基于感受野扩展残差注意力网络的图像超分辨率重建

doi:10.11772/j.issn.1001-9081.2023050689

《计算机应用》唯一官方网站››2024,第44卷››问题（5）: 1579-1587.内政部：10.11772/j.issn.1001-9081.2023050689

• 多媒体计算与计算机仿真 • 上一篇

基于感受野扩展残差注意力网络的图像超分辨率重建

郭琳¹^,²^,^三,刘坤虎¹(),马晨阳¹,来佑雪¹,徐映芬¹

¹湖北大学人工智能学院, 武汉 430062
²智能感知系统与安全教育部重点实验室, 武汉 430062
^三。智慧政务与人工智能应用湖北省工程研究中心, 武汉 430062

收稿日期:2023-06-01 修回日期:2023-09-01 接受日期:2023-09-12 发布日期:2023-09-14 出版日期:2024-05-10
通讯作者:刘坤虎
作者简介:郭琳（1978—），女，湖北随州人，副教授，博士，主要研究方向：信号处理、机器视觉、深度学习
马晨阳（1998—），男，河南驻马店人，硕士研究生，主要研究方向：深度学习
来佑雪（2000—），女，山东济宁人，硕士研究生，主要研究方向：图像处理
徐映芬（2003—），女，安徽安庆人，主要研究方向：计算机视觉。
第一联系人：刘坤虎（1998—），男，湖北荆州人，硕士研究生，主要研究方向：图像超分辨率重建
基金资助:
国家自然科学基金资助项目(62273135)

基于剩余注意网络和感受野扩展的图像超分辨率重建

林国¹^,²^,^三,刘昆虎¹(),马萨诸塞州晨阳¹,莱友雪¹,XU颖芬¹

¹湖北大学人工智能学院，湖北武汉430062
²教育部智能感知系统与安全重点实验室，湖北武汉430062
^三。湖北省智能政务与人工智能应用工程研究中心，湖北武汉430062

收到：2023-06-01 修订过的：2023-09-01 认可的：2023-09-12 在线：2023-09-14 出版：2024-05-10
联系人：刘坤虎
关于作者：郭琳，1978年生，博士，副教授。她的研究兴趣包括信号处理、机器视觉、深度学习。
马晨阳，1998年出生，硕士研究生。他的研究兴趣包括深度学习。
赖有学，2000年出生，硕士研究生。她的研究兴趣包括图像处理。
徐英芬，2003年出生。她的研究兴趣包括计算机视觉。
支持单位：
国家自然科学基金（62273135）

摘要/摘要

摘要：

针对现有残差网络存在残差特征利用不充分、细节丢失的问题，提出一种结合两层残差聚合结构和感受野扩展双注意力机制的深度神经网络模型，用于单幅图像超分辨率（SISR）重建。该模型通过跳跃连接形成两层嵌套的残差聚合网络结构，对网络各层提取的大量残差信息进行分层聚集和融合，能减少包含图像细节的残差信息的丢失。同时，设计一种多尺度感受野扩展模块，能捕获更大范围、不同尺度的上下文相关信息，促进深层残差特征的有效提取；并引入空间-通道双注意力机制，增强残差网络的判别性学习能力，提高重建图像质量。在数据集Set5、Set14、BSD100和Urban100上进行重建实验，并从客观指标和主观视觉效果上将所提模型与主流模型进行比较。客观评价结果表明，所提模型在全部4个测试数据集上均优于对比模型，其中，相较于经典的超分辨率卷积神经网络（SRCNN）模型和性能次优的对比模型迭代超分辨网络倍时的平均峰值信噪比（峰值信噪比）分别为1.91、1.71、1.61 dB和0.06、0.04、0.04 dB视觉效果对比显示，所提模型恢复的图像细节纹理更清晰。

