Key points are not available for this paper at this time.
نظرًا للأداء الجيد لنموذج التعلم التمييزي في إزالة الضوضاء، تم تصميم عدد كبير من نماذج التعلم التمييزي لإزالة الضوضاء. ومع ذلك، يمكن لمعظم نماذج التعلم التمييزي التعامل فقط مع الضوضاء الموجودة بالفعل في بيانات التدريب. في هذه الورقة، يتم اقتراح شبكة عصبية عميقة قابلة للتدريب تعتمد على الالتفاف المُتوسع (DCMSNet). تتكون DCMSNet من سلسلة من طبقات الالتفاف المُتوسع، وطبقات الالتفاف، وكتل الالتفاف متعددة المقاييس المُنظمة (BNMCBlock)، وكتل الالتفاف متعددة المقاييس (MCBlock) وكتل الالتفاف متعددة المقاييس للتسرب (MCDBlock). يمكن أن يؤدي استخدام الالتفاف المُتوسع إلى تجنب مشاكل الإفراط في المعلمات الناتجة عن الشبكات العميقة جدًا. من أجل التقاط المزيد من معلومات الميزات أثناء استخراج الميزات وإعادة بناء الصورة، قمنا بتصميم BNMCBlock و MCBlock جديدة. من أجل تقليل درجة الارتباط بين ميزات الصورة وتحسين قدرة التعميم للشبكة، قمنا أيضًا بتصميم MCDBlock. في الوقت نفسه، يتم استخدام التعلم المتبقي، والتطبيع الباتشي، والتسرب لتسريع عملية التدريب وتعزيز الأداء في إزالة الضوضاء. على عكس نماذج إزالة الضوضاء الموجودة، فإن DCMSNet قادرة على إزالة درجات مختلفة من الضوضاء. مقارنة بأحدث طرق إزالة الضوضاء في الصور، حققت DCMSNet نتائج تنافسية نسبياً.
درس تشين وزملاؤه (الأربعاء) هذا السؤال.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: