CN113450278B - 一种基于跨域协同学习的图像去雨方法 - Google Patents
一种基于跨域协同学习的图像去雨方法 Download PDFInfo
- Publication number
- CN113450278B CN113450278B CN202110742059.8A CN202110742059A CN113450278B CN 113450278 B CN113450278 B CN 113450278B CN 202110742059 A CN202110742059 A CN 202110742059A CN 113450278 B CN113450278 B CN 113450278B
- Authority
- CN
- China
- Prior art keywords
- image
- rain
- branch
- domain
- loss function
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 20
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 20
- 230000006870 function Effects 0.000 claims description 83
- 238000012549 training Methods 0.000 claims description 83
- 230000004927 fusion Effects 0.000 claims description 22
- 238000010606 normalization Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 14
- 230000007246 mechanism Effects 0.000 claims description 14
- 239000000126 substance Substances 0.000 claims description 11
- 238000011176 pooling Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000002474 experimental method Methods 0.000 claims description 6
- 230000005484 gravity Effects 0.000 claims description 6
- 230000004580 weight loss Effects 0.000 claims description 6
- 238000010586 diagram Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000007500 overflow downdraw method Methods 0.000 claims description 3
- 239000007788 liquid Substances 0.000 claims 4
- 238000010276 construction Methods 0.000 claims 2
- 210000003734 kidney Anatomy 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 9
- 238000004422 calculation algorithm Methods 0.000 description 9
- 230000004913 activation Effects 0.000 description 4
- 230000009191 jumping Effects 0.000 description 4
- 239000002131 composite material Substances 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000003909 pattern recognition Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000013526 transfer learning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于跨域协同学习的图像去雨方法,构建基于多尺度注意力残差模块的双分支图像去雨网络,通过面向合成领域的跨域协同学习策略,减少不同合成领域雨纹信息分布差异对于双分支图像去雨模型去雨效果的影响,通过面向真实领域的跨域学习策略,降低真实领域和合成领域雨纹信息分布差异对于双分支图像去雨模型去雨表现的影响。本发明提高了图像去雨模型对于不同领域样本雨纹信息的学习能力,减少了不同领域雨纹信息分布差异对于图像去雨模型去雨表现的影响,增强了图像去雨模型的鲁棒性和泛化能力。
Description
技术领域
本发明涉及图像修复与增强领域,具体涉及一种基于跨域协同学习的图像去雨方法。
背景技术
在雨天气候条件下拍摄的照片经常是低质量的,这些由于雨纹而导致的图像质量退化将影响一系列计算机视觉任务,例如,目标检测,图像识别等。因此,设计有效的图像去雨算法对计算机视觉算法的实际应用至关重要。
目前,深度学习已经在图像去雨任务上取得优异的表现。例如,Zhang等人提出一个基于条件生成对抗网络的单张图像去雨模型,并利用感知损失函数进一步提高去雨效果(He Zhang,Vishwanath Sindagi,and Vishal M.Patel,“Image de-raining using aconditional generative adversarial network”,IEEE Transactions on Circuits andSystems for Video Technology,2020,30(11):3943-3956)。Yang等人设计一个基于深度循环空洞网络的雨纹检测模型和去雨模型,来提高网络的图像去雨表现(Wenhan Yang,Robby T.Tan,Jiashi Feng,Jiaying Liu,Zong ming Guo,and Shuicheng Yan,“DeepJoint Rain Detection and Removal from a Single Image”,In2017IEEE Conferenceon Computer Vision and Pattern Recognition,June 2017)。但是,目前基于深度学习的图像去雨模型仍存在两大不足之处:第一,真实环境中很难获得充足的成对的图像去雨数据,因此,无法直接利用现有的基于监督学习的合成图像去雨模型实现真实图像去雨任务。第二,真实雨纹信息和合成雨纹信息存在一定分布差异,直接利用在合成数据上训练好的图像去雨模型测试真实图像去雨数据,很难得到满意的结果。因此,如何利用现有的成对的合成图像去雨数据和无标签的真实图像去雨数据构建一个真实图像去雨模型是目前图像去雨领域亟待解决的重要问题之一。
为解决上述问题,Yasarla等人设计了一种基于高斯过程的半监督图像去雨方法,使得在合成数据集上训练的去雨网络对真实环境含雨图像具有很好的泛化能力(R.Yasarla,V.A.Sindagi,and V.M.Patel,“Syn2real transfer learning for imagederaining using gaussian processes,”in The IEEE/CVF Conference on ComputerVision and Pattern Recognition(CVPR),June 2020.)。但是上述方法只考虑考到合成域和真实域中雨纹信息的分布差异,没有考虑不同合成域之间雨纹信息的分布偏差。
发明内容
本发明的目的在于提供一种基于跨域协同学习的图像去雨方法,同时解决不同合成域之间与合成域和真实域之间的雨纹信息分布差异对于图像去雨模型的去雨表现的影响,提高图像去雨模型的鲁棒性和泛化能力。
实现本发明目的的技术解决方案为:一种基于跨域协同学习的图像去雨方法,包括以下步骤:
步骤1、采集N张真实环境下含雨图像,进行归一化处理,将像素大小统一为h×w,作为真实域训练样本集R,100<N<10000,选择Rain200L合成图像去雨数据中的N张图像,进行归一化处理,将像素大小统一为h×w,作为第一合成域训练样本集S1,选择Rain1200合成图像去雨数据中的N张图像,进行归一化处理,将像素大小统一为h×w,作为第二合成域训练样本集S2,转入步骤2;
步骤2、基于多尺度注意力残差模块构建双分支图像去雨网络模型;
步骤3、利用面向合成领域的跨域协同学习策略,基于第一合成域训练样本集S1和第二合成域训练样本集S2训练双分支图像去雨网络模型,得到初始双分支图像去雨网络模型,转入步骤4;
步骤4、利用面向真实领域的跨域学习策略,基于真实域训练样本集R训练初始双分支图像去雨网络模型;当达到预定的训练次数E时,获得训练好的双分支图像去雨网络模型,转入步骤5;否则返回步骤3;
步骤5、采集M张真实环境下含雨图像,100<M<10000,分别通过归一化处理,得到像素大小为h×w的M张真实含雨图像,构成测试样本集;
步骤6、将测试样本集中的真实含雨图像输入到训练好的双分支图像去雨网络模型,去除真实含雨图像中的雨纹信息。
与现有技术相比,本发明的优点在于:
1)相比现有的图像去雨方法,只考虑真实域和合成域之间的雨纹信息分布差异,忽略了不同合成域雨纹信息分布偏差,本发明所述的一种基于跨域协同学习的图像去雨方法同时解决不同合成域之间与合成域和真实域之间的雨纹信息分布差异对于图像去雨模型的去雨表现的影响,提高图像去雨模型的鲁棒性和泛化能力;
2)本发明提出了面向合成域的跨域协同学习方法,构建了跨域协同损失函数,实现了不同合成域之间雨纹信息的知识迁移,提高了双分支图像去雨网络对于不同合成域含雨图像的去雨能力。
3)本发明首次提出了一种针对真实域含雨图像的伪标签生成方法,构建了面向真实域的跨域协同学习,实现了合成域和真实域之间雨纹信息的知识迁移,提高了双分支图像去雨网络阵对于真实域含雨图像的去雨能力。
附图说明
图1为本发明基于跨域协同学习的图像去雨方法的流程图。
图2为本发明基于跨域协同学习的图像去雨方法的模型图。
图3为合成域和真实域含雨图像,其中图(a)和(b)为第一合成域训练样本集S1中含雨图像,图(c)和(d)为第二合成域训练样本集S2中的含雨图像,图(e)和(f)为真实域训练样本集R中的含雨图像。
图4为两种半监督图像去雨算法SIRR和Syn2Real在真实域含雨图像样本上与本发明提出方法的对比实验结果图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面对本发明实施方式作进一步地详细描述。
结合图1,一种基于跨域协同学习的图像去雨方法,包括以下步骤:
步骤1、采集N张真实环境下含雨图像,进行归一化处理,将像素大小统一为h×w,作为真实域训练样本集R,100<N<10000,选择Rain200L合成图像去雨数据中的N张图像,进行归一化处理,将像素大小统一为h×w,作为第一合成域训练样本集S1,选择Rain1200合成图像去雨数据中的N张图像,进行归一化处理,将像素大小统一为h×w,作为第二合成域训练样本集S2,转入步骤2。
步骤2、利用多尺度特征融合模块代替基本残差模块中的卷积层,并加入注意力机制,构建多尺度注意力残差模块,并基于多尺度注意力残差模块搭建双分支图像去雨网络模型,具体如下:
通过局部最大池化方法获取输入图像的三个尺度分支,得到低级输入特征,每个分支采用相同的卷积网络对不同尺度的低级输入特征进行特征映射,提取高级语义特征。通过多分支跨尺度信息融合方法,将不同分支之间的低级输入特征和高级语义特征进行跨尺度连接,通过特征级联的方式对多尺度特征进行融合,得到多尺度融合特征。
多尺度特征融合模块具体表示如下,使用局部最大池化的方法获取不同尺度的图像,构建不同尺度的特征提取分支,如下式(1)所示:
其中,S1是第一合成域训练样本集;K是使用的最大尺度;Pk(·)是局部最大池化函数,函数中卷积核大小为k×k,k为步长;是指输出的尺度的深度特征;K的取值是2的幂函数,故相邻尺度分支之间的大小相差2倍。
通过局部最大池化方法获取3个不同尺度的分支后,对3个不同尺度分支的图像同时进行3×3卷积操作提取特征,得到不同尺度输入图像的高级语义特征;在每个尺度分支中,将高级语义特征与相邻分支的低级输入特征进行跨尺度连接,如式(2)所示:
其中,为当k=1时对应的值。Hn(·)是使用3×3卷积核操作之后的n组非线性激活函数;表示使用3×3卷积核操作之后得到的特征;Uk(·)表示具有k×因子的上采样操作函数;F(·)表示特征通道层面的融合函数;C(·)特征级联函数,k为步长。
然后通过特征级联的方式对三个跨尺度特征进行融合,如式(3)所示:
其中,Z是所提出的多尺度融合连接之后的卷积块输出,F(·)表示特征通道层面的融合函数,C(·)特征级联函数。
利用多尺度特征融合模块代替基本残差模块中的卷积层,并加入注意力机制,获得多尺度注意力残差模块,通道注意力机制主要用于筛选两个多尺度融合模块的特征,增大有效特征,减少冗余特征带来的计算量,注意力机制操作具体如表达式(4)所示:
Z′=SE(Z) (4)
其中,Z表示第二个多尺度特征融合模块的输出,Z′表示通道注意力机制SE的输出,SE(·)表示SE操作。
通过将输入的图像与通道注意力机制SE输出的特征进行跳跃连接,与多尺度特征融合模块构成残差结构;
MSARB1=Res(S1) (5)
其中,S1是第一合成域训练样本集,MSARB1表示第一个多尺度注意力残差模块的输出,Res(·)为残差网络结构。
连续连接H个多尺度注意力残差模块,10≤H≤12,得到第H个多尺度注意力残差模块的输出结果为MSARBH,将输入的样本图像与其进行跳跃连接,构建单分支图像去雨网络。随后,由两个单分支图像去雨网络搭建双分支图像去雨网络模型。
进一步地,H优选10。
步骤3、利用面向合成领域的跨域协同学习策略,基于第一合成域训练样本集S1和第二合成域训练样本集S2训练双分支图像去雨网络模型,得到初始双分支图像去雨网络模型,以减少不同合成领域雨纹信息分布差异对于双分支图像去雨模型去雨效果的影响,转入步骤4。
针对双分支图像去雨网络模型中第一个分支网络的协同学习策略如下:
将第一合成域训练样本集S1中图像输入双分支图像去雨网络模型中,第一个分支网络的输出结果为第二个分支网络的输出结果为将第二合成域训练样本集S2中图像输入双分支图像去雨网络模型中,第一个分支网络的输出结果为第二个分支网络的输出结果为通过构建损失函数L1实现第一个分支网络的协同学习,损失函数L1如公式(6)所示:
其中,|…|1表示为机器学习中L1损失函数。
其中,|…|1表示为机器学习中L1损失函数。
针对双分支图像去雨网络模型中第二个分支网络的协同学习策略如下:
将第一合成域训练样本集S1中图像输入双分支图像去雨网络模型中,第一个分支网络的输出结果为第二个分支网络的输出结果为将第二合成域训练样本集S2中图像输入双分支图像去雨网络模型中,第一个分支网络的输出结果为第二个分支网络的输出结果为通过构建损失函数L2实现第二个分支网络的协同学习,损失函数L2如公式(9)所示:
其中,|…|1表示为机器学习中L1损失函数。
其中,|…|1表示为机器学习中L1损失函数。
步骤4、利用面向真实领域的跨域学习策略,基于真实域训练样本集R训练初始双分支图像去雨网络模型以降低真实领域和合成领域雨纹信息分布差异对于双分支图像去雨模型去雨表现的影响;当达到预定的训练次数E时,获得训练好的双分支图像去雨网络模型,转入步骤5;否则返回步骤3。
构建面向真实领域的跨域学习策略,需要先设计真实域中含雨图像的伪标签生成方法,具体如下:
获得真实域训练样本集R中的真实含雨图像的伪标签信息后,通过构建损失函数L3来训练初始双分支图像去雨网络模型,使得网络模型对于雨纹信息的学习能力从合成域逐步迁移到真实域,损失函数L3如公式(15)所示:
其中,|…|1表示为机器学习中L1损失函数。
其中双分支图像去雨网络模型的整体训练损失函数Ltotal如公式(17)所示:
Ltotal=L1+L2+λRL3 (17)
其中,λR是一个超参数,用来平衡合成域损失函数和真实域损失函的比重。
步骤5、采集M张真实环境下含雨图像,100<M<10000,分别通过归一化处理,得到像素大小为h×w的M张真实含雨图像,构成测试样本集;
步骤6、将测试样本集中的真实含雨图像输入到训练好的双分支图像去雨网络模型,去除真实含雨图像中的雨纹信息。
实施例1
结合图1和图2,本发明所述的一种基于跨域协同学习的图像去雨方法,步骤如下:
步骤1、采集1800张真实环境下含雨图像,进行归一化处理,将像素大小统一为384×384,作为真实域训练样本集R,选择Rain200L合成图像去雨数据中的1800张图像,进行归一化处理,将像素大小统一为384×384,作为第一合成域训练样本集S1,选择Rain1200合成图像去雨数据中的1800张图像,进行归一化处理,将像素大小统一为384×384,作为第二合成域训练样本集S2,训练样本集如图3所示,转入步骤2。
步骤2、利用多尺度特征融合模块代替基本残差模块中的卷积层,并加入注意力机制,构建多尺度注意力残差模块,并基于多尺度注意力残差模块搭建双分支图像去雨网络模型,具体如下:
通过局部最大池化方法获取输入图像的三个尺度分支,得到低级输入特征,每个分支采用相同的卷积网络对不同尺度的低级输入特征进行特征映射,提取高级语义特征;通过多分支跨尺度信息融合方法,将不同分支之间的低级输入特征和高级语义特征进行跨尺度连接,通过特征级联的方式对多尺度特征进行融合。
多尺度特征融合模块的具体表示如下所述。使用局部最大池化的方法获取不同尺度的图像,构建不同尺度的特征提取分支,如下式(1)所示:
其中,S1是第一合成域训练样本集;K是使用的最大尺度;Pk(·)是局部最大池化函数,函数中卷积核大小为k×k,k为步长;是指输出的尺度的深度特征;K的取值是2的幂函数,故相邻尺度分支之间的大小相差2倍。
通过局部最大池化方法获取3个不同尺度的分支后,对3个不同尺度分支的图像同时进行3×3卷积操作提取特征,得到不同尺度输入图像的高级语义特征;在每个尺度分支中,将高级语义特征与相邻分支的低级输入特征进行跨尺度连接,如式(2)所示:
其中,为当k=1时对应的值。Hn(·)是使用3×3卷积核操作之后的n组非线性激活函数;表示使用3×3卷积核操作之后得到的特征;Uk(·)表示具有k×因子的上采样操作函数;F(·)表示特征通道层面的融合函数;C(·)特征级联函数,k为步长。
然后通过特征级联的方式对三个跨尺度特征进行融合,如式(3)所示:
其中,Z是所提出的多尺度融合连接之后的卷积块输出,F(·)表示特征通道层面的融合函数,C(·)特征级联函数。
利用多尺度特征融合模块代替基本残差模块中的卷积层,并加入注意力机制,获得多尺度注意力残差模块,通道注意力机制主要用于筛选两个多尺度融合模块的特征,增大有效特征,减少冗余特征带来的计算量,注意力机制操作具体如表达式(4)所示:
Z′=SE(Z) (4)
其中,Z表示第二个多尺度特征融合模块的输出,Z′表示通道注意力机制SE的输出,SE(·)表示SE操作。
通过将输入的样本图像与通道注意力机制SE输出的特征进行跳跃连接,与多尺度特征融合模块构成残差结构;
MSARB1=Res(S1) (5)
其中,S1是第一合成域训练样本集,MSARB1表示第一个多尺度注意力残差模块的输出,Res(·)为残差网络结构。
连续连接10个多尺度注意力残差模块,得到第10个多尺度注意力残差模块的输出结果为MSARB10,将输入的样本图像与其进行跳跃连接,构建单分支图像去雨网络。随后,由两个单分支图像去雨网络搭建双分支图像去雨网络模型。
步骤3、利用面向合成领域的跨域协同学习策略,基于第一合成域训练样本集S1和第二合成域训练样本集S2训练双分支图像去雨网络模型,得到初始双分支图像去雨网络模型,以减少不同合成领域雨纹信息分布差异对于双分支图像去雨模型去雨效果的影响,转入步骤4。
针对双分支图像去雨网络模型中第一个分支网络的协同学习策略如下:
将第一合成域训练样本集S1中图像输入双分支图像去雨网络模型中,第一个分支网络的输出结果为第二个分支网络的输出结果为将第二合成域训练样本集S2中图像输入双分支图像去雨网络模型中,第一个分支网络的输出结果为第二个分支网络的输出结果为通过构建损失函数L1实现第一个分支网络的协同学习,损失函数L1如公式(6)所示:
其中,|…|1表示为机器学习中L1损失函数。
其中,|…|1表示为机器学习中L1损失函数。
针对双分支图像去雨网络模型中第二个分支网络的协同学习策略如下:
将第一合成域训练样本集S1中图像输入双分支图像去雨网络模型中,第一个分支网络的输出结果为第二个分支网络的输出结果为将第二合成域训练样本集S2中图像输入双分支图像去雨网络模型中,第一个分支网络的输出结果为第二个分支网络的输出结果为通过构建损失函数L2实现第二个分支网络的协同学习,损失函数L2如公式(9)所示:
其中,|…|1表示为机器学习中L1损失函数。
其中,|…|1表示为机器学习中L1损失函数。
步骤4、利用面向真实领域的跨域学习策略,基于真实域训练样本集R训练初始双分支图像去雨网络模型以降低真实领域和合成领域雨纹信息分布差异对于双分支图像去雨模型去雨表现的影响;当达到预定的训练次数E时,获得训练好的双分支图像去雨网络模型,转入步骤5;否则返回步骤3。
构建面向真实领域的跨域学习策略,需要先设计真实域中含雨图像的伪标签生成方法,具体如下:
获得真实域训练样本集R中的真实含雨图像的伪标签信息后,通过构建损失函数L3来训练初始双分支图像去雨网络模型,使得网络模型对于雨纹信息的学习能力从合成域逐步迁移到真实域。损失函数L3如公式(15)所示:
其中,|…|1表示为机器学习中L1损失函数。
其中双分支图像去雨网络模型的整体训练损失函数Ltotal如公式(17)所示:
Ltotal=L1+L2+λRL3 (17)
其中,λR是一个超参数,用来平衡合成域损失函数和真实域损失函的比重。
步骤5、采集800张真实环境下含雨图像,分别通过归一化处理,得到像素大小为384×384的800张真实含雨图像,构成测试样本集;
步骤6、将测试样本集中的真实含雨图像输入到训练好的双分支图像去雨网络模型,去除真实含雨图像中的雨纹信息。
本发明方法在Nvidia 2080Ti GPU主机上采用python编程语言和keras框架语言搭建网络框架进行相关实验。在多尺度特征融合模块中使用ReLU激活函数,在SE注意力机制中使用sigmoid激活函数。在网络训练的过程中,输入图像的大小被归一化为384x384,多尺度注意力残差模块被设置为10个,卷积层特征图被设置为64个。网络的学习率被设置为0.0001,权值衰减系数被设置为0.5。在真实域和合成域训练样本集上共训练80次,得到双分支图像去雨网络模型。
为了更好地体现本发明提出算法对于真实含雨图像去雨效果,本小节设计了模型去雨可视化实验。通过可视化每个图像去雨模型的已去雨图像,利用视觉判断每种模型对于真实图像去雨图像的去雨表现。采用目前最新的两种半监督去雨去雨算法SIRR和Syn2Real作为对比算法,来评估提出模型的去雨效果。每种去雨模型在真实含雨图像上的去雨效果如图4所示。由图4可以看出,由于真实含雨图像与合成含雨图像存在领域偏移,进而导致三种半监督真实图像去雨模型都没有彻底去除雨纹信息。但是相比较其他两种真实图像去雨算法,本发明提出的基于跨域协同学习的图像去雨模型在真实含雨图像上具有更好的去雨效果,比如图4中第一张图中右侧柱子上的雨纹信息,其他两种真实图像算法都没有有效去除,而本发明提出的图像去雨算法进行了有效的去除,进而表明设计的去雨网络具有很强的泛化能力。
综上所述,本发明能提高了图像去雨模型对于不同领域样本雨纹信息的学习能力,减少了不同领域雨纹信息分布差异对于图像去雨模型去雨表现的影响,增强了图像去雨模型的泛化能力和去雨效果。
Claims (6)
1.一种基于跨域协同学习的图像去雨方法,其特征在于,包括以下步骤:
步骤1、采集N张真实环境下含雨图像,进行归一化处理,将像素大小统一为h×w,作为真实域训练样本集R,100<N<10000,选择Rain200L合成图像去雨数据中的N张图像,进行归一化处理,将像素大小统一为h×w,作为第一合成域训练样本集S1,选择Rain1200合成图像去雨数据中的N张图像,进行归一化处理,将像素大小统一为h×w,作为第二合成域训练样本集S2,转入步骤2;
步骤2、基于多尺度注意力残差模块构建双分支图像去雨网络模型,转入步骤3;
步骤3、利用面向合成领域的跨域协同学习策略,基于第一合成域训练样本集S1和第二合成域训练样本集S2训练双分支图像去雨网络模型,得到初始双分支图像去雨网络模型,转入步骤4:
针对双分支图像去雨网络模型中第一个分支网络的协同学习策略如下:
将第一合成域训练样本集S1中图像输入双分支图像去雨网络模型中,第一个分支网络的输出结果为第二个分支网络的输出结果为将第二合成域训练样本集S2中图像输入双分支图像去雨网络模型中,第一个分支网络的输出结果为第二个分支网络的输出结果为通过构建损失函数L1实现第一个分支网络的协同学习,损失函数L1如下:
其中,|...|1表示为机器学习中L1损失函数;
其中,|...|1表示为机器学习中L1损失函数;
针对双分支图像去雨网络模型中第二个分支网络的协同学习策略如下:
将第一合成域训练样本集S1中图像输入双分支图像去雨网络模型中,第一个分支网络的输出结果为第二个分支网络的输出结果为将第二合成域训练样本集S2中图像输入双分支图像去雨网络模型中,第一个分支网络的输出结果为第二个分支网络的输出结果为通过构建损失函数L2实现第二个分支网络的协同学习,损失函数L2如下:
其中,|...|1表示为机器学习中L1损失函数;
其中,|...|1表示为机器学习中L1损失函数;
步骤4、利用面向真实领域的跨域学习策略,基于真实域训练样本集R训练初始双分支图像去雨网络模型;当达到预定的训练次数E时,获得训练好的双分支图像去雨网络模型,转入步骤5;否则返回步骤3;
步骤5、采集M张真实环境下含雨图像,100<M<10000,分别通过归一化处理,得到像素大小为h×w的M张真实含雨图像,构成测试样本集;
步骤6、将测试样本集中的真实含雨图像输入到训练好的双分支图像去雨网络模型,去除真实含雨图像中的雨纹信息。
2.根据权利要求1所述的一种基于跨域协同学习的图像去雨方法,其特征在于,步骤2中,多尺度注意力残差模块的构建方法如下:
通过局部最大池化方法获取图像的三个尺度分支,得到低级输入特征,每个分支采用相同的卷积网络对不同尺度的低级输入特征进行特征映射,提取高级语义特征;通过多分支跨尺度域信息融合方法,将不同分支之间的低级输入特征和高级语义特征进行跨尺度连接,提取到三个分支的跨尺度特征之后,通过特征级联的方式对三个跨尺度特征进行融合,得到多尺度融合特征;利用多尺度特征融合模块代替基本残差模块中的卷积层,并加入注意力机制,构建多尺度注意力残差模块。
3.根据权利要求2所述的一种基于跨域协同学习的图像去雨方法,其特征在于,步骤2中,双分支图像去雨网络模型的构建方法如下:
连续连接H个多尺度注意力残差模块,10≤H≤12,得到第H个多尺度注意力残差模块的输出结果为MSARBH,将输入的样本图像与其进行跳跃连接,构建单分支图像去雨网络;由两个单分支图像去雨网络搭建双分支图像去雨网络模型。
4.根据权利要求3所述的一种基于跨域协同学习的图像去雨方法,其特征在于,H=10。
6.根据权利要求5所述的一种基于跨域协同学习的图像去雨方法,其特征在于,步骤4中,针对双分支图像去雨网络模型构建的面向真实领域的跨域学习策略如下:
获得真实域训练样本集R中的真实含雨图像的伪标签信息后,通过构建损失函数L3来训练初始双分支图像去雨网络模型,使得网络模型对于雨纹信息的学习能力从合成域逐步迁移到真实域,损失函数L3如下式:
其中,|...|x表示为机器学习中L1损失函数;
双分支图像去雨网络模型的整体训练损失函数Ltotal如式:
Ltotal=L1+L2+λRL3
其中,λR是一个超参数,用来平衡合成域损失函数和真实域损失函数的比重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110742059.8A CN113450278B (zh) | 2021-06-30 | 2021-06-30 | 一种基于跨域协同学习的图像去雨方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110742059.8A CN113450278B (zh) | 2021-06-30 | 2021-06-30 | 一种基于跨域协同学习的图像去雨方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113450278A CN113450278A (zh) | 2021-09-28 |