关键词: 图像超分辨率, 残差网络, 感受野, 深度学习, 注意力

摘要：

为了解决现有残差网络中残差特征利用不足和细节丢失的问题，提出了一种将残差聚集和双注意机制两层结构与感受野扩展相结合的深度神经网络模型，用于单图像超分辨率（SISR）重建。在该模型中，通过跳跃连接构造了一个两层嵌套的残差聚集网络结构，对网络各层提取的残差信息进行分层聚集和融合，从而减少了包含图像细节的残差数据的丢失。同时，设计了多尺度感受野扩展模块，在不同尺度上捕获更大范围的上下文相关信息，有效提取深度残差特征并引入了空间通道双注意机制，增强了残差网络的判别学习能力，从而提高了重建图像的质量。对基准数据集Set5、Set14、B100和Urban100进行定量和定性评估，以与主流方法进行比较。客观评价结果表明，该方法在所有四个数据集上都优于比较方法与经典的SRCNN（使用卷积神经网络的超分辨率）模型和性能次优的比较模型ISRN（迭代超分辨率网络）相比，该模型提高了峰值信噪比（PSNR）的平均值在2、3和4倍的放大倍数下，分别减少1.91、1.71、1.61 dB和0.06、0.04、0.04 dB。视觉效果表明，该模型重建了更清晰的图像细节和纹理。

关键词： 图像超分辨率，剩余网络，感受野，深度学习，注意

中图分类号:

TP391型

郭琳, 刘坤虎, 马晨阳, 来佑雪, 徐映芬. 基于感受野扩展残差注意力网络的图像超分辨率重建[J] ●●●●。计算机应用, 2024, 44(5): 1579-1587.

