融合注意力機(jī)制的GAN病蟲害圖像超分辨率重建

摘要：收集咖啡和柑橘病蟲害樣本圖片，利用TensorFlow深度學(xué)習(xí)框架，在原始SRGAN（Super-resolution generative adversarial networks）的超分辨率重建網(wǎng)絡(luò)里加入了注意力模塊，對(duì)重建圖像視覺(jué)質(zhì)量和峰值信噪比（PSNR）、結(jié)構(gòu)化相似性（SSIM）指標(biāo)進(jìn)行分析。結(jié)果表明，設(shè)計(jì)的模型和原始SRGAN模型對(duì)比之后峰值信噪比提高了2.23，結(jié)構(gòu)相似性提高了7%。在細(xì)節(jié)紋理方面可以獲得更好的視覺(jué)效果，重建后的圖像識(shí)別準(zhǔn)確率提高了約4.42個(gè)百分點(diǎn)。因此，設(shè)計(jì)的模型可以對(duì)小樣本性質(zhì)的植物病蟲害樣本進(jìn)行擴(kuò)充。

關(guān)鍵詞：超分辨率重建；注意力機(jī)制；病蟲害；峰值信噪比（PSNR）；結(jié)構(gòu)化相似性（SSIM）

中圖分類號(hào)：TP391.41；S432 文獻(xiàn)標(biāo)識(shí)碼：A

文章編號(hào)：0439-8114（2024）09-0204-06

DOI：10.14088/j.cnki.issn0439-8114.2024.09.034 開放科學(xué)（資源服務(wù)）標(biāo)識(shí)碼（OSID）：

Super-resolution reconstruction of GAN pest and disease images fused with attention mechanisms

FEI Jia-jie，YANG Yi， ZENG Yan-lin，LIN Yao，HE Yi-ting， LI Qiang，ZHANG Sheng-di

（School of Big Data，Yunnan Agricultural University， Kunming 650500，China）

Abstract： The sample pictures of coffee and citrus pests and diseases were collected， and an attention module was added to the super-resolution reconstruction network of the original SRGAN by using TensorFlow deep learning framework. The visual quality， peak signal-to-noise ratio and structured similarity index of the reconstructed image were analyzed. The results showed that the peak signal-to-noise ratio of the designed model was improved by 2.23， and the structural similarity was enhanced by 7%， after comparing with the original SRGAN mode. Better visuals could be obtained in terms of detail texture， and the accuracy of the reconstructed image classification was improved by about 4.42 percentage points. Therefore， the model designed could be used for the expansion of samples of plant pests and diseases with small sample properties.

Key words： super-resolution reconstruction； attention mechanism； pests and diseases； peak signal-to-noise ratio （PSNR）； structural similarity（SSIM）

圖像超分辨率重建（Images super-resolution reconstruction，ISRR）是指將低分辨率模糊圖像優(yōu)化為具有豐富細(xì)節(jié)的高分辨率圖像的過(guò)程［1］?，F(xiàn)如今，深度學(xué)習(xí)的算法在圖像超分辨率領(lǐng)域的研究越來(lái)越多，相對(duì)于傳統(tǒng)超分辨算法在性能上有了較大的提升。本研究的目的是為了通過(guò)建立融合注意力機(jī)制的SRGAN病蟲害圖像超分辨率重建模型，實(shí)現(xiàn)病蟲害樣本擴(kuò)充，使之產(chǎn)生大量可供深度學(xué)習(xí)模型訓(xùn)練使用的農(nóng)作物樣本數(shù)據(jù)。在病蟲害圖像小樣本擴(kuò)充上面，有明顯的效果和應(yīng)用價(jià)值。

