基于多尺度回顾蒸馏的单幅图像去雾算法

基于深度学习的图像去雾模型常常设计并堆叠高效的特征提取模块,导致模型复杂、推理慢。知识蒸馏通过将教师网络的知识转移到高效的学生网络,能在不影响模型效果的同时,提高模型的效率,受到广泛关注。但现有的基于知识蒸馏的去雾模型大多集中在教师网络和学生网络之间同一层级的知识转移,知识转移过程中未考虑到特征的转移是否充分,导致特征蒸馏不完全,去雾效果不佳。为缓解以上问题,提出多尺度回顾蒸馏网络(mult-scale review distillation network,MRDN),将教师网络知识充分转移到学生网络的不同层级中。首先为了保证学生和教师网络挖掘图像隐含特征和重建信息的能力,分别设计了混合注意力模块(hybrid attention block,HAB)和混合注意力模块组(hybrid attention block groups,HABs);然后利用注意力融合模块(attention fusion block,AFB)对知识进行回顾,即融合学生网络的当前层级和深层级特征,生成用于蒸馏的中间特征;最后为了准确转移知识,利用层级内容损失模块(hierarchical content loss block,HCLB)对中间特征和教师网络对应的层级特征进行多尺度金字塔特征提取,计算出各层级的损失。实验结果表明,MRDN在真实雾图上的去雾效果更好,且在SOTS数据集上的PSNR和SSIM指标方面超过最好的对比模型(EPDN)分别9.2%、7.8%。

基于改进MSR和YOLOv5的雾天行人检测算法

针对雾气导致图像中行人检测准确率不高的问题,提出了1种基于改进多尺度Retinex(multiple scale Retinex,MSR)和改进YOLOv5(you only look once v5)的雾天行人检测算法。首先,针对MSR算法容易产生光晕和伪影现象的问题,引入均值和均方差对其进行改进,通过伽马校正找到适宜的图像亮度,调整亮度后再对图像进行去雾操作。其次,以传统的YOLOv5检测模型为基础并对其进行改进,引入选择性内核网络(selective kernel networks,SK-Net)模块,与YOLOv5的骨干网络(Backbone)端相融合,输入信息自适应地调整其感受野大小,加强模型对主要信息的提取,提升模型的精度。实验结果表明,改进后的MSR和改进后的YOLOv5相结合得到的算法,各项行人检测指标都有较大提升,其识别精确率、召回率、各类别平均精度均值分别达到了91.2%、87.3%、90.1%,改进后的算法能有效提高雾天行人检测的效率。

基于AOD-Net改进的单幅图像去雾算法研究

针对雾天拍摄图像不清晰的问题,提出了一种基于改进AOD-Net的单幅图像去雾算法。即在已有AOD-Net去雾算法的基础上,针对其存在的参数估计不均导致累计误差,从而使得去雾后的图像色彩失真以及低照度下效果不佳等缺陷,对AOD-Net去雾算法的损失函数进行了改进,同时引入一个低照度增强模块。由实验结果可知,改进的方法在真实图像和人工合成图像上去雾效果都有了较大的提升,有效地提高了图像质量,在PSNR和SSIM指标上均优于其他对比算法。

基于暗通道先验的改进图像去雾算法

针对传统暗通道先验去雾算法处理得到的去雾图片存在亮度偏暗,颜色失真等问题,提出一种基于暗通道先验的改进图像去雾算法。首先,将有雾的图像根据尺寸大小均匀分割成八份;然后,对分割后的图像进行暗通道先验去雾处理,并为每一个分割图像块找到一个最合适的w值;最后,将去雾后图像转为HSI颜色空间,对亮度进行限制对比度自适应直方图均衡化处理。实验结果显示:改进后的算法有效改善了去雾后图像亮度偏暗的问题,且极大程度避免了色彩失真现象。

基于改进VGG-16网络模型的苹果病害识别

针对苹果叶面病害识别问题,文章在对现有的VGG网络模型研究的基础上,提出了一种在VGG-16网络模型基础上进行改进的方法,即VGG-16-BN模型.首先对西北农林科技大学制作的数据集进行处理,然后将max pooling层替换为sort-pool2d池化层,使模型更快地收敛,最后在每一卷积层后增设BN层,加快训练速度,防止过拟合.实验结果表明,新的网络模型在数据集中的准确率相较于未增设BN层有了一定提高,其准确率达到96.67%.