文摘
在今天的全球竞争和快速变化的市场和技术环境,企业越来越难以完全掌握最新的知识和学习的所有技术依靠自己的力量。特别重要的企业建立网络关系一定强度的与其他外部实体(上游和下游企业、同行企业、科研机构、政府部门、金融机构和其他组织)的技术学习和技术创新性能的改善。从不同的角度,学术界已经证实网络关系的力量确实有对企业的技术创新绩效产生影响。本文将探讨技术学习成本的测量尺度,从技术学习成本的基本观点,深入探索和分析企业技术创新绩效是企业网络关系强度的影响。本文认为,网络关系的力量可以影响技术学习成本,因此技术创新的性能。本研究的主要内容包括以下。(1)通过相关理论的整理和检查网络关系强度、技术学习和技术创新绩效,成本和现有的研究成果,建立本研究的理论模型,并提出了本研究的理论假设。(2)一个presurvey进行第一,和收集的数据从presurvey用于测试的信度和效度研究的规模,和适当的测量尺度的网络关系强度,技术学习成本,技术创新性能决定。(3)采用回归分析的方法结合中小企业的方法,来验证本文建立的理论模型,并进一步阐明网络关系强度、技术采购成本,成本和技术学习所有密度和性能的技术创新和网络强度、成本之间的技术学习机制,技术创新的性能。
1。介绍
在当今社会,市场变化迅速,科技日新月异。技术学习成为企业构建竞争优势的潜在来源(1]。由于企业自身资源的限制,企业很难以完全掌握最新的技术知识。嵌入社会网络可以为企业提供有效的渠道获得及时、准确的信息技术学习和可以直接提供知识资源、信息、技术学习和补充资源(2]。基于资源的观点和知识观点指出,只有不断从外部环境获取知识资源,如信息连续技术学习企业保持稳定发展在竞争日益激烈的市场。从这可以看出企业技术学习是密切相关的企业社交网络。技术学习的过程需要消耗一定的资源;不可避免地产生学习成本。从某种程度上来看,技术学习的成本是由各种障碍的存在影响了学习,和克服各种障碍是成本技术学习的成本。之前的技术学习已达到固定的目标,学习的成本直接决定是否可以进行技术学习,继续和成功。技术学习成本也成为一个重要的问题在技术管理的研究和实践。因此,一个企业是否能够快速获得及时有效的资源从复杂和动态社会网络来克服的障碍在技术学习是学习成功的关键技术。不同的网络关系强度有不同影响采集、传播,信息在企业技术学习和吸收,和成本的技术学习和技术创新的性能密切相关的采集、传输和吸收信息。 Some scholars believe that strong network relationships are conducive to enterprises’ access to self-beneficial information and knowledge, which is conducive to enterprises’ technical learning. On the contrary, some scholars believe that the network knowledge flow with strong relationship is more frequent, which increases the cost of knowledge transfer and is not conducive to the technological learning of enterprises. Therefore, it is very important for enterprises to maintain a reasonable strength of relationship with social network members.