圖像的超分辨率研究在很多年前就已經(jīng)開始，2015年Dong等［2］提出SRCNN（Super-resolution convolutional neural network），SRCNN訓(xùn)練了全卷積神經(jīng)網(wǎng)絡(luò)，并提升了圖像超分辨率的重建指標(biāo)。2016年，Dong等［3］又提出了FSRCNN（Fast super-resolution convolutional neural network）模型，該模型加入了反卷積層，將重建效果進(jìn)一步提升。Shi等［4］通過(guò)在網(wǎng)絡(luò)末端添加輸出特征圖的通道從而把圖像進(jìn)行放大。Kim等［5］在重建圖像中將卷積核縮小，能夠有效地提升圖像重建的效果。同年，Kim等［6］提出了新的網(wǎng)絡(luò)模型DRCN（Deeply-recursive convolutional network），減少神經(jīng)網(wǎng)絡(luò)的參數(shù)量。2014年，Goodfellow等［7］首次提出生成對(duì)抗網(wǎng)絡(luò)（Generative adversarial networks，GAN），通過(guò)對(duì)抗訓(xùn)練來(lái)評(píng)估生成模型。2017年Ledig等［8］提出了SRGAN能將一個(gè)低分辨率模糊圖像優(yōu)化為具有豐富細(xì)節(jié)的高分辨率圖像。但是，這些算法的參數(shù)量會(huì)比較大，需要大量的資源來(lái)計(jì)算和提取網(wǎng)絡(luò)特征，并且難以達(dá)到理想的效果。其次，進(jìn)行超分辨率恢復(fù)后的圖像無(wú)法保留圖像的某些底層信息，比如圖像太平滑，不包含詳細(xì)的紋理信息，圖像不夠逼真等。

因此本研究旨在開發(fā)一種融合注意力機(jī)制的生成對(duì)抗網(wǎng)絡(luò)超分辨率重建算法。近年來(lái)，越來(lái)越多的人將注意力機(jī)制［9］用到圖像超分辨率領(lǐng)域，Zhang等［10］在超分辨率重建模型中加入深度殘差通道注意力網(wǎng)絡(luò)RCAN。2018年，Liu等［11］提出了將注意力生成網(wǎng)絡(luò)作為特征選擇器來(lái)恢復(fù)圖像的高頻細(xì)節(jié)、增強(qiáng)高頻特征和抑制平滑區(qū)域中的噪聲。本研究在SRGAN的基礎(chǔ)上，引入了注意力機(jī)制，實(shí)現(xiàn)了圖像質(zhì)量更高的超分辨率結(jié)果，同時(shí)也實(shí)現(xiàn)了病蟲害小樣本的生成。本研究探索出一種適用于病蟲害小樣本生成的圖像的方法，為病蟲害小樣本擴(kuò)充的研究提供一些新思路。

1 相關(guān)技術(shù)介紹

1.1 生成對(duì)抗網(wǎng)絡(luò)訓(xùn)練

生成對(duì)抗網(wǎng)絡(luò)由兩部分組成，一是生成網(wǎng)絡(luò)，它的作用就是經(jīng)過(guò)訓(xùn)練之后生成與數(shù)據(jù)集中的真實(shí)數(shù)據(jù)相似的數(shù)據(jù)，二是判別網(wǎng)絡(luò)，判別網(wǎng)絡(luò)是為了判別真實(shí)數(shù)據(jù)和生成數(shù)據(jù)的差異性［12］。在經(jīng)過(guò)多輪的訓(xùn)練之后，樣本已達(dá)到了納什平衡，判別網(wǎng)絡(luò)已經(jīng)無(wú)法精確判斷出樣本是真是假，即判別器會(huì)輸出50%的正確率和50%的錯(cuò)誤率。生成對(duì)抗網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。圖中G表示生成器，D表示判別器。生成對(duì)抗網(wǎng)絡(luò)的訓(xùn)練過(guò)程是首先需要固定G，然后再訓(xùn)練D。固定G即僅用到G的前饋過(guò)程得到輸出，而不進(jìn)行其反向傳播過(guò)程，然后需要固定D去訓(xùn)練G。將隨機(jī)噪聲z輸入G，得到偽造數(shù)據(jù)G（z）。再將G（z）作為輸入送進(jìn)D，得到D給出的概率數(shù)值D（G（z））。

在這一過(guò)程中，判別概率和真實(shí)標(biāo)簽之間會(huì)產(chǎn)生誤差，為了減小誤差，生成對(duì)抗網(wǎng)絡(luò)中通常會(huì)采用交叉熵代價(jià)函數(shù)作為損失函數(shù)，如式（1）。

