Pytorch快速入门系列---（十四）搭建卷积自编码对图像去噪

已于 2023-08-13 11:15:46 修改
阅读量1.6k 收藏 15
点赞数
分类专栏： # Pytorch深度学习理论与实战 文章标签： pytorch 深度学习 计算机视觉
于 2023-04-01 11:51:23 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_42681787/article/details/129875226
版权

本篇文章介绍基于卷积层的自编码去噪网络。利用卷积层进行图像的编码和解码,是因为卷积操作在提取图像的信息上有较好的效果，而且可以对图像中隐藏的空间信息等内容进行较好的提取。该网络可用于图像去噪、分割等。

在基于卷积的自编码图像去噪网络中，其作用过程如下图所示。在网络中输入图像带有噪声，而输出图像则为去噪的原始图像,在编码器阶段，会经过多个卷积、池化、激活层和BatchNorm层等操作，逐渐降低每个特征映射的尺寸,如将每个特征映射编码的尺寸降低到24×24，即图像的大小缩为原来的1/16;而特征映射编码的解码阶段，则可以通过多个转置卷积、激活层和BatchNorm层等操作，逐渐将其解码为原始图像的大小并且包含3个通道的图像,即96×96的RGB图像。

 1.去噪自编码网络数据准备

先简单介绍一下训练网络使用到的图像数据集——STL10，该数据集可以通过torchvision.datasets模块中的STL10()函数进行下载，该数据集共包含三种类型数据,分别是带有标签的训练集和验证集，分别包含5000张和8000张图像，共有10类数据，还有一个类型包含10万张的无标签图像，均是96×96的RGB图像，可用于无监督学习。虽然使用STL10()函数可直接下载该数据集，但数据大小仅约2.5GB，且下载的数据是二进制数据，故建议直接到数据网址下载,并保存到指定的文件夹。
为了节省时间和增加模型的训练速度，在搭建的卷积自编码网络中只使用包含5000张图像