当学习的强度之间的关系网络和企业技术创新绩效的关系,许多学者从知识转移的角度分析和研究并获得丰富的结果。在[3),有良好的人际关系的网络成员之间的信任和互惠可能减少组织之间的冲突,产生一个共同解决问题的机制,这是有利于组织之间的信息传递。安德鲁·C Inkpen指出,弱关系网络,个人之间的信任是相对较低的心理距离相对较远,所以个人合作过程中表现出强烈的自我保护行为,这显然会限制知识的转移和共享。里根夫妇和McEvily研究网络关系强度的影响的知识来源对其隐性知识转移行为从知识来源的角度。通过研究员工的隐性知识转移行为在一个研发公司,他们发现,知识发送方发送的知识是影响知识沉默和网络关系的力量。此外,与社会网络结构的尺寸相比,网络的力量关系能够减少源传输知识的障碍(4]。在[5),发现强大的网络关系有利于知识传播和知识吸收能力的提高隐性知识转移双方的,所以更频繁,广泛和深入的知识共享和知识转移双方之间的沟通将加强。施密特和罗斯(6]通过浙江制药企业的调查发现,中国,强劲的Wanfang数据5网络关系可以扮演企业信息渠道,这个渠道和高质量的信息传播是有利于促进企业间的复杂知识的转移,从而大大促进了企业的技术创新能力。顾et al。7)发现,组织间合作的效率密切相关的强度间的关系。一方面,强度越高,越高交互频率和信任的程度,这有利于组织之间隐性知识转移。另一方面,过度依赖牢固的关系可能限制企业相对封闭的网络信息资源,使有限的企业很难访问和获取信息资源在封闭网络,从而限制了企业的创新路径。在[8),研究表明,相比之下,网络较差的关系,亲密关系的知识被组织往往是高度相似。因此,隐性知识转移密切相关的组之间不利于发展集团的创新活动,和弱关系更有利于提高创新绩效比强关系。黄等。9]讨论了集群网络关系强度对技术创新的影响从集群内部和外部的角度关系的核心企业。他们认为,一个企业所需的资源维持内部和外部关系是有限的,所以内部和外部的力量关系显示了一个消极的关系。强大的网络关系有利于集群内外知识交流,但疲软的外部关系提供了异构知识和有利于企业的技术创新。因此,有一个倒u形的关系和技术创新集群网络关系的力量。
目前,被动元件指纹访问认证算法通常采用基于浅特性的方法学习。在[10)、协议类型用作设备特性来构建设备指纹矩阵。基于特性的过程(10]、[11]采用算法等资讯、演算法和支持向量机实现基于被动元件的设备访问身份验证指纹。上面的方法都是浅特征表示方法。古普塔和Govindaraian12)提出了一种被动指纹方法可以识别不同的无线网络连接设备上的司机。McEvily和查希尔(13)提出了一个物联网设备标识方法,支持各种通信连接技术(包括无线网络、无线个域网、以太网和z - wave),和测试数据集上的通讯设备,具有良好的测试结果。梭鲈和教授14)提出了一种方法来识别类型的设备连接到IP网络实现设备类型的识别。Cumming和腾3)设计了一个物联网扫描仪识别设备可视化媒体访问控制(MAC)层流量,但经常使用识别设备和比较他们的指纹基线会增加处理负载。在[4- - - - - -6),IAT值作为设备的特性,和三层感知器是用于实现设备访问身份验证基于相似性测量方法。研究结果表明,IAT值可以用来识别设备类型和个人设备,但设备访问身份验证的IAT值取决于大量的数据包,这将不可避免地导致很长时间设备标识在实际应用场景。针对上述问题,本文深层学习模型适用于物联网访问身份验证场景基于被动元件指纹,提出基于深度学习物联网设备访问身份验证方法。这种方法使用双向LSTM (BiLSTM)模型从被动元件中提取特征指纹,实现物联网设备的识别。与传统的LSTM模型相比,BiLSTM模型考虑了未来信息,具有更好的识别效果。