[C=-1nn[y ln a+（1-y）ln （1-a）]] （1）

式中，C為輸入數(shù)據(jù)；n表示所有數(shù)據(jù)的數(shù)量；y表示C的期望輸出；[a]表示數(shù)據(jù)的實(shí)際輸出。當(dāng)期望輸出y與實(shí)際輸出[a]越接近，代價(jià)函數(shù)越接近0。

在生成對(duì)抗網(wǎng)絡(luò)中，整體的價(jià)值函數(shù)V（D，G）定義如式（2）。

[minDmaxGV（D，G）=Ex～Pdata（x）[log D（x）]+Bz-pz（z）log （1-D（G（z）））] （2）

同樣的，該函數(shù)中的G、D分別代表生成器和判別器。[Pdata（x）]表示x的數(shù)據(jù)分布，E（·）表示需要計(jì)算的期望，[z-pz（z）]是輸入的噪聲分布，這里采用標(biāo)準(zhǔn)正態(tài)分布[pz（z）=n（0，1）]?？梢钥闯?，函數(shù)V（D，G）與神經(jīng)網(wǎng)絡(luò)中的交叉嫡代價(jià)函數(shù)C形式上是一樣的。

1.2 樣本擴(kuò)充

1.2.1 傳統(tǒng)樣本擴(kuò)充 卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域有著優(yōu)異的表現(xiàn)，但要有大規(guī)模數(shù)據(jù)集支撐的測(cè)試才能得到相對(duì)較好的訓(xùn)練結(jié)果。雖然現(xiàn)在可公開使用的數(shù)據(jù)集越來(lái)越多，但針對(duì)某些領(lǐng)域，仍然無(wú)法在有限的時(shí)間和成本內(nèi)獲取足夠的帶標(biāo)簽訓(xùn)練樣本。小樣本數(shù)據(jù)集規(guī)模無(wú)法支持深層次的網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練。傳統(tǒng)圖像識(shí)別領(lǐng)域和深度學(xué)習(xí)都存在著樣本不均衡、樣本多樣性不足、樣本質(zhì)量差等問(wèn)題。尤其是在深度學(xué)習(xí)領(lǐng)域，樣本匱乏和數(shù)據(jù)不均衡導(dǎo)致無(wú)法得到最佳的識(shí)別效果。基于這種現(xiàn)狀，樣本擴(kuò)充的提出便提供了一種解決思路，傳統(tǒng)的樣本擴(kuò)充方法有物理擴(kuò)充方法［13］、變分自編碼器擴(kuò)充方法［14］、bootstrap擴(kuò)充方法［15］、網(wǎng)絡(luò)爬蟲［16］等。

1.2.2 生成對(duì)抗94f09c6322f9587e5c94adffafeb99b0網(wǎng)絡(luò)擴(kuò)充 與傳統(tǒng)學(xué)習(xí)方法不同，生成對(duì)抗是一種生成學(xué)習(xí)的算法［17］，它在數(shù)據(jù)生成能力方面具有很大優(yōu)勢(shì)，使其在數(shù)據(jù)生成中得到廣泛的研究和應(yīng)用。在深度學(xué)習(xí)中，小樣本問(wèn)題制約了其自身的發(fā)展，擴(kuò)充小樣本數(shù)據(jù)能夠提高分類準(zhǔn)確率。

在生成對(duì)抗網(wǎng)絡(luò)訓(xùn)練時(shí)，向生成器里輸入噪聲圖像，通過(guò)訓(xùn)練噪聲圖像后生成網(wǎng)絡(luò)生成一個(gè)圖像。理論上來(lái)說(shuō)，在這種連續(xù)不斷的對(duì)抗訓(xùn)練過(guò)程中，這些生成的圖像，可以無(wú)限接近于真實(shí)圖像的數(shù)據(jù)分布，這些真實(shí)的圖像數(shù)據(jù)可以達(dá)到擴(kuò)充數(shù)據(jù)集的目的。

