台州噪音检测上门 CMA机构出具法律效力报告

有几种经典的深度学习去噪方法。提出了一种名为ResNet（Deep Residual Network）的残差学习框架，它在不造成训练困难的情况下实现了网络深度的增加。与普通网络相比，ResNet 在每两层之间添加了一个快捷连接，形成残差学习。残差学习解决了深度网络的退化问题，使我们能够训练更深的网络。

基于ResNet的思想提出了用于图像去噪任务的DnCNN（去噪卷积神经网络）。不同的是，DnCNN并没有像ResNet那样每两层添加一个shortcut连接，而是直接将网络的输出变成残差图像。DnCNN 学习噪声图像和干净图像之间的图像残差。能够快速收敛，在较深的网络条件下具有优异的性能。开发了U-net架构，它由收缩路径和扩展路径组成。

采用通用的编码器-解码器结构，并在原有结构的基础上增加了跳跃连接。它可以有效保留原始图像中的边缘细节信息，并通过上采样和下采样防止过多的边缘信息丢失。通过设置dropout层，即在训练过程中随机丢弃一些单元，解决了深度学习中难以处理的过拟合问题。提出了一种名为 DDAE（深度去噪自动编码器）的新方法来衰减地震随机噪声。DDAE 将输入地震数据编码为多个抽象级别，然后对其进行解码以重建无噪声地震信号。