注意块,HDRAB 由混合扩张残差块和通道注意模块(CAM)组成 。混合扩张残差块包含多个混合扩张卷积和ReLU,扩张卷积层间有多个跳跃,其中"s"代表扩张率, 其取值范围为1~4,符号"⊕"表示逐元素相加。CAM 模块 由 GAP、Conv、ReLU 和 Sigmoid 组成。符 号"⊗"表示逐元素乘积,下层子网络配备了五个 HDRAB。
给出该模型的损失函数,要求有公式
使用Flick2k公开数据集对模型进行训练,测试完毕给出模型PSNR函数曲线图,损失函数曲线图
3.9python,CUDA11,使用Pytorch深度学习框架,在Pycharm上以及anaconda上完成
用本模型进行SAR 图像去噪模拟实验,模拟实验中,视数L分别为3和5,评价指标PSNR,SSIM,通过对某图像加入不同噪声水平的噪声来进行实验测试,将本模型所得出的实验结果分别与传统的去噪算法Sigma滤波,基于SAR- CNN 的去噪算法,基于SAR-GAN去噪算法的模拟实验结果图像以及指标数据进行对比。彰显该模型性能
选取四幅真实图像,将本模型所得出的真实实验结果数据分别与传统的去噪算法Sigma滤波,基于SAR- CNN 的去噪算法,基于SAR-GAN去噪算法的真实实验结果数据在ENL和EPI水平方向与垂直方向上进行比较,然后主观上,分别对这四幅图用以上去噪方法与本去噪方法得出的图像直观上进行对比,彰显该模型性能