APP下载

基于深度学习的可见光和红外光特征融合图像去雾方法

2025-08-23戚湧董浪韩伟方丽庄

甘肃科技纵横 2025年3期
关键词:注意力卷积特征

中图分类号:TP391.41文献标志码:A

0 引言

图像去雾是视觉领域的重要基础任务,对交通目标检测监控和自动驾驶至关重要。雾天导致的视野遮挡会严重影响物体检测精度,进而威胁驾驶安全和交通管理。随着深度学习的发展,神经网络从单一深层特征提取转向多尺度特征融合,显著提升了对图像的整体理解,残差网络的引入改善了网络收敛性能,注意力机制通过全局感知能力进一步优化了图像识别效果,在检测领域的表现尤为突出。因此,研究图像高效去雾技术具有重要学术价值和应用意义。

文章探索可见光和红外光特征融合的图像去雾场景下的高效深度学习架构。结合以前的工作,有效的深度学习架构应该包含多尺度的特征融合、适当的残差连接,以及不同感受野下的特征融合。此外,结合最新频率调制相关工作,良好的去雾图像还应该包含较好的纹理细节。为增加纹理细节对恢复干净图像的作用,文章引入了频率调制方法。

首先,为了更加有效地从不同尺度的特征图中提取特征,文章按照从大到小的顺序,将雾天图片缩放到不同尺寸,以适应主干网络不同层特征的尺寸。特征融合的方法可以提取到从粗到细的综合特征,具备更强的特征提取能力。由于残差连接的良好表现,在每一层网络的卷积神经模块之中都运用残差连接,在有效提取特征的同时,还可以调节网络深度,以适应网络提取特征的能力强弱。……

登录APP查看全文

猜你喜欢

注意力卷积特征
注意力不集中或是大脑在“做扫除”
注意力分配视角下对大学生碎片化学习注意力失焦现象的积极理解
基于时间图卷积网络的交通流时空预测模型
面向可重构阵列的CNN多维融合数据复用方法
非对称的编码器-解码器架构下图像分割方法研究
基于重参数化大核卷积的高分辨率姿态估计
如何表达“特征”
不忠诚的四个特征
线性代数的应用特征