基于完全残差的双分支去雨网络

针对使用深度学习的单幅图像去雨算法会导致细节信息丢失的问题,提出了一个双分支去雨网络,包括雨痕提取分支和细节恢复分支,通过补全细节使去雨图像更接近真实图像。雨痕提取分支的目的是完全提取出雨纹,通过构造特征金字塔来多尺度地学习雨纹信息,并在其中引入执行了全部身份映射的完全残差块来加强特征的重用和传播。为充分利用上下文信息,采用可变形卷积在动态扩大感受野的同时避免了网格伪影的产生,最后输入雨图去除雨痕便得到了初步去雨图。细节恢复分支需要产生细节特征图反馈给初步去雨图像来找回丢失的细节,使用轻量级的完全残差块捕捉特征信息,并用跳跃连接来连接完全残差块提供长距离的信息补偿。实验结果表明,该网络在合成数据集Rain100H中比较RESCAN、SPANet和JDNet等主流去雨方法,在PSNR和SSIM指标上分别至少提高了0.09 dB和0.02,在真实数据集和自制数据集中的去雨效果和细节保留程度均优于对比方法。

完全残差连接与多尺度特征融合遥感图像分割

遥感图像数据规模大,光照、遮挡等情况复杂,目标密集、尺度不一以及缺乏大量带标注图像用于训练深度网络等特点对遥感图像分割的完整性和正确性造成了更大的挑战。针对深度卷积网络中因多次卷积造成分辨率显著下降,像素类别预测精度降低的问题,本文在深度卷积编码-解码网络的基础上设计了一个采用完全残差连接和多尺度特征融合的端到端遥感图像分割模型。该模型具有两方面优点:首先,长距离和短距离的完全残差连接既简化了深层网络的训练,又为本层末端融入了原始输入信息,增强了特征融合。其次,不同尺度和方式的特征融合使网络能够提取丰富的上下文信息,应对目标尺度变化,提升分割性能。本文通过对ISPRS Vaihingen和Road Detection数据集做数据扩充并进行实验,分别从平均IOU、平均F1值两方面对模型进行评价。通过与目前先进的模型以及文献中的研究成果进行比较,结果表明本文所提模型优于对比模型,在两个数据集上的平均IOU分别达到了85%和84%,平均F1值分别达到了92%和93%,能够有效提高遥感图像目标分割的完整性和正确性。