MATLAB算法实战应用案例精讲-【深度学习】多尺度特征提取（论文篇一）

目录

基于多尺度特征提取网络的低亮度图像增强技术研究

相关技术与理论

2.1 深度学习

2.2 平滑空洞卷积

多尺度网格图像增强网络

3.1 引言

3.2 多尺度网格图像增强网络

3.3 实验结果与分析

3.4 消融实验

多尺度残差特征融合的图像增强网络

4.1 引言

4.2 多尺度残差特征融合的图像增强网络

4.3 户外低亮度增强数据集

4.4 实验结果与分析

4.5 消融实验

基于多尺度特征增强网络的高分辨遥感影像水体提取

实验数据与水体数据集

2.1 引言

2.2 研究数据

2.3 GOGF 水体数据集构建

2.4 LoveDA 水体数据集

多尺度特征增强网络(MSFENet)模型

3.1 引言

3.2 模型总体框架

3.3 条纹池化特征融合模块

3.4 上下文特征提取模块

基于 MSFENet 模型的高分辨遥感影像水体提取实验

4.1 引言

4.2 对比方法

4.3 精度评价指标

4.4 GOGF 数据集的水体提取实验

4.5 LoveDA 数据集的水体提取实验

煤泥浮选泡沫图像增强与多尺度特征提取 研究

浮选工艺分析与泡沫图像的标准化处理

3.1 浮选过程机理分析（Mechanism Analysis of Flotation Process）

3.2 影响浮选过程的工艺因素分析（Analysis of Technological Factors Affecting Flotation Process）

3.3 浮选泡沫图像的特征提取（Feature Extraction of Flotation Froth Image）

基于多尺度几何分析的浮选泡沫图像增强

4.1 多尺度几何分析（Multiscale Geometric Analysis）

4.2 基于 NSCT 的泡沬图像增强方法（Froth image enhancement method based on NSCT）

4.3 基于 NSCT 分解的高低频系数分析与气泡图像预处理 （Analysis of High and Low Frequency Coefficients and Bubble Image Preprocessing Based on NSCT Decomposition）

基于多尺度的浮选泡沫图像特征提取

5.1 浮选泡沫图像多尺度特征提取（Multi-scale Feature Extraction From Flotation Froth Image）

5.2 多尺度特征提取结果分析（Analysis of Multi-scale Feature Extraction Results）

浮选泡沫多尺度特征参数的分类训练

6.1 多特征融合（Multi-feature Fusion）

6.2 支持向量机（Support Vector Machine）

6.3 极限学习机（Extreme Learning Machine）

6.4 粒子群算法优化 SVM（Particle Swarm Optimization SVM）

6.5 分类实验结果（Experimental Results of Classification）

浮选泡沫图像增强及特征分析软件开发

7.1 软件运行环境（Software Operating Environment）

7.2 软件设计思路（Software Design Idea）

---

基于多尺度特征提取网络的低亮度图像增强技术研究

相关技术与理论

2.1 深度学习

深度学习是基于神经网络的一种新兴技术。与以往机器学习方法不同，深度学习根