1.3 注意力機(jī)制

早在1980年，Treisman等［18］就提出了一種模擬人腦注意力的機(jī)制，經(jīng)過(guò)多年的發(fā)展和演化變成了現(xiàn)在深度學(xué)習(xí)領(lǐng)域注意力機(jī)制。注意力機(jī)制的優(yōu)點(diǎn)是可以直接建立輸入與輸出之間的關(guān)系，增加并行化的能力，增強(qiáng)計(jì)算機(jī)或模型的運(yùn)算能力。注意力機(jī)制還克服了比如計(jì)算效率低下、系統(tǒng)性能與輸入長(zhǎng)度負(fù)相關(guān)、輸入順序不合理以及系統(tǒng)不能精確提取特征等一些傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中的局限。

本研究采用的注意力模塊CBAM（Convolutional block attention module）是2018年Woo等［19］提出來(lái)的，它巧妙地將通道注意力和空間注意力結(jié)合了起來(lái)。CBAM是一種輕量型注意力模塊，它沿著空間維度和通道維度來(lái)推斷注意力圖，將注意力圖與輸入特征圖相乘以便于優(yōu)化特征。CBAM模塊示意圖如圖2所示。

2 基于SRGAN的病蟲害圖像超分辨率重建

2.1 數(shù)據(jù)集

由于目前的病蟲害樣本數(shù)據(jù)集較少，對(duì)于生成對(duì)抗網(wǎng)絡(luò)模型有局限性，針對(duì)自然場(chǎng)景下單幅圖像的超分辨率重建問(wèn)題，為客觀全面地評(píng)估模型重建的能力，本研究使用了DIV2K和Set14兩種公開數(shù)據(jù)集，其中DIV2K作為訓(xùn)練集，Set14作為測(cè)試集。在經(jīng)過(guò)使用公開數(shù)據(jù)集將模型訓(xùn)練得足夠穩(wěn)定后，再使用數(shù)碼相機(jī)從云南長(zhǎng)木咖啡種植基地和云南省褚氏農(nóng)業(yè)種植基地拍照得到咖啡多種病害和柑橘多種病害樣本，并從數(shù)據(jù)集中按照設(shè)定好的比例取出一部分作為測(cè)試集，不再做任何改變，其他的作為訓(xùn)練集。圖3是數(shù)據(jù)集中部分圖像。

2.2 圖像超分辨率生成對(duì)抗網(wǎng)絡(luò)模型

SRGAN為了提高超分辨率圖像的真實(shí)感和視覺(jué)感受將自然圖像放大了4倍，并且在損失函數(shù)部分結(jié)合了感知損失和對(duì)抗損失。SRGAN生成的圖像自然逼真，細(xì)節(jié)豐富，視覺(jué)質(zhì)量好。

2.2.1 生成網(wǎng)絡(luò) 生成器中由多個(gè)殘差塊組成，每個(gè)殘差塊由兩個(gè)卷積層、兩個(gè)批歸一化層，激活函數(shù)ReLU和最后的注意力模塊組成。在卷積核獲取輸入圖像時(shí)，可以利用注意力模塊提取全局特征信息，同時(shí)利用超分辨率圖像特征提取和修改的能力，可以獲得多種不同尺寸的圖像特征信息，改進(jìn)的SRGAN生成網(wǎng)絡(luò)的整體結(jié)構(gòu)如圖4所示。

2.2.2 判別網(wǎng)絡(luò) 判別器由多個(gè)卷積層組合而成，使用多個(gè)卷積層是為了添加網(wǎng)絡(luò)層數(shù)從而將提取更多的特征個(gè)數(shù)。判別器使用LeakyReLU作為網(wǎng)絡(luò)的激活函數(shù)，同時(shí)使用全連接預(yù)測(cè)該圖像為SR圖像還是真實(shí)HR圖像，輸出層使用sigmoid激活函數(shù)來(lái)計(jì)算概率。SRGAN判別網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

2.3 損失函數(shù)

SRGAN 采用的是對(duì)抗損失[lSRG]和內(nèi)容損失[lSRVGG]；其中內(nèi)容損失和對(duì)抗損失的加權(quán)和為式（3）。

