基于多重迁移注意力的增量式图像去雾算法

为提高深度神经网络去雾算法对增补数据集的处理能力,并使网络差异化处理重要程度不同的图像特征以提高网络去雾能力,提出一种基于多重迁移注意力的增量式去雾算法。通过自编码器形式的教师注意力生成网络提取标签和雾霾的多重注意力,作为特征迁移媒介网络的标签约束网络训练,形成与教师注意力尽可能相近的迁移媒介注意力,并将其融入学生去雾网络的特征中,提高学生去雾网络的去雾能力;通过增量式训练方法提高学生去雾网络对增补数据集的处理能力。结果表明:所提算法对ITS、OTS以及真实雾图上皆具有较好的处理能力,在保证去雾图像像素结构完整、颜色不失真的同时具有较好的去雾效果,算法处理后的图像在主观视觉效果和客观评价指标上皆优于对比算法。

尘雾环境下工作面护帮板视频目标定位

工作面护帮板的精确定位是液压支架动作决策的基础和关键。在采煤机截煤过程中出现的大量煤尘以及除尘设备喷出的水雾严重干扰了工作面视频中护帮板的识别准确性,从而严重影响护帮板定位的精度。针对此问题,面向工作面尘雾环境提出一种护帮板视频目标精确定位算法。采用常值暗通道先验知识,实现护帮板视频目标的清晰化,从而克服煤尘和水雾对护帮板视频目标定位的影响。同时采用摄像头转角动态基准校正机制,通过补偿校正摄像头装配误差和转角漂移,对视频中的护帮板目标实现精确定位。实验结果表明,该算法在尘雾环境下对不同摄像头转角下的护帮板视频目标实现了精确的定位,取得了良好的效果。

基于双注意力卷积及Transformer融合的非均匀去雾算法

针对现有大部分去雾算法中对不同雾霾区域关注不足以及浓雾区域细节信息恢复不理想的问题,提出了一种结合卷积神经网络和Transformer模块的非均匀去雾算法。首先,为了更好地关注浓雾区域,在浅层特征提取阶段构建了并联双注意力卷积网络,分别从像素和通道的角度给图像分配不同的权重;其次,在深层特征提取中,引入了Transformer模块进行全局非均匀雾霾区域特征提取,既能有效捕捉特征之间的长距离依赖关系,又避免了普通卷积扩大感受野导致细节信息丢失的问题;最后,设计了多特征融合重建网络,能够自适应地融合浅层和深层特征,从而重构清晰图像。在公共数据集和自建非均匀雾霾数据集上进行了大量实验,结果表明,所提算法在视觉效果和客观评价指标上均优于其他对比算法。

融合特征增强及多尺度损失的增量去雾算法

为提高雾霾图像清晰化效果并实现去雾能力的泛化,提出一种特征增强及多尺度损失约束的网络结构,并采用增量式训练方法对网络进行训练。网络由教师网络和学生网络构成。通过学习教师网络提取的标注样本注意力信息对学生网络提取的特征进行特征增强;将标注样本多尺度语义特征作为软标签,建立多尺度语义特征损失衡量机制,与全局像素差异损失级联,构建面向特征和像素的损失函数;采用增量式训练方法,教师网络为学生网络平衡不同数据集的新旧知识提供先验约束,使网络保留原有知识的前提下,快速提高对增补数据集的泛化能力。实验结果表明,所提算法在主观视觉效果与客观评价指标上均取得了较好的效果。