面向目标检测的轻量级单幅图像深度学习去雨方法

发布时间：2021-02-27 04:10

　　现有基于深度学习的目标检测方法大多使用干净的自然光学图像进行训练。然而在常见恶劣成像环境,例如雨天,导致图像对比度降低、颜色失真、纹理模糊和非均匀光照等主要质量退化问题,严重制约着目标检测性能。因此,深入研究雨天图像质量与相应场景下的目标检测性能提升方法,具有重要的理论与实际应用价值。目前,深度学习在去雨、低照度增强、去雾等恶劣成像环境下的图像处理问题中,取得了优于传统方法的结果。但是大多数基于深度卷积网络的去雨模型结构复杂,参数较多,使得它们难以作为插件式模块嵌入目标检测网络,限制了算法模型在恶劣成像环境下的应用。同时,这些方法仅关注图像主客观性能指标的提升,并未考虑对后续检测网络的影响,因此经过处理后的图像尽管在视觉质量上有所改善,但对检测性能的提升却相对有限。本文围绕雨天目标检测性能提升问题展开,提出基于深度卷积网络的轻量级雨天图像质量提升方法,其主要工作和创新点如下:（1）结合空洞卷积和递归结构,本文提出一个端到端的轻量级去雨网络,在模型参数不超过40K的基础上,能够显著提升雨天退化图像的主观视觉效果与客观评价指标。（2）同时为了提升经过去雨网络处理后图像的检测性能,本文提出了... 

【文章来源】：厦门大学福建省 211工程院校 985工程院校 教育部直属院校

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

神经元的基木结构

【即曰与单隐层全连接神经网络示意图

网络结构图


本文编号：3053666