了解本专栏 订阅专栏 解锁全文 超级会员免费看
城南皮卡丘
关注
  • 0
    点赞
  • 踩
  • 15
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 1
    评论
专栏目录
订阅专栏
PyTorch深度学习实战（28）——卷积自编码器(Convolutional Autoencoder)
盼小辉丶的博客
12-21 4742
卷积自编码器是一种基于卷积神经网络结构的自编码器，适用于处理图像数据。在本节中，我们介绍了卷积自编码器的模型架构，使用 PyTorch 从零开始实现在 MNIST 数据集上训练了一个简单的卷积自编码器，并使用 t-SNE 技术在二维平面中表示了所有测试图像的潜变量。
Medical-Image-Denoising:使用卷积去噪自动编码器消除损坏的医学图像中的噪声
04-29
医学图像去噪 在该项目中，提出了一种基于深度学习的模型，用于使用卷积去噪自动编码器进行医学图像去噪。 使用了两个数据集，即乳房X光检查的mini-MIAS数据库（MMM）和牙科X射线照相数据库（DX）。 这些数据集已经过预处理，并因高斯噪声而损坏。 这些损坏的图像用作卷积自动编码器模型的输入。 使用结构相似性指标度量（SSIM）将所得图像与原始图像进行比较，以确保模型的一致性和准确性。 实验证明了该模型与NL均值和中值滤波方法相比的优势。 使用的框架 该项目是在Torch框架下使用luarocks模块完成的：nn，nnx，dpnn，image和optim。 图像经过预处理并在MATLAB中进行了比较 数据 所使用的两个数据集分别为：乳房X线照片的小型MIAS数据库（MMM） - 牙科X线摄影数据库（DX） - MMM具有322幅分辨率为1024×1024的图像，而DX具有从400例患者中
深度学习之卷积自编码器
热门推荐
zlinxi
10-31 4万+
一、自编码器 自编码器（Autoencoder）是一种旨在将它们的输入复制到的输出的神经网络。他们通过将输入压缩成一种隐藏空间表示（latent-space representation），然后这种重构这种表示的输出进行工作。这种网络由两部分组成，如下图： 编码器：将输入压缩为潜在空间表示。可以用编码函数h = f（x）表示。 解码器：这部分旨在重构来自隐藏空间表示的输入。可以用解码函数r ...
简单的小波自编码器降噪（Python）
最新发布
weixin_39402231的博客
06-02 266
简单的小波自编码器降噪（Python）
卷积自编码器CAEs
ヤ亽o﹏妳的博客
08-13 8344
https://www.cnblogs.com/cvtoEyes/p/8848815.html https://blog.csdn.net/woshisunwen/article/details/82830022
【CV】第 11 章：自动编码器和图像处理
sikh_0529的博客
10-27 2879
在前面的章节中，我们学习了图像分类、检测图像中的对象以及分割图像中对象对应的像素。在本章中，我们将学习如何使用自编码器在低维中表示图像，并通过使用变分自编码器利用图像的低维表示来生成新图像。学习以较少的维度表示图像有助于我们在很大程度上操纵（修改）图像。我们将学习利用低维表示来生成新图像以及基于两个不同图像的内容和风格的新图像。接下来，我们还将学习如何修改图像以使图像在视觉上保持不变，但是，与图像对应的类从一个更改为另一个。
神经网络学习小记录（keras）-去噪自编码器（全连接、卷积）
weixin_43917254的博客
04-25 3124
概念 在深度学习中，自编码器是非常有用的一种无监督学习模型。两个核心部分是编码器（encoder）和解码器（decoder），前者将原始表示编码成隐层表示，后者将隐层表示解码成原始表示（相似），训练目标为最小化重构误差，而且一般而言，隐层的特征维度低于原始特征维度。 去噪自编码器（denoising autoencoder，DAE）是一类接受损坏数据作为输入，并训练来预测原始未被损坏数据作为输入的...
卷积自编码器
Sky
03-04 3万+
卷积自编码器利用了传统自编码器的无监督的学习方式，结合了卷积神经网络的卷积和池化操作，从而实现特征提取，最后通过stack，实现一个深层的神经网络。 具体文章可以参考： Masci J, Meier U, Cireşan D, et al. Stacked convolutional auto-encoders for hierarchical feature extraction[C]//I
torch实现自编码器-Pytorch卷积自动编码器
04-19
Pytorch 是一个流行的深度学习框架，today 我们将讨论如何使用 Pytorch 实现卷积自编码器（Convolutional Autoencoder）。 自编码器的基本结构包括编码器（Encoder）和解码器（Decoder）。编码器负责将输入数据映射...
使用pytorch搭建自编码器，实现图像的去噪
12-18
在本文中，我们将深入探讨如何使用PyTorch框架构建一个自编码器来实现图像的去噪。自编码器是一种无监督学习模型，主要用于数据压缩和降维，同时也被广泛应用于图像处理任务，如图像去噪。 首先，让我们理解自编码...
基于python的深度卷积自动编码器对MNIST图像进行去噪设计与实现
05-04
深度卷积自动编码器（Deep Convolutional Autoencoder，DCAE）是一种在机器学习领域广泛应用的无监督学习模型，特别是在图像处理和去噪任务上。本项目是使用Python编程语言来实现对MNIST手写数字数据集的去噪过程。...
pytorch-CycleGAN-and-pix2pix-master
04-25
PyTorch-CycleGAN-and-pix2pix-master是基于PyTorch实现的深度学习框架，用于执行一系列图像到图像的转换任务。这个项目的核心是两个模型：CycleGAN（循环一致性对抗网络）和pix2pix（像素到像素的网络）。这两个...
基于python使用卷积自编码器对图像进行去噪设计与实现
05-04
卷积自编码器（Convolutional Autoencoder, CAE）是一种深度学习模型，它结合了卷积神经网络（Convolutional Neural Network, CNN）的特性与自编码器（Autoencoder, AE）的理念，用于图像处理任务，特别是图像去噪。...
自动编码器与卷积神经网络的结合：一种新的方法
禅与计算机程序设计艺术
12-29 1153
1.背景介绍 自动编码器（Autoencoders）和卷积神经网络（Convolutional Neural Networks，CNNs）都是深度学习领域的重要技术，它们各自在图像处理、语音识别、自然语言处理等领域取得了显著的成果。然而，在实际应用中，我们往往需要结合多种不同的神经网络架构来解决复杂的问题，因为单一的模型可能无法捕捉到数据中的所有特征。
