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...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。展开更多
目的雨天户外采集的图像常常因为雨线覆盖图像信息产生色变和模糊现象。为了提高雨天图像的质量,本文提出一种基于自适应选择卷积网络深度学习的单幅图像去雨算法。方法针对雨图中背景误判和雨痕残留问题,加入网络训练的雨线修正系数(re...目的雨天户外采集的图像常常因为雨线覆盖图像信息产生色变和模糊现象。为了提高雨天图像的质量,本文提出一种基于自适应选择卷积网络深度学习的单幅图像去雨算法。方法针对雨图中背景误判和雨痕残留问题,加入网络训练的雨线修正系数(refine factor,RF),改进现有雨图模型,更精确地描述雨图中各像素受到雨线的影响。构建选择卷积网络(selective kernel network,SK Net),自适应地选择不同卷积核对应维度的信息,进一步学习、融合不同卷积核的信息,提高网络的表达力,最后构建包含SK Net、refine factor net和residual net子网络的自适应卷积残差修正网络(selective kernel convolution using a residual refine factor,SKRF),直接学习雨线图和残差修正系数(RF),减少映射区间,减少背景误判。结果实验通过设计的SKRF网络,在公开的Rain12测试集上进行去雨实验,取得了比现有方法更高的精确度,峰值信噪比(peak signal to noise ratio,PSNR)达到34.62 d B,结构相似性(structural similarity,SSIM)达到0.9706。表明SKRF网络对单幅图像去雨效果有明显优势。结论单幅图像去雨SKRF算法为雨图模型中的雨线图提供一个额外的修正残差系数,以降低学习映射区间,自适应选择卷积网络模型提升雨图模型的表达力和兼容性。展开更多
文摘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。
文摘目的雨天户外采集的图像常常因为雨线覆盖图像信息产生色变和模糊现象。为了提高雨天图像的质量,本文提出一种基于自适应选择卷积网络深度学习的单幅图像去雨算法。方法针对雨图中背景误判和雨痕残留问题,加入网络训练的雨线修正系数(refine factor,RF),改进现有雨图模型,更精确地描述雨图中各像素受到雨线的影响。构建选择卷积网络(selective kernel network,SK Net),自适应地选择不同卷积核对应维度的信息,进一步学习、融合不同卷积核的信息,提高网络的表达力,最后构建包含SK Net、refine factor net和residual net子网络的自适应卷积残差修正网络(selective kernel convolution using a residual refine factor,SKRF),直接学习雨线图和残差修正系数(RF),减少映射区间,减少背景误判。结果实验通过设计的SKRF网络,在公开的Rain12测试集上进行去雨实验,取得了比现有方法更高的精确度,峰值信噪比(peak signal to noise ratio,PSNR)达到34.62 d B,结构相似性(structural similarity,SSIM)达到0.9706。表明SKRF网络对单幅图像去雨效果有明显优势。结论单幅图像去雨SKRF算法为雨图模型中的雨线图提供一个额外的修正残差系数,以降低学习映射区间,自适应选择卷积网络模型提升雨图模型的表达力和兼容性。