基于GPU的传统监控视频图像超分辨率重建技术研究

目录

声明

1 绪论

1.1 课题研究背景

1.2 课题研究目的与意义

1.3 课题研究现状

1.3.1 超分辨率重建率技术现状

1.3.2 GPU 研究与应用现状

1.4 本文主要工作与组织安排

1.4.1 本文主要工作

1.4.2 内容组织安排

2 传统监控视频图像超分辨重建硬件与算法分析

2.1 硬件分析

2.2 传统监控视频图像质量退化模型

2.2.1 视频图像成像模型

2.2.2 视频图像编解码技术

2.3 超分辨率重建算法

2.3.1 超分辨率重建类型

2.3.2 图像超分辨率重建方法

2.4 基于深度学习的图像超分辨率重建

2.4.1 深度学习简介与卷积神经网络基本原理

2.4.2 利用深度学习进行超分辨率重建

2.5 传统监控视频超分辨率重建方法

2.6 超分辨率重建效果评价方法

2.6.1 主观评价方法

2.6.2 客观评价方法

2.7 本章小结

3 传统监控视频图像的超分辨率重建神经网络

3.1引言

3.2 相关卷积神经网络结构

3.2.1 U-net 网络

3.2.2 光流法与FlowNetSimple 网络

3.3 编解码光流卷积神经网络

3.3.1 编解码光流卷积神经网络框架

3.3.2 编解码网络层

3.3.3 光流网络层

3.3.4 损失函数

3.4 实验与结果分析

3.4.1 测试与训练数据集的建立

3.4.2 实验结果

3.4.3 对比分析

3.5 本章小结

4 基于GPU的监控视频超分辨神经网络实现与优化

4.1 引言

4.2 算法在TX2上的实现

4.2.1 搭建TX2 神经网络环境

4.2.2 神经网络算法移植与测试

4.3 基于TX2 平台的算法优化

4.3.1 神经网络结构与计算方式优化

4.3.2 TensorRT 推理模型优化

4.4 实验结果与分析

4.4.1 实验结果

4.4.2 对比分析

4.5 本章小结

5 总结与展望

5.1 全文工作总结

5.2 后续工作展望

致谢

攻读学位期间取得的研究成果

参考文献