【摘 要】
:
近几年雾霾天气频繁出现,给人们出行造成了极大的不便。雾霾天气下的场景能见度降低,进而导致一些成像设备获取的图像场景不清晰,不利于后续的场景内容分析。因此,图像去雾成为一个重要的研究方向,其旨在将有雾场景图像还原成无雾场景图像。本文围绕图像去雾这个主题,主要提出了三种基于深度学习的图像去雾算法。本文的主要研究内容如下:(1)提出了一种基于编码-解码结构的图像去雾算法。此算法首先使用三种不同卷积核大小
论文部分内容阅读
近几年雾霾天气频繁出现,给人们出行造成了极大的不便。雾霾天气下的场景能见度降低,进而导致一些成像设备获取的图像场景不清晰,不利于后续的场景内容分析。因此,图像去雾成为一个重要的研究方向,其旨在将有雾场景图像还原成无雾场景图像。本文围绕图像去雾这个主题,主要提出了三种基于深度学习的图像去雾算法。本文的主要研究内容如下:(1)提出了一种基于编码-解码结构的图像去雾算法。此算法首先使用三种不同卷积核大小的空洞卷积提取图像特征,通过扩大感受野来获取更多的像素点近邻信息;然后,引入残差块来防止因网络加深导致的梯度消失和网络性能下降;接着,将上采样每层所得特征图与下采样获得的相应特征图进行拼接,融合图像特征来得到残差图;最后,将学习到的残差图与输入的有雾图像相加得到图像去雾结果。实验结果表明,此算法能提高去雾性能,让去雾后图像场景更清晰。(2)提出了一种基于生成式对抗网络的图像去雾算法。此算法首先在每层下采样时提取粗略特征图,同时对与特征图同等大小的输入图像进行特征提取以提取精细特征图,融合粗略特征图和精细特征图以获得更丰富的图像信息;然后,将融合后的特征图放入由Res Ne Xt构建块组成的网络模块进行学习;接着,将上采样提取的特征图与Res Ne Xt模块学习到的特征图进行拼接,融合特征图来得到残差图;最后,将网络学习到的残差图与输入的有雾图像相加得到图像去雾结果。实验结果表明,此算法的去雾结果更加清晰和自然。(3)提出了一种基于U-Net的残差网络图像去雾算法。此算法首先使用混合卷积进行图像特征的提取,即结合标准卷积和空洞卷积来扩大感受野以获取更丰富的图像特征;然后,嵌入残差块来防止因梯度消失引起的网络性能下降;接着,在上采样时,将每层获得的特征图与下采样相应层获得的特征图进行拼接以获得更多的图像特征,学习到残差图;最后,将残差图与输入的有雾图像相加得到图像去雾结果。此外,考虑到有雾图像和无雾度图像在HSV颜色空间的饱和度和亮度分量的绝对差值之间的明显差异后,在损失函数中增加了相应的损失项,以更好地指导网络训练。实验结果表明,此算法能明显提高图像去雾的性能。
其他文献
超大规模集成电路布线阶段是集成电路设计(IC设计)中的核心步骤,用于确定芯片中各个引脚的具体走线,对芯片最后的性能、功耗有着重大影响。超大规模集成电路布线问题是一个NP-hard问题。集成电路的集成规模不断扩大,问题逐渐复杂化,设计一个高效的布线算法难度也越来越大。布线设计一般采用两阶段布线设计,先全局粗化布线再局部细化布线。本文聚焦于全局布线问题的研究上,从2D和3D两个维度,分别提出了解决办法
深度神经网络已广泛应用于各领域,成功解决了诸多复杂的任务,而深度网络的高效训练是其成功的关键之一。然而,由于相关理论基础薄弱,现有的网络训练方法仍存在诸多亟待解决的问题,这些问题严重阻碍了深度网络的进一步推广。随着技术的进一步发展,一方面网络训练中易于发现的诸如梯度消失等问题已经有一些较为成熟的解决方法,但另一方面也存在理论上会影响训练结果却又难以验证及解决的问题。内协变量漂移(internal
