【摘 要】
：
雾霾是一种传统的大气现象,其中的雾霾、烟和灰尘等颗粒会遮盖大气的透明度。而且由于空气污染（粉尘、雾气和烟雾）,在室外环境中拍摄的图像通常也会遇到复杂,非线性和与数据相关的噪声。作为图像恢复技术,图像去雾在计算机视觉中受到了广泛的关注,并有利于后续的高级任务,例如目标检测。图像去雾是计算机视觉和多媒体技术领域的一项基本任务。它在进行去雾的过程中一般面临以下几方面挑战:i)图像中雾度的不均匀分布;ii
论文部分内容阅读
雾霾是一种传统的大气现象,其中的雾霾、烟和灰尘等颗粒会遮盖大气的透明度。而且由于空气污染（粉尘、雾气和烟雾）,在室外环境中拍摄的图像通常也会遇到复杂,非线性和与数据相关的噪声。作为图像恢复技术,图像去雾在计算机视觉中受到了广泛的关注,并有利于后续的高级任务,例如目标检测。图像去雾是计算机视觉和多媒体技术领域的一项基本任务。它在进行去雾的过程中一般面临以下几方面挑战:i)图像中雾度的不均匀分布;ii)生成的无雾图像像素失真;iii)模型对不同雾度图像去雾程度相同;iv)图像中相同程度雾区域的不规则分布;v)模型对真实有雾图像去雾的效果不好。为解决上述问题,我们提出了端到端的图像去雾模型,涉及到多尺度卷积、通道加权和空间加权融合模块、动态卷积和可变卷积等设计模块的应用。其中多尺度卷积可以在不采用上下采样的情况下从不同尺度提取图像特征,从而避免图像失真;通道加权和空间加权融合模块使得模型将学习的注意力集中在雾浓度高或难以去雾的部分;动态卷积是一种条件参数卷积,它可以为每个样例学习一个特定的卷积核参数,由得到的卷积核去卷积输入样例,这样针对每个雾度不同的样例赋予不同的关注度,达到不同的去雾程度;可变卷积,致力于捕获不规则结构信息,以解决相同程度雾区域的不规则分布。基于上述理论知识构建网络模型,分别在RESIDE-β、NTIRE2018-Dehazing challenge（包括I-HAZE和O-HAZE）、Dense-Haze和NH-HAZE数据集上进行训练和测试,为了评价所设计方法的性能,我们采用峰值信噪比（PSNR）和结构相似度指数（SSIM）作为评价指标对去雾结果进行定量评估,这是图像去雾任务中通常用来评价图像质量的标准。除此之外,我们还通过陈列去雾后的清晰图像作为定性评估,从视觉角度直观的将去雾结果展示出来,以验证所设计的网络模型对图像去雾的有效性。最终,实验结果表明我们的方法不仅在PSNR和SSIM指标上有明显提升,而且在图像细节和色彩对比的逼真表现上有明显优势。
其他文献
因果关系能够刻画事件的本质关联,对于理解数据、解释事件有着重要意义。因果关系的获取主要有两种:一种是分析观察数据获取各属性间的因果关系,另一种是分析文本数据提取其中陈述的因果关系。前者面临某些因果关系无法单纯从数据区分的问题,而后者面临文本蕴含的因果知识有限的问题。考虑健康领域拥有丰富的专业文献和大量公开的观察数据集,因此本文面向健康领域,创新性地探索观察数据与文本数据相结合的因果关系图构建方法,
复杂社交网络（CSG）因其蕴含丰富上下文信息已经成为众多学者的研究对象。通过设计含多属性需求的模式图,图模式匹配得以有效利用该丰富信息因而在CSG领域得到广泛应用。然而,随着决策问题日益复杂、决策者（Decision Makers,DMs）数量增多,模式图复杂性也不断增加:不同决策者对模式图中各属性常有不同需求。因而如何聚合各需求得到满足决策者偏好的模式图为多约束图模式匹配问题带来了新挑战。本文旨