2。创新绩效管理
斗分为移动终端、传感器模块、无线通信模块、电源模块、电机驱动模块根据功能。传感器模块相当于“眼睛”和“耳朵”的智能垃圾桶。它使用红外传感器、温度传感器和压力传感器,分别。主要负责安全检测的智能垃圾桶和智能交付提供更人性化服务。通信系统的无线通信模块贯穿整个智能垃圾桶,和移动终端之间的数据通信和单片机控制是通过无线通信模块实现。物联网服务系统的功能包括监测数据处理与分析通过垃圾桶上的每个传感器,自动和服务器构建的数据库相关的监控数据。收集多种类型的数据可以分析各领域,智能垃圾桶的实时状态可以通过移动终端的监控,可以提醒和卫生工作人员清理垃圾桶及时和有效的方式。整个系统的设计和应用软、硬可以不同的垃圾智能交付,从源减少清洁人员的负担。具体操作过程如图1。
2.1。软件设计
考虑到如果图像识别模块加载到硬件,垃圾分类系统的整体功耗将会大大增加,并很难更新和升级未来垃圾照片库;重点将是移动终端。目前,有两个主要的移动平台,IOS和Android,每个人都有一个巨大的生态系统。如果我们想适应他们,分别开发成本和增加每周时期给项目带来一个很大的负担。微通道小程序是轻量级的,方便,跨越两个平台,一个庞大的用户群。基于上述考虑,本文开发了一种微通道小程序,名为智能垃圾分类系统。的小程序是由微信在前端开发工具,和简单的Flash框架核心,很容易扩展用于构建服务器端。深度学习模型部署在服务器被训练在现有的垃圾分类数据集使用SSD算法。
2.1.1。特定功能
(我)单击顶部的搜索框中输入搜索界面。在搜索框中输入垃圾的名称,和相应的垃圾会弹出。点击名称类似的垃圾垃圾,并点击查看相应类别的垃圾。(2)点击顶部的“位置”按钮进入位置接口。腾讯的位置接口调用API地图,用户可以找到最近的智能分类垃圾桶的位置和在一定的距离内可以自动连接蓝牙智能分类垃圾桶。(3)点击中间的“相机识别”按钮进入相机界面。在相机界面,用户可以通过手机摄像头拍照并将照片上传到服务器。服务器端将识别和处理图片和返回多个可能的类别的物品。用户可以跳转到相应的垃圾类别的项目选择和点击类别的实际项目。如果是连接到智能分类垃圾桶,信号将被传送到垃圾桶,桶盖和相应的类别将自动打开。(iv)单击“分类”按钮在底部导航栏进入垃圾分类引导界面。垃圾分类指导界面包含介绍不同类型的垃圾,以及常见的垃圾的分类。(v)点击“测试”按钮,进入垃圾分类和回答界面。十个不同种类的垃圾将随机给的答案垃圾分类界面。用户可以选择相应的垃圾类型,并将正确答案的数量根据正确答案。2.2。硬件设计
特定的硬件模块的智能垃圾桶主要分为单片机控制板,满溢自动监测模块、温度检测模块、语音提示模块、舵机驱动模块、无线通信模块和电源模块。这个设计的主要控制模块逻辑控制作用在整个硬件系统。它是整个系统最重要的部分和整个系统的核心15]。(我)太阳能发电:智能垃圾桶由安装了太阳能电池和使用电池来存储多余的电能获得在晴天雨天使用。使用太阳能电池不仅解决了远距离供电的困难在街上也节省能源和保护当地环境。此外,太阳能电池用现有技术有很长的生命。(2)语音提示模块:模块使用红外传感技术,这是一种技术,使用红外线和热电原则意义上人类活动信息。当人进入感应范围,它能够准确地识别和检测被动感应人类活动信息。传感器可以旋转60°左右,轻易改变不同传感领域。此外,TF卡配备MP3语音和电池插入相应的垃圾桶的位置,和指示灯将flash当开关状态切换。如果没有操作,该产品将在等待状态,将声音感应时触发。当附近的居民散步一个垃圾桶和一个垃圾袋,自动语音提示。例如,“这是每个人的责任来保护环境。请把垃圾扔进垃圾箱。”