郭林、刘坤虎、马晨阳、赖友雪、徐英芬。基于剩余注意力网络和感受野扩展的图像超分辨率重建[J]。计算机应用杂志，2024，44（5）：1579-1587。

图/表17

参考文献21

1	YANG J，WRIGHT J，HUANG T S，et al.基于稀疏表示的图像超分辨率[J]。IEEE图像处理汇刊，2010，19（11）： 2861-2873.10.1109/tip.2010.2050625
2	TIMOFTE R，DE SMET V，VAN GOOL L.A+：快速超分辨率的调整锚定邻域回归〔C〕//第十二届亚洲计算机视觉会议论文集。查姆：斯普林格2014： 111-126.10.1007/978-3-319-16817-3_8
三	DONG C，LOY C C，HE K，等.基于深度卷积网络的图像超分辨〔J〕。IEEE模式分析和机器智能事务，2016，38（2）： 295-307.10.1109/tpami.2015.2439281
4	KIM J，LEE J K，LEE K M.使用极深卷积网络实现精确图像超分辨率〔C〕//2016年IEEE计算机视觉和模式识别会议论文集。皮斯卡塔韦：IEEE2016： 1646-1654.10.1109/cvpr.2016.182
5	KIM J，LEE J K，LEE K M.用于图像超分辨率的深度递归卷积网络〔C〕//2016 IEEE计算机视觉和模式识别会议论文集。皮斯卡塔韦：IEEE2016： 1637-1645.10.1109/cvpr.2016.181
6	QU Y，LIN L，SHEN F，等.联合层次分类结构学习与大规模图像分类〔J〕。IEEE图像处理汇刊，2017，26（9）： 4331-4346.10.1109/提示2016.2615423
7	何凯，张旭，REN S，等.深入研究整流器：在ImageNet分类方面超越人类水平的性能〔C〕//2015 IEEE计算机视觉国际会议论文集。皮斯卡塔韦：IEEE2015： 1026-1034.10.1109/iccv.2015.123
8	LAI W-S，HUANG J-B，NARENDRA A等。用于快速准确超分辨率的深层拉普拉斯金字塔网络[C]//2017年IEEE计算机视觉和模式识别会议论文集。皮斯卡塔韦：IEEE2017： 5835-5843.2017.618年10月109日
9	LIM B，SON S，KIM H，等.单图像超分辨率增强深度残差网络〔C〕//2017 IEEE计算机视觉与模式识别研讨会论文集。皮斯卡塔韦：IEEE2017： 1132-1140.10.1109/cvprw.2017.151
10	安恩，康B，K-A SOHN。利用级联残差网络实现快速、准确、轻量级超分辨率〔C〕//第15届欧洲计算机视觉会议论文集。柏林：斯普林格2018： 256-272.10.1007/978-3-030-01249-6_16
11	ZHANG Y，LI K，LI K，et al.使用甚深残差通道注意力网络的图像超分辨率〔C〕//第15届欧洲计算机视觉会议论文集。柏林：斯普林格2018： 286-301.10.1007/978-3-030-01234-2_18
12	张永利，田毅，孔毅，等.图像超分辨率剩余稠密网络〔C〕//2019 IEEE/CVF计算机视觉与模式识别会议论文集。皮斯卡塔韦：IEEE2019： 2472-2481.10.1109/cvpr.2018.00262
13	王汇丰，徐岩，魏一铭，等. 基于并联卷积与残差网络的图像超分辨率重建［记者：。计算机应用，2022，42（5）： 1570-1576.10.11772/j.issn.1001-9081.2021050742
	王海峰，徐毅，魏永明，等.基于并行卷积和残差网络的图像超分辨率重建〔J〕。计算机应用杂志，2022，42（5）： 1570-1576.10.11772/j.issn.1001-9081.2021050742
14	申利华，李波. 基于特征金字塔网络和密集网络的肺部计算机断层扫描图像超分辨率重建［记者：。计算机应用，2023，43（5）：1612-1619.10.11772/j.issn.1001-9081.2022040620
	沈丽华，李斌.基于特征金字塔网络和稠密网络的肺部CT图像超分辨率重建〔J〕。计算机应用杂志，2023，43（5）：1612-1619.10.11772/j.issn.1001-9081.2022040620
15	李忠，杨杰，刘忠，等.图像超分辨率反馈网络〔C〕//2019 IEEE/CVF计算机视觉与模式识别会议论文集。皮斯卡塔韦：IEEE2019： 3862-3871.10.1109/cvpr.2019.00399
16	李金新，黄志勇，李文斌，等. 基于多层次特征融合的图像超分辨率重建［记者：。自动化学报，2023，49（1）： 161-171.
	李建新，黄振英，李文斌，等.基于多层次特征融合的图像超分辨率研究〔J〕。自动化学报，2023，49（1）： 161-171.
17	刘毅，王斯，张杰，等.图像超分辨率迭代网络〔J〕。IEEE多媒体事务，2022，24： 2259-2272.10.1109/tmm.2021.3078615
18	SHI W，CABALLERO J，HUSZÁRF，et al.使用高效亚像素卷积神经网络的实时单图像和视频超分辨率[C]//2016年IEEE计算机视觉和模式识别会议论文集。皮斯卡塔韦：IEEE2016： 1874-1883.10.1109/cvpr.2016.2007
19	胡杰，沈力，孙G.压缩和激励网络〔C〕//2018 IEEE/CVF计算机视觉和模式识别会议论文集。皮斯卡塔韦：IEEE2018： 7132-7141.10.1109/cvpr.2018.00745
20	刘杰，唐杰，吴刚.用于轻量化图像超分辨率的残差特征提取网络〔C〕//第16届欧洲计算机视觉会议论文集。柏林：斯普林格2020： 41- 55.10.1007/978-3-030-67070-2_2
21	梁杰，曹杰，孙刚，等.SwinIR：基于Swin Transformer的图像恢复〔C〕//2021 IEEE/CVF国际计算机视觉会议论文集。皮斯卡塔韦：IEEE2021： 1833-1844.10.1109/iccvw54120.2021.00210