[lSR=lSRVGG+10-3lSRG] （3）

內(nèi)容損失：本研究使用了19層VGG網(wǎng)絡(luò)的ReLU激活函數(shù)來(lái)計(jì)算VGG loss， 它是生成網(wǎng)絡(luò)生成的圖像和真實(shí)的高分辨率圖像傳到VGG19網(wǎng)絡(luò)中的一部分提取特征，再根據(jù)提取出來(lái)的特征計(jì)算均方根誤差。內(nèi)容損失的損失函數(shù)如式（4）所示，式中的i和j分別指第i層最大池化前的第j個(gè)卷積層。[lSRVGG]？是一個(gè)指標(biāo)，表示 VGG 模型在超分辨率重建任務(wù)上的性能。[1Wi，jHi，j]表示對(duì)整個(gè)圖像進(jìn)行平均，？？[x=1Wy=1H（？）]分別是對(duì)圖像寬度和高度方向上像素點(diǎn)的求和操作，[（？（IHR）x，y-？（GθG（ILR））x，y）2]是計(jì)算每個(gè)像素點(diǎn)之間的差異。

[lSRVGG=1Wi，jHi，jx=1Wy=1H（？（IHR）x，y-？（GθG（ILR））x，y）2] （4）

對(duì)抗損失：對(duì)抗損失采用的是生成對(duì)抗網(wǎng)絡(luò)的常用對(duì)抗損失函數(shù)，采用該對(duì)抗損失函數(shù)是為了讓判別器判別錯(cuò)誤。對(duì)抗損失如式（5）所示。[lSRG]？是一個(gè)指標(biāo)，表示生成器G 在超分辨率重建任務(wù)上的損失。[n=1N（？）]分別是對(duì)N個(gè)樣本進(jìn)行求和操作，（-l[ogDθD] [（GθG（ILR））]）是計(jì)算生成器G的輸出與判別器D 輸出之間的關(guān)系。因此，對(duì)于每一個(gè)輸入的低分辨率圖像[ILR]，生成器G 需要生成對(duì)應(yīng)的超分辨率圖像[GθG（ILR）]。然后，將這個(gè)生成的超分辨率圖像作為輸入傳遞給判別器D，判斷其是否為真實(shí)的高分辨率圖像。最后，計(jì)算判別器D的輸出概率值，并將其取負(fù)數(shù)并取對(duì)數(shù)，得到最終的損失值。通過(guò)最小化這個(gè)損失函數(shù)，可以優(yōu)化生成器G的參數(shù)，使得它能夠更好地生成高質(zhì)量的超分辨率圖像。

[lSRG=n=1N（-log DθD（GθG（ILR）））] （5）

3 結(jié)果與分析

由于人類的視覺(jué)觀察無(wú)法客觀地對(duì)試驗(yàn)結(jié)果進(jìn)行分析，所以本研究從兩個(gè)方面對(duì)試驗(yàn)結(jié)果進(jìn)行客觀分析，一是圖像重建的視覺(jué)質(zhì)量分析，二是圖像質(zhì)量評(píng)價(jià)指標(biāo)分析。

3.1 重建圖像視覺(jué)質(zhì)量分析

經(jīng)過(guò)與訓(xùn)練后得出的超分辨率圖像進(jìn)行對(duì)比，可以看出重建以后的圖像細(xì)節(jié)更加完整，邊緣輪廓尖銳、清晰，圖像的視覺(jué)效果也較好。從整體重建效果來(lái)看，如圖6所示，SRGAN恢復(fù)了一些病蟲害葉片的輪廓，使得病蟲害圖片的分辨率變得更高，一些圖像的紋路和清晰度也有所提升，整體在視覺(jué)效果上保真度更高。