CN113450278B true CN113450278B (zh) | 2022-02-18 |
Family
ID=77814638
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110742059.8A Active CN113450278B (zh) | 2021-06-30 | 2021-06-30 | 一种基于跨域协同学习的图像去雨方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113450278B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114677306B (zh) * | 2022-03-29 | 2022-11-15 | 中国矿业大学 | 一种基于边缘信息引导的上下文聚合图像去雨方法 |
CN114972105B (zh) * | 2022-06-10 | 2024-03-29 | 江苏海洋大学 | 一种基于多尺度融合残差网络的单幅图像去雨方法 |
CN116681625B (zh) * | 2023-07-04 | 2024-02-02 | 广州工程技术职业学院 | 基于多尺度对比学习的无监督图像去雨方法、装置及终端 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360155A (zh) * | 2018-08-17 | 2019-02-19 | 上海交通大学 | 基于多尺度特征融合的单帧图像去雨方法 |
CN111462013A (zh) * | 2020-04-03 | 2020-07-28 | 西安交通大学 | 一种基于结构化残差学习的单图去雨方法 |
CN112907479A (zh) * | 2021-03-05 | 2021-06-04 | 西安电子科技大学 | 基于注意力机制的残差单幅图像去雨方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10685429B2 (en) * | 2017-02-22 | 2020-06-16 | Siemens Healthcare Gmbh | Denoising medical images by learning sparse image representations with a deep unfolding approach |
CN110651310B (zh) * | 2017-04-05 | 2023-09-08 | 卡内基梅隆大学 | 估计对象密度和/或流量的深度学习方法及相关方法和软件 |
CN110728640B (zh) * | 2019-10-12 | 2023-07-18 | 合肥工业大学 | 一种双通道单幅图像精细去雨方法 |
CN110992275B (zh) * | 2019-11-18 | 2023-05-23 | 天津大学 | 一种基于生成对抗网络的细化单幅图像去雨方法 |
-
2021
- 2021-06-30 CN CN202110742059.8A patent/CN113450278B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109360155A (zh) * | 2018-08-17 | 2019-02-19 | 上海交通大学 | 基于多尺度特征融合的单帧图像去雨方法 |
CN111462013A (zh) * | 2020-04-03 | 2020-07-28 | 西安交通大学 | 一种基于结构化残差学习的单图去雨方法 |
CN112907479A (zh) * | 2021-03-05 | 2021-06-04 | 西安电子科技大学 | 基于注意力机制的残差单幅图像去雨方法 |
Non-Patent Citations (2)
Title |
---|
Single-Image Deraining via Recurrent Residual Multiscale Networks;Yupe Zheng et al;《IEEE Transactions on Neural Networks and Learning Systems》;20201230;1-14页 * |
基于深度学习的非局部注意力增强网络图像去雨算法研究;盖杉等;《电子学报》;20201031;第48卷(第10期);1989-1908页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113450278A (zh) | 2021-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113450278B (zh) | 一种基于跨域协同学习的图像去雨方法 | |
CN110135366B (zh) | 基于多尺度生成对抗网络的遮挡行人重识别方法 | |
Zhou et al. | Uncertainty-aware consistency regularization for cross-domain semantic segmentation | |
CN111340738B (zh) | 一种基于多尺度渐进融合的图像去雨方法 | |
Zhou et al. | FSAD-Net: feedback spatial attention dehazing network | |
CN112884758B (zh) | 一种基于风格迁移方法的缺陷绝缘子样本生成方法及系统 | |
Yin et al. | Visual attention dehazing network with multi-level features refinement and fusion | |
Fu et al. | Twice mixing: a rank learning based quality assessment approach for underwater image enhancement | |
CN112488025A (zh) | 基于多模态特征融合的双时相遥感影像语义变化检测方法 | |
CN114638768B (zh) | 一种基于动态关联学习网络的图像去雨方法、系统及设备 | |
CN114004766A (zh) | 一种水下图像增强方法、系统和设备 | |
Zhang et al. | Dense haze removal based on dynamic collaborative inference learning for remote sensing images | |
CN116935043A (zh) | 一种基于多任务生成对抗网络的典型地物遥感图像生成方法 | |
Kan et al. | A GAN-based input-size flexibility model for single image dehazing | |
Zheng et al. | Double-branch dehazing network based on self-calibrated attentional convolution | |
Ran et al. | RGAN: Rethinking generative adversarial networks for cloud removal | |
Zhang et al. | LiteEnhanceNet: A lightweight network for real-time single underwater image enhancement | |
Su et al. | Physical model and image translation fused network for single-image dehazing | |
Yin et al. | Adams-based hierarchical features fusion network for image dehazing | |
Mi et al. | Dense residual generative adversarial network for rapid rain removal | |
Zhang et al. | MFFE: multi-scale feature fusion enhanced net for image dehazing | |
CN113962332B (zh) | 基于自优化融合反馈的显著目标识别方法 | |
Wang et al. | A multi-scale attentive recurrent network for image dehazing | |
Qiao et al. | Mutual channel prior guided dual-domain interaction network for single image raindrop removal | |
Mandal et al. | Neural architecture search for image dehazing |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |