CN114119393B 一种基于特征域循环一致性的半监督图像去雨方法 （武汉大学）_第1页
CN114119393B 一种基于特征域循环一致性的半监督图像去雨方法 （武汉大学）_第2页
CN114119393B 一种基于特征域循环一致性的半监督图像去雨方法 （武汉大学）_第3页
CN114119393B 一种基于特征域循环一致性的半监督图像去雨方法 （武汉大学）_第4页
CN114119393B 一种基于特征域循环一致性的半监督图像去雨方法 （武汉大学）_第5页
已阅读5页，还剩13页未读， 继续免费阅读

下载本文档

版权说明：本文档由用户提供并上传，收益归属内容提供方，若内容存在侵权，请进行举报或认领

文档简介

AU2020103905A4,2021一种基于特征域循环一致性的半监督图像本发明提供一种基于特征域循环一致性的监督损失采用最小均方误差MSE损失函数，无监中构建的数据集以及步骤3中的损失函数对网络本发明在模型训练过程中综合利用合成数据和2步骤2，网络模型构建，去雨网络模型具体包括主干去雨网络和半监督约束模块两部步骤2中主干去雨网络中的编码器Encoder包括一个卷积层Conv、多个下采样层DownSample和多个残差模块ResBlcok，每个ResBlock包含一个卷积层和一个ReLU激活层；2.如权利要求1所述的一种基于特征域循环一致性的半监督图像去雨方法，其特征在3.如权利要求1所述的一种基于特征域循环一致性的半监督图像去雨方法，其特征在雨图经过编码器的输出，Ts2r与Tr2s用于合成数据域与真实数据域之间的相互转化，Ts2r与4.如权利要求1所述的一种基于特征域循环一致性的半监督图像去雨方法，其特征在35.如权利要求1所述的一种基于特征域循环一致性的半监督图像去雨方法，其特征在4[0003]基于监督学习的方法需要成对数据。然而真实场景雨图很难获得其干净标签图5[0013]进一步的，编码器Encoder的具体实现为，输入图像经过一个卷积层进行通道变[0014]进一步的，步骤2中，为保证合成数据分布与真实数据分布之间分布映射的可逆和真实雨图经过编码器的输出，Ts2r与Tr2s用于合成数据域与真实数据域之间的相互转化，Ts2r与Tr2s的结构为多层感知机MLP，无监督损失用于约束网络学习合成数据和真实数据之6[0038]步骤2b，解码器Decoder包括三个ResBlock、三个上采样层UpSample和一个卷积725.6626.9827.2627.6025.6621.6022.3622.0222.1324.2924.8124.8189

人人文库> 全部分类> 行业资料 > 信息产业

温馨提示

  • 1. 本站所有资源如无特殊说明，都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
  • 2. 本站的文档不包含任何第三方提供的附件图纸等，如果需要附件，请联系上传者。文件的所有权益归上传用户所有。
  • 3. 本站RAR压缩包中若带图纸，网页内容里面会有图纸预览，若没有图纸预览就没有图纸。
  • 4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
  • 5. 人人文库网仅提供信息存储空间，仅对用户上传内容的表现方式做保护处理，对用户上传分享的文档内容本身不做任何修改或编辑，并不能对任何下载内容负责。
  • 6. 下载文件中如有侵权或不适当内容，请与我们联系，我们立即纠正。
  • 7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

最新文档

评论

0/150

提交评论