CN114663309B 一种基于多尺度信息选择注意机制的图像去雾方法及系统 (山东大学)_第1页
CN114663309B 一种基于多尺度信息选择注意机制的图像去雾方法及系统 (山东大学)_第2页
CN114663309B 一种基于多尺度信息选择注意机制的图像去雾方法及系统 (山东大学)_第3页
CN114663309B 一种基于多尺度信息选择注意机制的图像去雾方法及系统 (山东大学)_第4页
CN114663309B 一种基于多尺度信息选择注意机制的图像去雾方法及系统 (山东大学)_第5页
已阅读5页,还剩18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

号AU2020100274A4,2020.0一种基于多尺度信息选择注意机制的图像本发明公开一种基于多尺度信息选择注意经预处理后得到添加高低频先验信息的图像样注意和通道注意的多尺度选择注意特征图的提2对有雾图像经预处理后得到添加高低频先验信对图像样本采用多个卷积分支进行并行的多尺度多层卷积操作,并行的多尺度多层卷积操作包括:所述多个卷积分支中,采用包括多个级联的多尺度特征选择注意模块的注意力群组多尺度选择注意特征图的提取过程包括:对样本融根据融合注意力特征对去雾网络进行训练,对待处理有雾图2.如权利要求1所述的一种基于多尺度信息选择注意机制的图像去雾方法,其特征在3.如权利要求1所述的一种基于多尺度信息选择注意机制的图像去雾方法,其特征在对空间注意的输入特征沿通道轴方向进行全局最大池化和全局均值池4.如权利要求1所述的一种基于多尺度信息选择注意机制的图像去雾方法,其特征在5.如权利要求1所述的一种基于多尺度信息选择注意机制的图像去雾方法,其特征在3高低频信息提取模块,被配置为对有雾图像经预处理后得多尺度特征提取模块,被配置为对图像样本采用多个并行的多尺度多层卷积操作包括:所述多个卷积分支中,注意力群组模块,被配置为采用包括多个级联的多尺度特征选择组,对样本融合特征进行结合空间注意和通道注意的多尺度选择注意特征图的提取与拼多尺度选择注意特征图的提取过程包括:对样本融去雾处理模块,被配置为根据融合注意力特征对去雾网络进行训练7.一种电子设备,其特征在于,包括存储4[0002]本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技[0006]基于深度学习的去雾方法主要是通过构建端到端的卷积神经网络直接恢复出无5征采用多层卷积分支进行并行的多尺度单层卷积操作,以提取不同尺度信息并进行拼接,[0020]作为可选择的实施方式,根据融合注意力特征对去雾网6[0032]图1为本发明实施例1提供的基于多尺度信息选择注意机制的图像去雾方法框架备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过78[0063]在所述步骤S2中,将添加了高低频先验信息的图像样本Iconcat通过并行多尺度多[0077]在所述步骤S3中,所述注意力群组基于空间注意力机制和通道注意力机制而设意模块FAM包括通道注意模块CAM和空间注意模块SAM,通道注意模块CAM和空间注意模块SAM以残差连接的方式组合为特征注意模块9最大池化和全局平均池化从空间信息中得到两个1×1×C的通道描述符,用以分别表示最[0109]在所述步骤S4中,将融合注意力特征FAttention与原始的有雾图像I进行逐元素相述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系[0124]实施例1中的方法可以直接体现为硬件处理器执行完成,或者用处理器中的硬件[0125]本领域普通技术人员可以意识到,结合本实施例描述的各示例的单元即算法步需要付出创造性劳动即

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。

评论

0/150

提交评论