(3)自动检测模块溢出:该模块使用红外探测器和压力传感器。当垃圾桶中的垃圾积累达到一定高度或垃圾的重量达到一定重量,系统将禁止垃圾桶的盖子打开并显示红灯,表明垃圾桶是满的。其中,红外波被发送到垃圾框通过安装一个红外探测器。当垃圾垃圾桶满了,垃圾块反射的红外线接收。这个时候,垃圾可以被认为是完整和报告到云平台,以便清扫人员可以及时安排处理。压力传感器是用于监控的实时垃圾在垃圾框中。垃圾的数量达到预设值时,系统将实现预设的效果。禁止打开垃圾桶的盖子,显示红灯。模块的设计可以防止环境污染造成的垃圾溢出,它不需要清扫人员反复检查垃圾已满,是否可以节省大量的人力和物力。(iv)温度检测模块:模块使用一个温度传感器,发送信息到服务器垃圾当温度超过预设值,用于监控垃圾盒的温度,防止高温和火现象。(v)无线通信模块:设计、移动终端之间的数据通信,建立了单片机的蓝牙无线通信技术。蓝牙通信范围大,成本低,和它的使用是有针对性的,所以它是非常方便的设置相关的数据通信,而其他无线通信不适合成本或应用程序设置通信所需设备。此外,使用的蓝牙设备设计能耗少,需要更少的能源消耗在类似的通讯设备。因为每个模块的垃圾桶的限制,更合理的使用蓝牙设备。(vi)舵机驱动模块:通过舵机旋转舵机驱动模块模拟了垃圾箱开关盖。它的工作原理大致如下。首先,舵机本身的控制信号,驱动信号生成的单片机,实现旋转不同角度的运动,并提供有效保证准确的垃圾桶的盖子打开。这个模块是基于蓝牙无线通信接收来自上层计算机的信息,以确定哪些部分的舵机来控制开关的封面垃圾斗。是控制的高和低水平的I / O单片机的输出,驱动启动和停止和逆转的操舵装置的开关控制桥臂。然后,系统决定哪些门永远是敞开的,没有人操作,并迅速反馈到主控制板的信息。主控制板接收信息和控制舵机的工作。舵机旋转一定角度来完成最后的桶盖,和模块基本上完成了垃圾桶盖的开启和关闭。
3所示。深入学习算法模型
超分辨率图像重建技术指的是将现有的低分辨率图像转换成高分辨率图像通过软件算法的信号处理和图像处理1]。因为高分辨率图像的像素密度增加了,他们有丰富的纹理特性和尖锐的边缘特性,为用户提供更好的视觉体验。超分辨率图像重建的本质任务是产生高分辨率空间中对应的图像尽可能准确地提供低分辨率的空间数据的前提。本文基于深度学习的方法是用来重建高分辨率图像通过学习低分辨率和高分辨率空间之间的映射关系。集团网络超分辨率图像重建算法提出的基于拉普拉斯金字塔结构,LCN。为了最大化卷积之间的通信层,提取更多的功能。派对在CliqueNet块老被引入网络,和CliqueNet进一步加强。改进的结构被评为CNB LCN的构建模块。有向前和反馈任何两个卷积层之间的连接在同一CNB,层间的信息是更新交替,这样可以最大化的信息流动和反馈机制,和层密度之间的联系。同时,使用拉普拉斯金字塔结构逐渐重建高分辨率图像,和重建结果逐步优化。 Residual learning is applied to the network to reduce network parameters and avoid gradient explosion. From the experimental results, the super-resolution image reconstruction algorithm proposed in this paper produces good subjective and objective reconstruction results, especially in the reconstruction of edge and line.