3.2 圖像質(zhì)量評(píng)價(jià)指標(biāo)分析

普通人通過(guò)人眼主觀評(píng)價(jià)標(biāo)準(zhǔn)并不準(zhǔn)確，因此本研究使用全參考的圖像質(zhì)量評(píng)價(jià)指標(biāo)PSNR和SSIM［20］對(duì)圖像超分辨率重建結(jié)果進(jìn)行客觀評(píng)價(jià)。其中PSNR只關(guān)心像素之間的差異，在真實(shí)場(chǎng)景中具有較好的效果，應(yīng)用也最為廣泛。SSIM分別對(duì)圖像的亮度、對(duì)比度進(jìn)行比較，更加符合視覺(jué)感知，SSIM的取值范圍為［0，1］，且取值越大越好。表1和表2是選取Set14數(shù)據(jù)集中的baboon、monarch和pepper數(shù)據(jù)與植物病蟲害數(shù)據(jù)集重建結(jié)果展現(xiàn)的兩個(gè)客觀評(píng)價(jià)指標(biāo)。

3.3 擴(kuò)充樣本分類識(shí)別分析

本研究設(shè)計(jì)的模型對(duì)樣本數(shù)較少的病蟲害數(shù)據(jù)集進(jìn)行擴(kuò)充，以期達(dá)到理想的效果并能應(yīng)用于實(shí)際。為了進(jìn)一步驗(yàn)證本研究的模型對(duì)病蟲害樣本進(jìn)行擴(kuò)充后是否能提高深度學(xué)習(xí)網(wǎng)絡(luò)模型圖像識(shí)別的準(zhǔn)確率，進(jìn)行試驗(yàn)及對(duì)比后結(jié)果如表3所示，整個(gè)病蟲害樣本的識(shí)別準(zhǔn)確率都有了明顯的提升，準(zhǔn)確率最高的可達(dá)97.28%，最低也達(dá)88.48%。相比較原始SRGAN，本研究模型的識(shí)別準(zhǔn)確率平均提升了4.42個(gè)百分點(diǎn)。

4 小結(jié)

本研究在原始的SRGAN上融入了CBAM注意力機(jī)制模塊，注意力模塊通過(guò)增強(qiáng)高頻細(xì)節(jié)特征以及高頻細(xì)節(jié)的位置，從而將重建的效果進(jìn)一步提升。在生成器網(wǎng)絡(luò)中，使用了殘差密集塊基本結(jié)構(gòu)單元。試驗(yàn)結(jié)果表明，從視覺(jué)效果來(lái)看，植物病蟲害圖像重建后能夠獲得更多自然和逼真的紋理。本研究設(shè)計(jì)的模型確實(shí)具有較好的超分辨率重建效果，根據(jù)PSNR和SSIM結(jié)果來(lái)看，峰值信噪比平均提高了2.23，結(jié)構(gòu)相似性平均提高了7%。本研究的模型在咖啡和柑橘病蟲害圖像上重建的效果也較好，在擴(kuò)充樣本后的病蟲害樣本識(shí)別準(zhǔn)確率最高的可達(dá)97.28%，最高的提高了5.6個(gè)百分點(diǎn)。

參考文獻(xiàn)：

［1］ 康士偉，孫水發(fā)，陳曉軍，等.單幀圖像超分辨率重建的深度神經(jīng)網(wǎng)絡(luò)綜述［J］.信息通信，2019（3）：24-27.

［2］ DONG C， LOY C C， HE K， et al. Image super-resolution using deep convolutional networks［J］. IEEE transactions on pattern analysis and machine intelligence， 2015， 38（2）： 295-307.

［3］ DONG C， LOY C C， TANG X O. Accelerating the super-resolution convolutional neural network［A］. European conference on computer vision［C］. Springer， Cham， 2016.391-407.

［4］ SHI W， CABALLERO J， HUSZáR F， et al. Real-time single image and video super-resolution using an efficient sub-pixel convolutional neural network［A］. Proceedings of the IEEE conference on computer vision and pattern recognition［C］. 2016.1874-1883.

［5］ KIM J， LEE J K， LEE K M. Accurate image super-resolution using very deep convolutional networks［A］. Proceedings of the IEEE conference on computer vision and pattern recognition［C］. 2016.1646-1654.

