[1]郭　嘉,蒋　旻,刘双元,等.基于自注意力机制的单幅图像去雨滴方法[J].计算机技术与发展,2021,31(05):54-61.[doi:10. 3969 / j. issn. 1673-629X. 2021. 05. 010]
　,,et al.ＲａｉｎｄｒｏｐＲｅｍｏｖａｌＭｅｔｈｏｄｆｏｒＳｉｎｇｌｅＩｍａｇｅＢａｓｅｄｏｎＳｅｌｆ－ａｔｔｅｎｔｉｏｎＭｅｃｈａｎｉｓｍ[J].,2021,31(05):54-61.[doi:10. 3969 / j. issn. 1673-629X. 2021. 05. 010]
点击复制

基于自注意力机制的单幅图像去雨滴方法()

《计算机技术与发展》[ISSN:1006-6977/CN:61-1281/TN]

卷:
31
期数:
2021年05期
页码:
54-61
栏目:
图形与图像
出版日期:
2021-05-10

文章信息/Info

Title:
ＲａｉｎｄｒｏｐＲｅｍｏｖａｌＭｅｔｈｏｄｆｏｒＳｉｎｇｌｅＩｍａｇｅＢａｓｅｄｏｎＳｅｌｆ－ａｔｔｅｎｔｉｏｎＭｅｃｈａｎｉｓｍ
文章编号:
1673-629X(2021)05-0054-08
作者:
郭　嘉1; 2; 蒋　旻1; 2; 刘双元1; 2; 江佳俊1; 2
１．武汉科技大学计算机科学与技术学院，湖北武汉４３００６５
２．智能信息处理与实时工业系统湖北省重点实验室（武汉科技大学），湖北武汉４３００６５
Author(s):
ＧＵＯＪｉａ１; ２; ＪＩＡＮＧＭｉｎ１; ２; ＬＩＵＳｈｕａｎｇ－ｙｕａｎ１; ２; ＪＩＡＮＧＪｉａ－ｊｕｎ１; ２
１．ＳｃｈｏｏｌｏｆＣｏｍｐｕｔｅｒＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ，Ｗｕｈａｎ４３００６５，Ｃｈｉｎａ；２．ＨｕｂｅｉＰｒｏｖｉｎｃｅＫｅｙＬａｂｏｒａｔｏｒｙｏｆＩｎｔｅｌｌｉｇｅｎｔＩｎｆｏｒｍａｔｉｏｎＰｒｏｃｅｓｓｉｎｇａｎｄＲｅａｌ－ｔｉｍｅＩｎｄｕｓｔｒｉａｌＳｙｓｔｅｍ（ＷｕｈａｎＵｎｉｖｅｒｓｉｔｙｏｆＳｃｉｅｎｃｅａｎｄＴｅｃｈｎｏｌｏｇｙ），Ｗｕｈａｎ４３００６５，Ｃｈｉｎａ
关键词:
雨滴去除; 深度学习; 图像去噪; 轻量级算法; 自注意力; 级联稠密残差网络
Keywords:
ｒａｉｎｄｒｏｐｒｅｍｏｖａｌ; ｄｅｅｐｌｅａｒｎｉｎｇ; ｉｍａｇｅｄｅｎｏｉｓｉｎｇ; ｌｉｇｈｔｗｅｉｇｈｔａｌｇｏｒｉｔｈｍ; ｓｅｌｆ－ａｔｔｅｎｔｉｏｎ; ｃａｓｃａｄｅｄｄｅｎｓｅｒｅｓｉｄｕａｌｎｅｔｗｏｒｋ
分类号:
ＴＰ３９１.４１
DOI:
10. 3969 / j. issn. 1673-629X. 2021. 05. 010
摘要:
在数字图像中去除雨滴的干扰，对恢复图像质量有较大应用意义。随着深度学习图像去噪技术的发展，针对目前大多数去雨滴的方法恢复质量低、计算量大等问题，提出了一种基于自注意力机制的轻型图像去雨滴算法。该算法建立了一个轻量级的级联稠密残差网络（ｃａｓｃａｄｅｄｄｅｎｓｅｒｅｓｉｄｕａｌｎｅｔｗｏｒｋ），用于恢复被雨滴覆盖的图像信息。该网络由多个模块组成，模块间用稠密的残差和跳过连接引导图像信息的输出，以从粗略到细节的方式逐级消除图像中的雨滴，恢复雨滴下的背景信息。网络中每个模块由卷积层、非局部神经网络（ｎｏｎ－ｌｏｃａｌｎｅｕｒａｌｎｅｔｗｏｒｋ）和递归卷积网络组成，在保证预测无雨图像的效果的同时减少参数量。实验结果表明，与ＡｔｔｅｎｔｉｖｅＧＡＮ等去雨滴方法相比，该算法去雨滴效果良好。该方法将自注意力机制加入级联稠密残差网络中，参数量仅为０．２２Ｍ，适用于小型嵌入式的除雨滴设备。
Abstract:
Ｒｅｍｏｖａｌｏｆｒａｉｎｄｒｏｐｉｎｔｅｒｆｅｒｅｎｃｅｉｎｄｉｇｉｔａｌｉｍａｇｅｓｉｓｏｆｇｒｅａｔｓｉｇｎｉｆｉｃａｎｃｅｆｏｒｒｅｓｔｏｒｉｎｇｉｍａｇｅｑｕａｌｉｔｙ．Ｗｉｔｈｔｈｅｄｅｖｅｌｏｐｍｅｎｔｏｆｄｅｅｐｌｅａｒｎｉｎｇｉｍａｇｅｄｅｎｏｉｓｉｎｇｔｅｃｈｎｏｌｏｇｙ，ｉｎｏｒｄｅｒｔｏｓｏｌｖｅｔｈｅｐｒｏｂｌｅｍｓｏｆｌｏｗｒｅｃｏｖｅｒｙｑｕａｌｉｔｙａｎｄｌａｒｇｅｃａｌｃｕｌａｔｉｏｎａｍｏｕｎｔｏｆｍｏｓｔｃｕｒｒｅｎｔｒａｉｎｄｒｏｐｒｅｍｏｖａｌｍｅｔｈｏｄｓ，ａｌｉｇｈｔｉｍａｇｅｒａｉｎｄｒｏｐｒｅｍｏｖａｌａｌｇｏｒｉｔｈｍ ｂａｓｅｄｏｎｓｅｌｆ－ａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍ ｉｓｐｒｏｐｏｓｅｄ．Ｔｈｅａｌｇｏｒｉｔｈｍｅｓｔａｂｌｉｓｈｅｓａｌｉｇｈｔｗｅｉｇｈｔｃａｓｃａｄｅｄｄｅｎｓｅｒｅｓｉｄｕａｌｎｅｔｗｏｒｋｔｏｒｅｃｏｖｅｒｉｍａｇｅｉｎｆｏｒｍａｔｉｏｎｃｏｖｅｒｅｄｂｙｒａｉｎｄｒｏｐｓ．Ｔｈｅｎｅｔｗｏｒｋｉｓｃｏｍｐｏｓｅｄｏｆｍｕｌｔｉｐｌｅｍｏｄｕｌｅｓ．Ｄｅｎｓｅｒｅｓｉｄｕａｌｓａｎｄｓｋｉｐｃｏｎｎｅｃｔｉｏｎｓａｒｅｕｓｅｄｂｅｔｗｅｅｎｔｈｅｍｏｄｕｌｅｓｔｏｇｕｉｄｅｔｈｅｏｕｔｐｕｔｏｆｉｍａｇｅｉｎｆｏｒｍａｔｉｏｎ．Ｔｈｅｒａｉｎｄｒｏｐｓｉｎｔｈｅｉｍａｇｅａｒｅｅｌｉｍｉｎａｔｅｄｓｔｅｐｂｙｓｔｅｐｆｒｏｍｔｈｅｒｏｕｇｈｔｏｔｈｅｄｅｔａｉｌｓ，ａｎｄｔｈｅｂａｃｋｇｒｏｕｎｄｉｎｆｏｒｍａｔｉｏｎｕｎｄｅｒｔｈｅｒａｉｎｄｒｏｐｓｉｓｒｅｓｔｏｒｅｄ．Ｅａｃｈｍｏｄｕｌｅｉｎｔｈｅｎｅｔｗｏｒｋｉｓｃｏｍｐｏｓｅｄｏｆｃｏｎｖｏｌｕｔｉｏｎａｌｌａｙｅｒｓ，ｔｈｅｎｏｎ－ｌｏｃａｌｎｅｕｒａｌｎｅｔｗｏｒｋａｎｄｔｈｅｒｅｃｕｒｓｉｖｅｃｏｎｖｏｌｕｔｉｏｎｎｅｔｗｏｒｋ，ｗｈｉｃｈｒｅｄｕｃｅｓｔｈｅｎｕｍｂｅｒｏｆｐａｒａｍｅｔｅｒｓｗｈｉｌｅｅｎｓｕｒｉｎｇｔｈｅｅｆｆｅｃｔｏｆｐｒｅｄｉｃｔｉｎｇｄｅ－ｒａｉｎｄｒｏｐｉｍａｇｅｓ．ＥｘｐｅｒｉｍｅｎｔａｌｒｅｓｕｌｔｓｓｈｏｗｔｈａｔｃｏｍｐａｒｅｄｗｉｔｈｔｈｅｒａｉｎｄｒｏｐｒｅｍｏｖａｌｍｅｔｈｏｄｓｕｃｈａｓＡｔｔｅｎｔｉｖｅＧＡＮ，ｔｈｅａｌｇｏｒｉｔｈｍ ｈａｓａｂｅｔｔｅｒｒａｉｎｄｒｏｐｒｅｍｏｖａｌｅｆｆｅｃｔ．Ｉｎｔｈｉｓｍｅｔｈｏｄ，ｔｈｅｓｅｌｆ－ａｔｔｅｎｔｉｏｎｍｅｃｈａｎｉｓｍｉｓａｄｄｅｄｔｏｔｈｅｃａｓｃａｄｅｄｄｅｎｓｅｒｅｓｉｄｕａｌｎｅｔｗｏｒｋ．Ｔｈｅｐａｒａｍｅｔｅｒｉｓｔｈｅｏｎｌｙ０．２２Ｍ，ｗｈｉｃｈｉｓｓｕｉｔａｂｌｅｆｏｒｓｍａｌｌｅｍｂｅｄｄｅｄｒａｉｎｄｒｏｐｄｅｖｉｃｅｓ．

相似文献/References:

[1]陈强锐,谢世朋.基于深度学习的肺部肿瘤检测方法[J].计算机技术与发展,2018,28(04):201.[doi:10.3969/ j. issn.1673-629X.2018.04.043]
　CHEN Qiang-rui,XIE Shi-peng.Lung Cancer Detection Method Based on Deep Learning[J].,2018,28(05):201.[doi:10.3969/ j. issn.1673-629X.2018.04.043]
[2]施泽浩,赵启军.基于全卷积网络的目标检测算法[J].计算机技术与发展,2018,28(05):55.[doi:10.3969/j.issn.1673－629X.2018.05.013]
　SHI Ze-hao,ZHAO Qi-jun.Object Detection Algorithm Based on Fully Convolutional Neural Network[J].,2018,28(05):55.[doi:10.3969/j.issn.1673－629X.2018.05.013]
[3]黄法秀,张世杰,吴志红,等.数据增广下的人脸识别研究[J].计算机技术与发展,2020,30(03):67.[doi:10. 3969 / j. issn. 1673-629X. 2020. 03. 013]
　HUANG Fa-xiu,ZHANG Shi-jie,WU Zhi-hong,et al.Research on Face Recognition Based on Data Augmentation[J].,2020,30(05):67.[doi:10. 3969 / j. issn. 1673-629X. 2020. 03. 013]
[4]陈浩翔,蔡建明,刘铿然,等. 手写数字深度特征学习与识别[J].计算机技术与发展,2016,26(07):19.
　CHEN Hao-xiang,CAI Jian-ming,LIU Keng-ran,et al. Deep Learning and Recognition of Handwritten Numeral Features[J].,2016,26(05):19.
[5]高翔,陈志,岳文静,等.基于视频场景深度学习的人物语义识别模型[J].计算机技术与发展,2018,28(06):53.[doi:10.3969/ j. issn.1673-629X.2018.06.012]
　GAO Xiang,CHEN Zhi,YUE Wen-jing,et al.Human Semantic Recognition Model Based on Video Scene Deep Learning[J].,2018,28(05):53.[doi:10.3969/ j. issn.1673-629X.2018.06.012]
[6]贺飞翔,赵启军. 基于深度学习的头部姿态估计[J].计算机技术与发展,2016,26(11):1.
　HE Fei-xiang,ZHAO Qi-jun. Head Pose Estimation Based on Deep Learning[J].,2016,26(05):1.
[7]徐 融,邱晓晖.一种改进的 YOLO V3 目标检测方法[J].计算机技术与发展,2020,30(07):30.[doi:10. 3969 / j. issn. 1673-629X. 2020. 07. 007]
　XU Rong,QIU Xiao-hui.An Improved YOLO V3 Object Detection[J].,2020,30(05):30.[doi:10. 3969 / j. issn. 1673-629X. 2020. 07. 007]
[8]曾志平[] [],萧海东[],张新鹏[]. 基于DBN的金融时序数据建模与决策[J].计算机技术与发展,2017,27(04):1.
　ZENG Zhi-ping[] [],XIAO Hai-dong[],ZHANG Xin-peng[]. Modeling and Decision-making of Financial Time Series Data with DBN[J].,2017,27(05):1.
[9]李全兵,文 钊*,田艳梅*,等.基于 WGAN 的音频关键词识别研究[J].计算机技术与发展,2021,31(08):26.[doi:10. 3969 / j. issn. 1673-629X. 2021. 08. 005]
　LI Quan-bing,WEN Zhao *,TIAN Yan-mei *,et al.Research on Audio Keywords Recognition Based on WassersteinGenerative Adversarial Network[J].,2021,31(05):26.[doi:10. 3969 / j. issn. 1673-629X. 2021. 08. 005]
[10]李宏林. 分析式纹理合成技术及其在深度学习的应用[J].计算机技术与发展,2017,27(11):7.
　LI Hong-lin. Analyzed Texture-synthesis Techniques and Their Applications in Deep Learning[J].,2017,27(05):7.

更新日期/Last Update: 2020-05-10