基于深度学习的目标检测算法因具有速度快、精度高等优点被工业产品表面缺陷检测领域寄予厚望。但该方法需要大量的缺陷数据用于模型训练,而工业场景中获取缺陷数据的成本往往较高,因此迫切需要有效的数据增强方法以降低缺陷数据的获取成本。和其他数据增强方法相比,基于生成对抗网络的数据增强方法因能生成更接近真实分布的数据而备受重视,所以本文基于生成对抗网络对缺陷数据增强方法中的若干典型问题展开了深入研究,具体研究
从非结构化文本中进行信息抽取和知识图谱构建在自然语言处理（Natural Language Processing,NLP）任务中均发挥着至关重要的作用,而实体关系抽取（Entity and Relation Extraction,ERE）又是信息抽取和知识图谱中的一个关键而又具有挑战性的子任务。ERE又是由命名实体识别（Named Entity Recognition,NER）和关系抽取（Rela
随着互联网的发展,越来越多的创作者在社交媒体上发布文章。但随着文章的不断增多,其内容质量也变得参差不齐,其中包括大量的低质量的甚至传播虚假信息的文章。因此,如何从海量的多媒体文章中自动筛选高质量的内容是十分重要的。现有的方法往往依赖于大量的人工标注数据来训练质量评估模型。并且现有的方法通常会考虑社交媒体文档中的描述性内容特征和简单关系,但不能对文章之间的复杂结构和动态关系进行建模。另外,社交媒体中
近些年来,随着信息时代的快速发展以及智能手机和智能手环等设备的普及,采集人体相关数据变得更加方便且准确,因此,基于可穿戴设备的第一视角多模态个体行为识别任务逐渐受到越来越多研究人员的关注。然而,传统的个体行为识别任务由于数据采集成本高而面临着缺乏大规模多模态数据集的困境。本文主要解决基于视觉和传感器数据的小样本多模态个体行为识别任务,它面临两个重大的挑战,一方面,视觉模态的数据通常包含丰富的物体和
在信息爆炸的时代,图像是获取信息的主要媒介,而高分辨率图像因其包含丰富的信息被广泛的用在安防、图像压缩、医疗等多个领域。但是由于硬件、环境等因素,导致现实中获得的大部分图像的分辨率都较低。针对这个问题,图像超分辨率重建技术被提出,该技术旨在利用低分辨率图像重建出对应的高分辨率图像。近年来,随着深度学习的飞速发展,基于深度学习的超分辨率重建技术得到广泛的关注。通过对现有的一些超分辨率重建方法进行深入
文本识别及其相关问题一直都是计算机视觉领域的研究热点,该技术与自动驾驶、盲人辅助、产品搜索等应用紧密连接,早在上个世纪科研者们就着手相关的研究。近年来,随着深度学习的发展,基于深度学习的文本识别方法已经取得了一定的进展,但在复杂场景图像中的文本识别依然是一个严峻的挑战。场景文本图像中有着弯曲的文本形状、不确定的文本方向、文本遮挡、光照不均以及背景干扰等问题,给文本识别带来了很大的考验。本文针对场景
随着数字科技与网络多媒体的快速发展,图像成为用户进行观点发表与情感表达的新兴媒介源源不断地涌向社交网络。理解社交网络中图像所承载的更高层次的情感内容,实现图像情感语义分析及情感分类,已经成为图像标注、基于情感语义的图像检索、网络舆情监测等领域的热点研究内容。基于图像的情感分类就是运用特定算法解析图像中蕴含的情感元素。本文基于深度学习来研究图像情感分类问题,主要工作包含以下两个方面:（1）鉴于从情感
跨模态视觉内容生成是指通过多种模态信息的输入完成视觉内容的生成,它同时涉及多个领域,如计算机视觉、自然语言处理,因此它的实现需要依靠深度学习、图片生成、文本特征编码等多种基础技术。视觉内容包括图片、视频等形式。目前的文本到图片生成模型,难以保证在复杂环境下生成结果的语义一致性与真实性。而视频生成模型方面,直接对视频进行建模的模型表现还较差,主要体现在视频帧的连贯性上以及运动内容的一致性和真实性等问