尺度	模型	设置5		设置14		英国标准100		城市100
尺度	模型	峰值信噪比/分贝	SSIM公司	峰值信噪比/分贝	SSIM公司	峰值信噪比/分贝	SSIM公司	峰值信噪比/分贝	SSIM公司
×2	双立方	33.66	零点九二九九	30.24	零点八六八八	29.56	零点八四三一	26.88	零点八四零三
	SRCNN（美国有线电视新闻网）^［三］	36.66	零点九五四二	32.45	零点九零六七	31.36	零点八八七九	29.50	零点八九四六
	刚果民主共和国^［5］	37.63	零点九五八八	33.04	零点九一一八	31.85	零点八九四二	30.75	零点九一三三
	SRFBN-S公司^［15］	37.78	零点九五五七	33.35	零点九一五六	32	零点八九七零	31.41	零点九二零七
	CARN（汽车）^［10］	37.76	零点九五九零	33.52	零点九一六六	32.09	零点八九七八	31.92	零点九二五六
	RFDN（RFDN）^［20］	38.05	零点九六零六	33.68	零点九一八四	32.16	零点八九九四	32.12	零点九二七八
	SwinIR公司^［21］	38.14	零点九六一一	33.86	零点九二零六	32.31	零点九零一二	32.76	零点九三四零
	EDSR公司^［9］	38.11	零点九六零二	33.92	零点九一九五	32.32	零点九零一三	32.93	零点九三五一
	RDN（无线电数据网络）^［12］	38.24	零点九六一四	34.01	零点九二一二	32.34	零点九零一七	32.89	零点九三五三
	MHFN公司^［16］	—	—	33.79	零点九一九六	32.20	零点八九九八	32.40	零点九三零一
	国际标准注册号^［17］	38.20	零点九六一三	33.84	零点九一九九	32.35	零点九零二三	32.96	零点九三五七
	本文RFE-RAN公司	38.19	零点九六一七	34.05	零点九二一三	32.38	零点九零二八	32.97	零点九三六五
×3	双立方	30.39	零点八六八二	27.55	零点七七四二	27.21	零点七三八五	24.46	零点七三四九
	SRCNN（美国有线电视新闻网）^［三］	32.75	零点九零九零	29.30	零点八二一五	28.41	零点七八六三	26.24	零点七九八九
	刚果民主共和国^［5］	33.82	零点九二二六	29.76	零点八三一一	28.80	零点七九六三	27.15	零点八二七六
	SRFBN-S公司^［15］	34.20	零点九二五五	30.10	零点八三七二	28.96	零点八零一零	27.66	零点八四一五
	CARN（汽车）^［10］	34.29	零点九二五五	30.29	零点八四零七	29.06	零点八零三四	27.38	零点八四零四
	RFDN（RFDN）^［20］	34.41	零点九二七三	30.34	零点八四二零	29.09	零点八零五零	28.21	零点八五二五
	SwinIR公司^［21］	34.62	零点九二八九	30.54	零点八四六三	29.20	零点八零八二	28.66	零点八六二四
	EDSR公司^［9］	34.65	零点九二八零	30.52	零点八四六二	29.25	零点八零九三	28.80	零点八六五三
	RDN（无线电数据网络）^［12］	34.71	零点九二九六	30.57	零点八四六八	29.26	零点八零九三	28.80	零点八六五三
	MHFN公司^［16］	—	—	30.40	零点八四二八	29.13	零点八零五六	28.35	零点八五五七
	国际标准注册号^［17］	34.68	零点九二九四	30.60	零点八四七五	29.25	零点八零九六	28.83	零点八六六六
	本文RFE-RAN公司	34.71	零点九二九九	30.62	零点八四七九	29.29	零点八一一四	28.89	零点八六七三
×4	双立方	28.42	零点八一零四	26	零点七零二七	25.96	零点六六七五	23.14	零点六五七七
	SRCNN（美国有线电视新闻网）^［三］	30.48	零点八六二八	27.50	零点七五一三	26.90	零点七一零一	24.52	零点七二二一
	刚果民主共和国^［5］	31.53	零点八八五四	28.02	零点七六七零	27.23	零点七二三三	25.14	零点七五一零
	SRFBN-S公司^［15］	31.98	零点八九二三	28.45	零点七七七九	27.44	零点七三一三	25.71	零点七七一九
	CARN（汽车）^［10］	32.13	零点八九三七	28.60	零点七八零六	27.58	零点七三四九	26.07	零点七八三七
	RFDN（RFDN）^［20］	32.24	零点八九五二	28.61	零点七八一九	27.57	零点七三六零	26.11	零点七八五八
	SwinIR公司^［21］	32.44	零点八九七六	28.77	零点七八五八	27.69	零点七四零六	26.47	零点七九八零
	EDSR公司^［9］	32.46	零点八九六八	28.80	零点七八七六	27.71	零点七四二零	26.64	零点八零三三
	RDN（无线电数据网络）^［12］	32.47	零点八九九零	28.81	零点七八七一	27.72	零点七四一九	26.61	零点八零二八
	MHFN公司^［16］	—	—	28.66	零点七八三零	27.61	零点七三七一	26.27	零点七九零九
	国际标准注册号^［17］	32.55	零点八九九二	28.79	零点七八七二	27.74	零点七四二二	26.64	零点八零三三
	本文RFE-RAN公司	32.54	零点八九九七	28.82	零点七八七六	27.75	零点七四三九	26.71	零点八零五二