3.1。集团网络的拉普拉斯算子的金字塔结构
在这篇文章中,一组网络的拉普拉斯算子提出了金字塔结构。拉普拉斯金字塔结构已广泛应用于图像混叠,纹理合成、传感和过滤,语义分割,和其他领域取得了很好的效果。因此,本文采用拉普拉斯金字塔结构的网络,可以逐步优化重建结果的方式逐步重建高分辨率图像。同时,改进的组织网络CNB是用作拉普拉斯算子的金字塔结构的构建模块。目前,CliqueNet只是用于先进的计算机视觉任务(例如,对象识别)。网络可以最大化卷积层之间的通信和提取更多的特性。因此,改善并介绍SR网络。
3.1.1。整体网络结构
网络的总体结构如图1。作为系统的输入,作为输出的拉普拉斯金字塔结构的s级重建网络。然后,可以通过下面的公式: 在哪里代表获得s级高分辨率图像的过程中人力资源的拉普拉斯金字塔,它可以是一个复合函数。节中给出LCN的更多细节3.1。2。
3.1.2。损失函数
从图可以看出1、劳工关系是输入低分辨率的图像和假设θ设置网络参数的优化。然后,网络学习的目标映射函数F和生成评估图像的高分辨率图像:
让红外,年代剩余的形象年代th的拉普拉斯金字塔,ILSR和年代低分辨率的图像直接放大了吗年代th的拉普拉斯金字塔,ISR和年代的高分辨率图像吗年代水平的拉普拉斯金字塔。然后,在水平年代拉普拉斯金字塔、预期输出高分辨率图像可以被建模如下:
可以获得网络的损失函数如下: 在哪里ρ是Charbonnier函数,N在每一批训练样本的数量,然后呢l是金字塔的系列。通过使用相应数量的bi-cubic次级样本的高分辨率图像在不同级别的拉普拉斯金字塔。根据公式(2)- (4),每一层都有其损失函数和总损失是各级损失的总和。这个multiloss结构使不同的响应级别的剩余需要深入监督和指导网络培训,所以网络可以预测不同程度的残余图像并生成输出图像多尺度。因此,如果本文模型与8 x放大模型,训练的超分辨率结果2 x放大,4 x放大,可获得8 x放大前馈。这个特性可以应用于resource-sensitive设备如移动设备或网络应用程序。
3.2。拉普拉斯算子的金字塔结构
摘要网络采用拉普拉斯算子的金字塔结构。如图1金字塔的每一层结构包含两个过程:特征提取和图像重建。由于低分辨率图像和高分辨率图像分享大量信息,只研究了剩余。在特征提取过程中,剩余的图像,在图像重建过程中,残余图像添加到低分辨率图像矩阵来获取高分辨率的图像。因此,网络参数减少,有利于梯度传输和阻止梯度消失或爆炸。
3.2.1之上。特征提取
很深的网络,它是困难的和不切实际的直接输出的所有特性提取每个卷积层LR空间。因此,在本文中,CNB结构设计为拉普拉斯算子的金字塔结构的构建块,可以提取更多的功能。在每个级别的拉普拉斯金字塔,特征提取是由CNB建筑模块,UPNet, RNet。输入经过CNB建筑模块,upsampling网络,残留提取网络来预测剩余图像金字塔在当前水平。每个upsampling网络的输出连接到两个不同的层次,其中一个是用于提取残余图像金字塔,作为输入,另一个是用于特征提取在金字塔的上一层楼。
采取的s级输入拉普拉斯金字塔,假设nCNB建筑模块的s级拉普拉斯金字塔结构,n CNB建筑模块的输出, ,可以通过下面的公式: 在哪里代表第n个CNB建筑的特征提取模块,它可以是一个复合函数。更多细节CNB构建块2.4节中给出。代表卷积操作执行的特征提取网络输入通过浅特征提取网络(SFENet)。
获取详细的特征提取后CNB建筑模块,upsampling网络用于执行upsampling。然后,管理方upsampling特性,年代,获得年代图像的水平可以得到以下公式: 在哪里代表卷积操作。输入后获得的详细特性nCNB建筑模块年代的水平。
upsampling功能后,通过使用获得的残余图像残留提取网络。然后,剩余的红外光谱和图像年代中生成年代水平的拉普拉斯金字塔可以通过以下公式(7):代表卷积操作。输入功能通过金字塔s级图像通过upsampling网络。到目前为止,完成拉普拉斯金字塔的s级特征提取:
3.2.2。图像重建
在每个级别的拉普拉斯金字塔、图像重建主要由UPNet和残余融合。输入第一个穿过upsampling网络,然后,upsampling放大低分辨率图像和残余图像从特征提取获得分支总结在像素生成高分辨率的输出图像。同时,输出高分辨率图像作为输入下一个金字塔来重建高分辨率图像的下一个金字塔。
在金字塔年代( ),当年代= 1,upsampling网络用于upsample输入低分辨率的图像。此外,upsampling网络用于upsample生成的高分辨率图像年代1的水平。获得的低分辨率图像放大后upsampling可以得到以下公式: 在哪里代表卷积操作。输入低分辨率的图像,的输出是什么年代1重建网络。
最后,低分辨率的图像从upsampling结合剩余IR和S从特征提取得到高分辨率图像的s级金字塔重建。可以得到方程(2)和(3)以上。到目前为止,拉普拉斯算子的金字塔结构的超分辨率图像重建完成。
3.3。CNB建筑模块
图2显示了一个小团体块与四层模块。除了输入节点任何两层在同一集团块双向连接,也就是说,任何层是一层的输入和输出。每个派系块由两个阶段组成。第一阶段是用来初始化所有的层块。从第二阶段,反复提取这些层。
由于本文是专门为SR网络形象。因此,我们要完善CilqueNet。首先,我们删除批处理标准化BN层消耗相同数量的GPU内存作为卷积层,这就增加了计算复杂度,降低网络的泛化性能。其次,汇聚层的存在将导致网络丢弃一些进行像素级的信息,所以我们把池层。最后,我们充分利用分层特性,忽视在CliqueNet网络,通过使用一个本地特性融合(LFFNet)网络融合的所有特性提取在第二阶段的网络k次了。我们将改进后的结构称为CNB构建块。
摘要五CNB建筑模块设计如图3,包括小团体连接网络和地方特征融合(LFFNet)网络。在一个小团体连接网络中,除了输入节点,任何两层在同一CNB双向连接,层交替更新。第一阶段是用来初始化所有的层块。在第二阶段,这些层将反复提取和更新。第二阶段,因为更多的功能是提取本地特性融合网络,我们融合在第二阶段提取的特征k次小团体连接网络下CNB建筑模块的输入。CNB结构如图3。
3.3.1。集团网络连接
在第一阶段,输入层初始化所有其他层CNB构建块通过单向连接,并且每个更新层连接到更新下一层。我们更新层设置为顶层和底层其他层,底层的并连接相应的参数。促进随后的一般公式的推导,我们重写了输入节点 ,作为 。在第一阶段,输入节点n CNB金字塔年代水平如下:
因此,在第一阶段,c-layer n CNB建筑模块的输出金字塔层次结构可以获得的一般公式: 在哪里代表了非线性激活函数,代表卷积操作参数,表示层在更新的过程中,节点之间的权重重用在不同的阶段,每一层都将收到的反馈最近更新层。
从第二阶段开始,层交替更新。我们也更新层设置为顶层,另一层和底层连接底层的相应参数。因此,在金字塔的s-th水平,当 水平,kth计算使用。输出的周期可以从一般公式获得:
交付与五cnb表所示1。它由两个阶段组成;第一阶段是用来初始化所有的层块,第二阶段开始;这些层将提取的反复k交替更新。
3.3.2。本地特色融合网络
在第二阶段,更多的功能被提取,所以当地特色融合(LFFNet)网络应用。局部特征提取的周期。本文的核心大小卷积是1×1层和输出信息自适应控制,所以n CNB建筑模块的输出融合后可以通过下面的公式: 在哪里代表卷积操作。到目前为止,CNB建筑的特征提取模块完成。
4所示。仿真实验
根据本文的研究目标,本节的内容可以模拟从三个方面。首先,调整网络关系能力的水平参数探讨影响知识流动的影响。二是调整知识的吸收能力集成和探索知识流的影响效应。第三,通过改变知识创新的知识来源和知识接收方,法律知识的流动市场具有不同结构的探索创新。