［6］ KIM J，LEE J K，LEE K M. Deeply-recursive convolutional network for image super-resolution［A］.Proceedings of the IEEE conference on computer vision and pattern recognition［C］. 2016.1637-1645.

［7］ GOODFELLOW I J， POUGET-ABADIE J， MIRZA M， et al. Generative adversarial nets［A］. Proceedings of the 27th international conference on neural information processing systems［C］. 2014.2672-2680.

［8］ LEDIG C， THEIS L， HUSZáR F， et al. Photo-realistic single image super-resolution using a generative adversarial network［A］. Proceedings of the IEEE conference on computer vision and pattern recognition［C］. 2017. 4681-4690.

［9］ VASWANI A， SHAZEER N， PARMAR N， et al. Attention is all you need［A］. Proceedings of the 31st international conference on neural information processing systems［C］， 2017.6000-6010.

［10］ ZHANG Y L， LI K P， LI K， et al. Image super-resolution using very deep residual channel attention networks［A］.Proceedings of the European conference on computer vision （ECCV）［C］. 2018.286-301.

［11］ LIU Y， WANG Y C， LI N， et al. An attention-based approach for single image super resolution［A］. 2018 24Th international conference on pattern recognition （ICPR）［C］. IEEE， 2018. 2777-2784.

［12］ 梁俊杰，韋艦晶，蔣正鋒.生成對(duì)抗網(wǎng)絡(luò)GAN綜述［J］.計(jì)算機(jī)科學(xué)與探索，2020，14（1）：1-17.

［13］ 秦鐵鑫.基于數(shù)據(jù)擴(kuò)充的小樣本學(xué)習(xí)算法研究［D］.南京：南京大學(xué)，2021.

［14］ 王俊杰，焦 柯，彭子祥，等.基于變分自編碼器潛變量語(yǔ)義提煉的樣本生成方法［J］.計(jì)算機(jī)系統(tǒng)應(yīng)用，2022，31（3）：255-261.

［15］ 李會(huì)鵬，賀 國(guó)，明廷鋒.Bootstrap方法在機(jī)電設(shè)備振動(dòng)狀態(tài)閾值設(shè)定中的應(yīng)用［J］.艦船科學(xué)技術(shù)，2012，34（5）：70-73，77.

［16］ 楊天樂(lè)，錢寅森，武 威，等.基于Python爬蟲和特征匹配的水稻病害圖像智能采集［J］.河南農(nóng)業(yè)科學(xué)，2020，49（12）：159-163.

［17］ 俞 彬.基于生成對(duì)抗網(wǎng)絡(luò)的圖像類別不平衡問(wèn)題數(shù)據(jù)擴(kuò)充方法［D］.廣州：華南理工大學(xué)，2018.

［18］ TREISMAN A M， GELADE G. A feature-integration theory of attention［J］. Cognitive psychology， 1980， 12（1）： 97-136.

［19］ WOO S， PARK J， LEE J Y， et al. Cbam： Convolutional block attention module［A］. Proceedings of the European conference on computer vision （ECCV）［C］. 2018. 3-19.

［20］ 佟雨兵，張其善，祁云平.基于PSNR與SSIM聯(lián)合的圖像質(zhì)量評(píng)價(jià)模型［J］.中國(guó)圖象圖形學(xué)報(bào)，2006（12）：1758-1763.

收稿日期：2023-02-13

基金項(xiàng)目：云南省重大科技專項(xiàng)（A3032021043002）

作者簡(jiǎn)介：費(fèi)加杰（1995-），男，貴州六盤水人，在讀碩士研究生，研究方向?yàn)閳D形圖像處理，（電話）18184899528（電子信箱）354099126@qq.com；通信作者，楊 毅（1966-），男，云南昆明人，碩士生導(dǎo)師，主要從事深度學(xué)習(xí)、植物病蟲害防治、圖形圖像處理方面研究，（電話）13888222963（電子信箱）1617213828@qq.com。

費(fèi)加杰，楊 毅，曾晏林，等. 融合注意力機(jī)制的GAN病蟲害圖像超分辨率重建［J］. 湖北農(nóng)業(yè)科學(xué)，2024，63（9）：204-209．