尺度	模型	设置5		设置14		英国标准100		城市100
尺度	模型	峰值信噪比/分贝	SSIM公司	峰值信噪比/分贝	SSIM公司	峰值信噪比/分贝	SSIM公司	峰值信噪比/分贝	SSIM公司
×2	双立方	33.66	零点九二九九	30.24	零点八六八八	29.56	零点八四三一	26.88	零点八四零三
	SRCNN（美国有线电视新闻网）^［三］	36.66	零点九五四二	32.45	零点九零六七	31.36	零点八八七九	29.50	零点八九四六
	DRCN公司^［5］	37.63	零点九五八八	33.04	零点九一一八	31.85	零点八九四二	30.75	零点九一三三
	SRFBN-S公司^［15］	37.78	零点九五五七	33.35	零点九一五六	32	零点八九七零	31.41	零点九二零七
	CARN（汽车）^［10］	37.76	零点九五九零	33.52	零点九一六六	32.09	零点八九七八	31.92	零点九二五六
	RFDN（RFDN）^［20］	38.05	零点九六零六	33.68	零点九一八四	32.16	零点八九九四	32.12	零点九二七八
	SwinIR公司^［21］	38.14	零点九六一一	33.86	零点九二零六	32.31	零点九零一二	32.76	零点九三四零
	EDSR公司^［9］	38.11	零点九六零二	33.92	零点九一九五	32.32	零点九零一三	32.93	零点九三五一
	RDN（无线电数据网络）^［12］	38.24	零点九六一四	34.01	零点九二一二	32.34	零点九零一七	32.89	零点九三五三
	MHFN公司^［16］	—	—	33.79	零点九一九六	32.20	零点八九九八	32.40	零点九三零一
	国际标准注册号^［17］	38.20	零点九六一三	33.84	零点九一九九	32.35	零点九零二三	32.96	零点九三五七
	本文RFE-RAN公司	38.19	零点九六一七	34.05	零点九二一三	32.38	零点九零二八	32.97	零点九三六五
×3	双立方	30.39	零点八六八二	27.55	零点七七四二	27.21	零点七三八五	24.46	零点七三四九
	SRCNN（美国有线电视新闻网）^［三］	32.75	零点九零九零	29.30	零点八二一五	28.41	零点七八六三	26.24	零点七九八九
	刚果民主共和国^［5］	33.82	零点九二二六	29.76	零点八三一一	28.80	零点七九六三	27.15	零点八二七六
	SRFBN-S公司^［15］	34.20	零点九二五五	30.10	零点八三七二	28.96	零点八零一零	27.66	零点八四一五
	CARN（汽车）^［10］	34.29	零点九二五五	30.29	零点八四零七	29.06	零点八零三四	27.38	零点八四零四
	RFDN（RFDN）^［20］	34.41	零点九二七三	30.34	零点八四二零	29.09	零点八零五零	28.21	零点八五二五
	SwinIR公司^［21］	34.62	零点九二八九	30.54	零点八四六三	29.20	零点八零八二	28.66	零点八六二四
	EDSR公司^［9］	34.65	零点九二八零	30.52	零点八四六二	29.25	零点八零九三	28.80	零点八六五三
	RDN公司^［12］	34.71	零点九二九六	30.57	零点八四六八	29.26	零点八零九三	28.80	零点八六五三
	MHFN公司^［16］	—	—	30.40	零点八四二八	29.13	零点八零五六	28.35	零点八五五七
	国际标准注册号^［17］	34.68	零点九二九四	30.60	零点八四七五	29.25	零点八零九六	28.83	零点八六六六
	本文RFE-RAN公司	34.71	零点九二九九	30.62	零点八四七九	29.29	零点八一一四	28.89	零点八六七三
×4	双立方	28.42	零点八一零四	26	零点七零二七	25.96	零点六六七五	23.14	零点六五七七
	SRCNN（美国有线电视新闻网）^［三］	30.48	零点八六二八	27.50	零点七五一三	26.90	零点七一零一	24.52	零点七二二一
	刚果民主共和国^［5］	31.53	零点八八五四	28.02	零点七六七零	27.23	零点七二三三	25.14	零点七五一零
	SRFBN-S型^［15］	31.98	零点八九二三	28.45	零点七七七九	27.44	零点七三一三	25.71	零点七七一九
	CARN（汽车）^［10］	32.13	零点八九三七	28.60	零点七八零六	27.58	零点七三四九	26.07	零点七八三七
	RFDN（RFDN）^［20］	32.24	零点八九五二	28.61	零点七八一九	27.57	零点七三六零	26.11	零点七八五八
	SwinIR公司^［21］	32.44	零点八九七六	28.77	零点七八五八	27.69	零点七四零六	26.47	零点七九八零
	EDSR公司^［9］	32.46	零点八九六八	28.80	零点七八七六	27.71	零点七四二零	26.64	零点八零三三
	RDN（无线电数据网络）^［12］	32.47	零点八九九零	28.81	零点七八七一	27.72	零点七四一九	26.61	零点八零二八
	MHFN公司^［16］	—	—	28.66	零点七八三零	27.61	零点七三七一	26.27	零点七九零九
	国际标准注册号^［17］	32.55	零点八九九二	28.79	零点七八七二	27.74	零点七四二二	26.64	零点八零三三
	本文RFE-RAN公司	32.54	零点八九九七	28.82	零点七八七六	27.75	零点七四三九	26.71	零点八零五二