随着集成电路规模不断扩大,时延显著增大并因此对芯片性能造成严重的负面影响。作为超大规模集成电路物理设计中的关键环节,层分配在决定布线方案的时延方面具有重要作用。同时,随着超大规模集成电路工艺发展,先进制程已引起了诸多领域的关注。在先进制程技术中,非默认规则线和通孔柱两项技术分别在优化导线时延和通孔时延方面具有可观的潜力。因此,将非默认规则线和通孔柱相结合可以构成一个相对完整的基于先进制程的线网时延
影像记录设备拍摄得到图像,其尺寸大小一般由其设备参数决定,当用户需要将这种统一尺寸图像在不同尺寸显示设备下投放时,通常发生图像被挤压变形或者不完全显示,严重影响到图像传递信息的准确性和视觉展示的友好性。图像重定向是一种旨在处理图像与屏幕尺寸不适配的图像处理技术,因此,对于以上现实常见需求场景,图像重定向是一个不可或缺的图像处理环节。本文研究了经典和基于深度学习的重定向方法,首先对经典重定向方法中重
辅助驾驶系统(Advanced Driver Assistance Systems,ADAS)是智能交通系统的重要组成部分,其基础算法模块包括车道线检测、跟踪和车前障碍物目标识别等。现有的基于嵌入式平台的辅助驾驶系统由于计算资源受限,尚不能满足实时性和准确性的要求。本文针对扬州市人工智能研究院的实际课题,以面向嵌入式平台的辅助驾驶系统作为研究对象,采用NVIDIA Jetson TX2作为计算平台
复杂事物间的关联通常采用网络进行表示,随着网络规模的增长,事物的联系以大规模复杂网络的形式呈现出来,并行图计算就是将大规模复杂网络抽象成图再以并行的方式进行分析,通常采用图分区和图通信迭代技术。图分区是将图数据划分至不同的分区上;通信迭代的实现依赖于分布式图计算模型,在模型上执行图算法时需要多轮迭代,图上顶点之间会进行消息通信,是一种通信迭代过程。通信迭代时,每个顶点每次只传输一个消息的为单一的通
多模态摘要旨在从文本、图像等不同的模态中精炼显著信息,并通过一种概括性描述来表示,近年来得到了国内外研究人员的广泛关注。目前的研究工作主要采用深度学习的方法,取得了瞩目的成果。但仍然存在一些问题:难以有效捕获图像中的关键目标特征;现有模型中需要优化的网络参数较多,导致训练时间较长;缺乏对图像内部噪声的屏蔽能力,导致模型难以准确刻画图像表示。本文针对上述问题展开研究,具体研究内容可分为以下三个方面:
在纺织工业中,由于织机的机械故障、机器部件老旧、用于编织的纱线存在缺陷、布匹被过度拉伸或者表面存在褶皱等原因,加工出来的织物表面往往存在大大小小的瑕疵,严重影响到纺织工厂的生产效益。因此织物瑕疵检测成为纺织工业质量控制的重要环节。为了满足织物瑕疵检测模型需要具备高检测速度、高检测精度、低人工成本的实际需求,本文将深度学习方法应用到织物瑕疵检测领域中,研究并设计出适用于多种瑕疵类型与复杂纹理背景图像
聚类算法是一种能将数据集中相似的点聚集起来的无监督学习算法。批量聚类算法虽然准确度较高,但不能有效利用上一次的聚类结果,每次运行都需要使用全部的数据集进行重新计算,导致资源浪费、耗时等问题。增量聚类指的是在新数据到达后,不必重新构建整个模型,只需要根据已经构建好的模型进行更新,这一特点非常适合于流式计算,但增量聚类算法准确度相对较低,并且无法满足流式数据需要实时处理的特点。流式聚类虽然能够实时处理
信息技术的发展使得数据呈现高维化的趋势,而维度的增加会提升数据处理的难度,这一点在聚类分析中得以体现。由于高维数据的稀疏性和冗余性,许多传统的聚类算法在面对高维数据时会出现性能差的问题。为了解决这一问题,研究者们提出了许多新的聚类算法,子空间聚类(Subspace Clustering)就是其中比较有代表的技术之一。SubKMeans是一种基于K-Means的子空间聚类算法,其将原数据空间划分为一