基于无监督图像增强的低光照车道线检测

现存的车道线检测方法在光照良好条件下具有较好的检测性能,但在低光照条件下性能急剧下降。针对低光照场景下车道线特征不明显导致不易检的问题,在车道线检测算法的预处理阶段加入融合空洞卷积的ZERO-DCE网络,提出了一种基于无监督图像增强网络的车道线检测方法。首先在ZERO-DCE网络中融入空洞卷积来提升目标信息的捕捉能力,结合车道线色彩属性采用两阶段图像融合方法提升低光照情况下车道线特征,然后利用UFAST网络进行车道线检测。在CULane数据集的进行性能分析测试,结果表明:文中算法相较于baseline算法,在正常光照环境下性能表现基本一致;在阴影环境和夜间环境下的F1值分别提升3.5和2.3。

改进AOD-Net的轻量级图像去雾算法

针对AOD-Net图像去雾算法质量偏低,存在色差的问题,提出一种改进的图像快速去雾算法。该算法对AOD-Net的前两个卷积层进行位置归一化,并将提取的矩信息输入后续的网络层中进行仿射变换,在改善原有网络中的数据分布及提高网络的收敛速度后,引入PSA注意力模块,使用多尺度的卷积核提取特征信息,加权融合特征并调整网络通道的权重,抑制冗余信息,提高模型的去雾质量。利用公开数据集RESIDE与现有的轻量级去雾算法进行实验对比,改进算法的单幅图像去雾耗时仅为4.3 ms,去雾质量优于DCP、CAP和Dehaze-Net等去雾算法。与AOD-Net相比,该方法的峰值信噪比提高了2.71 dB,结构相似度达到0.95,有效提升网络的图像去雾能力。