模型	参数量/毫巴	峰值信噪比/分贝	模型	参数量/毫巴	峰值信噪比/分贝
EDSR公司	43.08	32.32	MHFN公司	1.43	32.20
RDN（无线电数据网络）	22.30	32.34	RFE-RAN公司	15.63	32.38
国际标准注册号	3.50	32.35

模型	参数量/毫巴	峰值信噪比/分贝	模型	参数量/毫巴	峰值信噪比/分贝
电子数据记录器	43.08	32.32	MHFN公司	1.43	32.20
RDN（无线电数据网络）	22.30	32.34	RFE-RAN公司	15.63	32.38
国际标准注册号	3.50	32.35

模型编号	模块数		参数量/毫巴	峰值信噪比/分贝
模型编号	MM（毫米）	射频	参数量/毫巴	设置14	城市100
1	4	8	6.08	33.77	32.68
2	8	8	12.24	33.82	32.76
三	4	16	13.10	33.83	32.79
4	16	4	12.41	33.92	32.92
5	20	4	15.63	33.93	32.94

基于感受野扩展残差注意力网络的图像超分辨率重建

基于剩余注意网络和感受野扩展的图像超分辨率重建

RichHTML格式

PDF格式

可视化

摘要/摘要

引用本文

使用本文

图/表17

参考文献21

相关文章15

编辑推荐

韵律学

沙特阿拉伯			加利福尼亚州			连接	卷积和多项式相乘
输入	GN（通用）	卷积和多项式相乘	输入	间隙	转换1d	连接	卷积和多项式相乘
32	32	32	32	32	32	64	64

数据集	尺度	跑		RFE-RAN公司
数据集	尺度	峰值信噪比/分贝	SSIM公司	峰值信噪比/分贝	SSIM公司
设置5	×2	38.15	零点九六一六	38.19	零点九六一七
	×3	34.68	零点九二九七	34.71	零点九二九九
	×4	32.53	零点八九九九	32.54	零点八九九七
设置14	×2	33.93	零点九二一二	34.05	零点九二一三
	×3	30.55	零点八四六六	30.62	零点八四七九
	×4	28.81	零点七八七四	28.82	零点七八七六
英国标准100	×2	32.29	零点九零一七	32.38	零点九零二八
	×3	29.26	零点八一零五	29.29	零点八一一四
	×4	27.72	零点七四二六	27.75	零点七四三九
城市100	×2	32.73	零点九三三七	32.97	零点九三六五
	×3	28.77	零点八六四一	28.89	零点八六七三
	×4	26.60	零点八零一二	26.70	零点八零五二