CAE(Convolutional Auto-Encode) 卷积自编码
Losteng的博客
04-05 3万+
最近复习一下之前看的深度学习的网络，在deeplearning-toolbox中看到一个CAE一时没想起来就看了一下官方的解释 CAE(Convolutional Auto-Encode) 卷积自编码 ，对于这个深度学习的网络的的解释很少。 下面谈一下自己的认识，算是总结吧 CAE(Convolutional Auto-Encode) 卷积自编码 :一种卷积自编码器，其实现的过程与Aut
基于卷积变分自动编码器的3D数据处理与重建【CVAE】
新缸中之脑
07-04 1142
在这个项目中，我们将学习如何使用卷积变分自动编码器 (CVAE) 来处理和重建 3D 湍流数据。我们使用计算流体动力学 (CFD) 方法生成 3D 湍流立方体，每个 3D 立方体沿着三个速度分量携带物理信息（与图像数据类似，被视为单独的通道）。推荐：用快速搭建可编程3D场景。作为 3D CFD 数据预处理的一部分，我们编写了一个自定义 pytorch 数据加载器，用于对数据集执行标准化和批处理操作。CVAE 对预处理后的数据实施 3D 卷积 (3DConvs) 来执行重建。
卷积变分自编码（CVAE）python实战
m0_59870188的博客
08-15 2499
卷积变分自编码器（Convolutional Variational Autoencoder，CVAE）是一种生成模型，它可以利用卷积神经网络来对图像数据进行有效的编码和解码。CVAE的基本原理是将输入图像x通过一个编码器网络（inference_net）映射到一个隐变量空间z，然后从这个空间中采样一个隐向量z，并通过一个解码器网络（generative_net）重构出一个与输入图像相似的输出图像x'。
【图像处理】使用自动编码器进行图像降噪
gongdiwudu的专栏
07-24 5370
自动编码器是一种学习压缩和重建输入数据的神经网络。它由一个将数据压缩为低维表示的编码器和一个从压缩表示中重建原始数据的解码器组成。该模型使用无监督学习进行训练，旨在最小化输入和重建输出之间的差异。自动编码器可用于降维、数据去噪和异常检测等任务。它们在处理未标记数据时非常有效，并且可以从大型数据集中学习有意义的表示。
降噪自动编码器（Denoising Autoencoder)
weixin_34306446的博客
03-26 1950
起源：PCA、特征提取.... 随着一些奇怪的高维数据出现，比如图像、语音，传统的统计学-机器学习方法遇到了前所未有的挑战。 数据维度过高，数据单调,噪声分布广，传统方法的“数值游戏”很难奏效。数据挖掘？已然挖不出有用的东西。 为了解决高维度的问题，出现的线性学习的PCA降维方法，PCA的数学理论确实无懈可击，但是却只对线性数据效果比较好。 于是，寻求简单的、自动的、智能的特征提取方法仍然...
稀疏卷积去噪自编码器pytorch
03-27
以下是使用PyTorch实现稀疏卷积去噪自编码器的示例代码： ```python import torch import torch.nn as nn import torch.nn.functional as F class SparseConvAutoencoder(nn.Module): def __init__(self): super(SparseConvAutoencoder, self).__init__() # Encoder self.conv1 = nn.Conv2d(1, 16, kernel_size=3, stride=2, padding=1) self.conv2 = nn.Conv2d(16, 32, kernel_size=3, stride=2, padding=1) self.conv3 = nn.Conv2d(32, 64, kernel_size=3, stride=2, padding=1) # Decoder self.deconv1 = nn.ConvTranspose2d(64, 32, kernel_size=3, stride=2, padding=1, output_padding=1) self.deconv2 = nn.ConvTranspose2d(32, 16, kernel_size=3, stride=2, padding=1, output_padding=1) self.deconv3 = nn.ConvTranspose2d(16, 1, kernel_size=3, stride=2, padding=1, output_padding=1) # Sparse Convolution self.sparseconv1 = nn.Conv2d(16, 16, kernel_size=3, stride=1, padding=1, bias=False, groups=16) self.sparseconv2 = nn.Conv2d(32, 32, kernel_size=3, stride=1, padding=1, bias=False, groups=32) self.sparseconv3 = nn.Conv2d(64, 64, kernel_size=3, stride=1, padding=1, bias=False, groups=64) def forward(self, x): # Encoder x = F.relu(self.conv1(x)) x = F.relu(self.sparseconv1(x)) x = F.relu(self.conv2(x)) x = F.relu(self.sparseconv2(x)) x = F.relu(self.conv3(x)) x = F.relu(self.sparseconv3(x)) # Decoder x = F.relu(self.deconv1(x)) x = F.relu(self.deconv2(x)) x = torch.sigmoid(self.deconv3(x)) return x ``` 在这个模型中，我们使用了三个卷积层作为编码器，以及三个反卷积层作为解码器。为了实现稀疏卷积，我们还添加了三个稀疏卷积层，它们的groups参数设置为输出通道数，这样每个输出通道只与输入的一个子集通道进行卷积，从而实现了稀疏卷积。 在前向传播中，我们先对输入进行编码，然后对编码结果进行解码，并使用sigmoid激活函数将输出限制在[0,1]范围内。
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

城南皮卡丘

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值