4.1。仿真结果的分析,网络关系能力水平
系统政策参数通常指常数和查找功能。有6政策参数在此系统中,是知识创新的速度,知识老化速率,R知识创新速度,R知识老化速率,R知识集成和吸收能力(用查找函数)和R网络能力水平的关系。为了测试的网络关系能级的影响知识接收方的影响知识流动,其他政策需要控制的参数。表1其他政策参数的控制表,知识转移的情况是一个辅助变量在模型中,不是一个独立的政策变量,所以它没有指定表中。
在这个实验中,知识创新的年代是0.05,这是高于R S代表高校和研发机构的合作创新网络,而R指核心企业。因此,我们可以理解这样一种创新市场结构作为创新市场结构与高校和研发机构为主要创新主题。也就是说,在我们的研究中,核心企业创新知识来源主要来自高校和研发机构。图4仿真曲线的相应知识接收者的知识存储改变其他参数保持不变的条件下,只有网络的能力等级参数关系发生了变化。
图5仿真曲线的变化相应知识接收者的知识转移(企业)条件下,其他参数保持不变,只改变了网络关系能力等级参数。
图Current3 / Current2 / Current1 /电流曲线,所代表的网络关系能力水平参数对应0.8 / 0.6 / 0.4/0.2。它直观地从图可以看出,随着网络关系能力水平的提高参数,r-transferred知识数量逐渐增加在每一个时期,和转移知识的增加数量逐渐减少。例如,在18个月,网络关系能力等级参数变化从0.2到0.4,增加0.2个单位。知识转移增加了0.7个单位。当网络关系能力等级参数变化从0.6到0.8,它还增加了0.2个单位,但转移知识的数量只增加了0.4个单位,也就是说,知识转移的数量增加而改善网络性能参数的关系,但它显示了边际下降的特点。这反映了企业的网络关系的能力水平,这就意味着企业的机会与外界交换隐性知识。这种行为会让交流范围更广泛,企业知识搜索能力强,企业更容易在市场上找到自己的位置。然而,当企业的网络关系能力达到一定水平,随着数量的增加收件人之间的弱关系企业和外部知识来源,信息冗余。为了寻找有效的知识,企业可能需要付出更大的成本信息的筛选,这将减少企业的知识转移的效率。这也表明,当弱的数量增加企业和外部世界之间的关系在某种程度上,它应该更加注意维护良好的人际关系,提高自己的创新能力。
5。结论
摘要超分辨率图像重建算法,图像去噪算法,图像扭曲校正算法的视频预处理算法进行了研究和优化基于深度学习。之后,尽管已经取得了良好的结果,但还需要继续优化设计,包括以下几点:拉普拉斯算子的金字塔结构的网络超分辨率图像重建方法。实验结果证实,在主观和客观效果,特别是在边缘和线的重建,该算法有很好的重建。然而,网络参数和计算量增加,和超分辨率放大时间更长的时间最大的信息流动和反馈机制和密度之间的连接层,所以需要进一步的优化。此外,我们还设计了一个基于OCTNet快速图像去噪算法,主要在高斯噪声去噪处理;从实验结果,在不同级别的高斯噪声去噪算法获得了较好的去噪效果,同时,可以有效地减少网络计算资源。然而,这不是有效的噪声去除算法,因此仍需要进一步的优化。此外,DewarpNet图像扭曲校正算法进行优化,设计了u-net + +结构形状优化网络,并实现网络参数的优化修剪。然而,优化算法不能删除区域阴影产生的图像扭曲,所以仍需进一步优化。最后,超分辨率图像重建算法深入研究和优化和图像去噪算法和图像扭曲校正算法在视频预处理算法也进行了优化。 After that, it can add the research and optimization implementation of the algorithms such as fog removal, rain removal, and dither removal.
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。