[1]	盖彦辛, 闫涛, 张江峰, 郭小英, 陈斌.基于时空注意力的空间关联三维形貌重建[J] ●●●●。《计算机应用》唯一官方网站, 2024, 44(5): 1570-1578.
[2]	李鸿天, 史鑫昊, 潘卫国, 徐成, 徐冰心, 袁家政.融合多尺度和注意力机制的小样本目标检测[J] ●●●●。《计算机应用》唯一官方网站, 2024, 44(5): 1437-1444.
[3]	时旺军, 王晶, 宁晓军, 林友芳.小样本场景下的元迁移学习睡眠分期模型[J] ●●●●。《计算机应用》唯一官方网站, 2024, 44(5): 1445-1451.
[4]	孙敏, 成倩, 丁希宁.基于CBAM-CGRU-SVM安卓恶意软件检测方法[J] ●●●●。《计算机应用》唯一官方网站, 2024, 44(5): 1539-1545.
[5]	徐劲松, 朱明, 李智强, 郭世杰.基于激发和汇聚注意力的扩散模型生成对象的位置控制方法[J] ●●●●。《计算机应用》唯一官方网站, 2024, 44(4): 1093-1098.
[6]	肖斌, 甘昀, 汪敏, 张兴鹏, 王照星.基于端口注意力与通道空间注意力的网络异常流量检测[J] ●●●●。《计算机应用》唯一官方网站, 2024, 44(4): 1027-1034.
[7]	高龙涛, 李娜娜.基于方面感知注意力增强的方面情感三元组抽取[J] ●●●●。《计算机应用》唯一官方网站, 2024, 44(4): 1049-1057.
[8]	杨先凤, 汤依磊, 李自强.基于交替注意力机制和图卷积网络的方面级情感分析模型[J] ●●●●。《计算机应用》唯一官方网站, 2024, 44(4): 1058-1064.
[9]	王海涵, 朱焱.融合反讽机制的攻击性言论检测[J] ●●●●。《计算机应用》唯一官方网站, 2024, 44(4): 1065-1071.
[10]	陈天华, 朱家煊, 印杰.基于注意力机制的鸟类识别算法[J] ●●●●。《计算机应用》唯一官方网站, 2024, 44(4): 1114-1120.
[11]	许立君, 黎辉, 刘祖阳, 陈侃松, 马为駽.基于3D‑重影卷积神经网络的脑胶质瘤MRI 3D‑GA‑Unet[J] ●●●●。《计算机应用》唯一官方网站, 2024, 44(4): 1294-1302.
[12]	郭洁, 林佳瑜, 梁祖红, 罗孝波, 孙海涛.基于知识感知和跨层次对比学习的推荐方法[J] ●●●●。《计算机应用》唯一官方网站, 2024, 44(4): 1121-1127.
[13]	张鹏飞, 韩李涛, 冯恒健, 李洪梅.基于注意力机制和全局特征优化的点云语义分割[J] ●●●●。《计算机应用》唯一官方网站, 2024, 44(4): 1086-1092.
[14]	王昊冉, 于丹, 杨玉丽, 马垚, 陈永乐.面向工控系统未知攻击的域迁移入侵检测方法[J] ●●●●。《计算机应用》唯一官方网站, 2024, 44(4): 1158-1165.
[15]	袁泉, 陈昌平, 陈泽, 詹林峰.基于BERT（误码率）的两次注意力机制远程监督关系抽取[J] ●●●●。《计算机应用》唯一官方网站, 2024, 44(4): 1080-1085.

模型编号	加利福尼亚州	沙特阿拉伯	RFE公司	峰值信噪比/分贝
1	×	×	×	30.21
2	√	×	×	30.16
三	×	√	×	30.28
4	√	√	×	30.37

模型编号	加利福尼亚州	沙特阿拉伯	RFE公司	峰值信噪比/分贝
1	×	×	×	30.21
2	√	×	×	30.16
三	×	√	×	30.28
4	√	√	×	30.37