基于深度学习隐码解码的半监督恶劣天气复原算法

发布时间：2021-03-11 15:37

　　深度学习在计算机视觉上的成功应用,使得现在很多方法将深度学习应用在恶劣天气复原任务上,比如说去雨,去雾,去雪,去沙尘等任务。然而目前几乎所有的算法都只能对某一种特定的天气进行复原,而无法使用统一算法来针对多种恶劣天气进行复原。这导致了在实际恶劣天气复原算法的部署过程中,都只能先使用一个前端算法来判别天气的类型,再选择某一种特定的后端算法对该天气进行复原。这类部署的主要问题有两个:第一,因为对每种天气都必须部署一个特定算法,所以所需要的参数量比较大;第二,恶劣天气复原的效果会很大程度上依赖于前端算法对于天气判别的质量,然而在实际实现当中,本文发现天气判别的质量并不理想,也就是说这个前端算法的质量问题会很大影响最终恶劣天气复原的结果。针对目前学术与工业界,还没有通用的恶劣天气复原方法。本文旨在设计一种基于深度学习的,对于多种恶劣天气都适用的算法。这样不仅能够减少部署的参数量,也能够减少前端算法恶劣天气辨别的错误所导致的图像复原效果不佳的问题。首先,针对目前沙尘天气与雪天标注数据不足的问题,本文利用聚类的方法证明了沙尘天气与雾天,雪天与雨天的特征相似性,为通过神经网络的泛化性构建统一的恶劣天... 

【文章来源】：哈尔滨工业大学黑龙江省 211工程院校 985工程院校

【文章页数】：71 页

【学位级别】：硕士

【部分图文】：

图1-2粒子散射示意图

空气光传播示意图

K-means聚类示意图[14]


本文编号：3076685