CN114372929A - 一种基于模型优化和压缩的图像快速去雾方法及装置 - Google Patents
一种基于模型优化和压缩的图像快速去雾方法及装置 Download PDFInfo
- Publication number
- CN114372929A CN114372929A CN202111643880.0A CN202111643880A CN114372929A CN 114372929 A CN114372929 A CN 114372929A CN 202111643880 A CN202111643880 A CN 202111643880A CN 114372929 A CN114372929 A CN 114372929A
- Authority
- CN
- China
- Prior art keywords
- convolution
- defogging
- aod
- net
- model
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000006835 compression Effects 0.000 title claims abstract description 9
- 238000007906 compression Methods 0.000 title claims abstract description 9
- 238000005457 optimization Methods 0.000 title claims abstract description 8
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 37
- 238000013138 pruning Methods 0.000 claims abstract description 33
- 240000007651 Rubus glaucus Species 0.000 claims abstract description 25
- 235000011034 Rubus glaucus Nutrition 0.000 claims abstract description 25
- 235000009122 Rubus idaeus Nutrition 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 8
- 238000009966 trimming Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 22
- 238000004364 calculation method Methods 0.000 abstract description 4
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000013135 deep learning Methods 0.000 description 12
- 238000010586 diagram Methods 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 230000001133 acceleration Effects 0.000 description 3
- 238000000149 argon plasma sintering Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000002834 transmittance 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
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公布一种基于模型优化和压缩的图像快速去雾方法及装置，它涉及图像快速去雾领域。去雾装置包括：摄像头、树莓派以及显示屏。去雾方法是对一体化去雾网络AOD‑Net的优化，包括：首先将AOD‑Net的五层卷积神经网络减少到四层，减少部分卷积核尺寸，并用深度可分离卷积代替其中部分普通卷积；对改进的AOD‑Net继续采用剪枝算法进一步优化网络结构；最后将优化后的模型转化为ONNX（开放式神经网络交换格式），使用Opencv调用。本发明通过以上方法优化AOD‑Net网络结构，在保持较好的去雾效果的同时极大减少了计算量。在计算能力有限的嵌入式设备树莓派上实现了实时去雾，能够应用于行车记录仪、户外监控等系统中。
Description
技术领域
本发明涉及图像快速去雾领域，尤其涉及一种基于模型优化和压缩的图像快速去雾方法及装置，包括基于深度学习的图像去雾算法以及模型压缩与加速领域的剪枝算法。
背景技术
雾霾天气拍摄的图像呈现颜色偏移、色彩丢失、细节模糊等现象，这些退化现象严重限制了后续图像分类，目标检测等技术的实际应用。因此为了获得清晰的图片来保障技术的正常运行，大量研究人员开始关注图像去雾技术。
在早期的图像去雾领域中，一般采用图像增强的去雾方法，通过改变图像亮度对比度，能够让图片看起来更加清晰。例如：直方图均衡化，Retinex算法等。此类方法适用于实时性高的场合，且应用范围广，但去雾效果质量较差。随着去雾算法的不断发展，出现基于物理模型的去雾算法。该类算法通过估算透射率和大气光系数，最后利用大气光散射模型逆向求解无雾图像。基于物理模型的算法依赖于先验知识，存在一定的局限性。例如何凯明等人通过对大量有雾和无雾图像进行统计分析后提出暗通道先验理论，很好的估计出透射率图和大气光值，但对于雪地、白色背景墙、天空等区域的去雾效果并不好。
基于深度学习的去雾算法通过对大气光散射模型的分析，通过数据训练的方法构建神经网络模型，最终恢复出无雾图像。LI等人提出了一种用CNN（卷积神经网络）构建的AOD-Net模型，AOD-Net是在大气散射模型基础上完成的，通过轻量级CNN直接生成清晰图像。虽然AOD-Net的去雾效果较好，但计算量较大，难以在嵌入式设备上实现实时去雾。
发明内容
本发明提供了一种基于模型优化和压缩的图像快速去雾方法及装置，目的在于通过改进一种去雾效果较好的深度学习算法，在保持良好的去雾效果的同时，能够在体积小、成本低、计算能力有限的嵌入式设备中实现实时性，能够应用在行车记录仪，户外监控等系统中。
本发明所采用的技术方案是：一种基于优化和压缩的图像去雾方法，在去雾装置树莓派中对图像进行实时去雾，该方法是对AOD-Net的优化，包括：
将AOD-Net的五层卷积神经网络减少到四层，减少部分卷积核的尺寸，并用深度可分离
卷积代替其中部分普通卷积；
对改进的AOD-Net采用剪枝算法进一步优化AOD-Net的网络结构；
将优化后的模型转化为ONNX格式，部署在树莓派中，使用Opencv调用；
一种去雾装置包括：
摄像头，用于获取视频图像；
树莓派，利用训练好的神经网络，实时的对传入的视频流逐帧的去雾；
屏幕，用于显示清晰画面。
进一步，所述将AOD-Net的五层卷积神经网络减少到四层，减少部分卷积核尺寸，并用深度可分离卷积代替其中部分普通卷积具体为：
AOD-Net中的Conv1仍然使用1*1卷积核以及普通的卷积方式；
Conv2使用深度可分离卷积代替普通卷积，将Conv1和Conv2的特征图拼接在一起送入下一层；
Conv3中，用3*3的卷积核提取特征，使用深度可分离卷积代替普通卷积，最后将来自Conv1，Conv2，Conv3的特征拼接在一起，送入Conv4；
在Conv4用1*1的卷积核取代3*3的卷积核提取特征。
进一步，所述对改进的AOD-Net采用剪枝算法进一步优化AOD-Net结构具体步骤为：
步骤1，分别移除Conv1和Conv2中权值和最小的1个卷积核，移除Conv3中权值和最小的2个卷积核，对剪枝后的模型进行微调；
步骤2，微调后的模型继续移除Conv1中权值和最小的1个卷积核、Conv2中权值和最小的1个卷积核以及移除Conv3中权值和最小的2个卷积核，对剪枝后的模型再次微调。
最终我们优化的AOD-Net模型中Conv1移除2个卷积核，Conv2移除2个卷积核，Conv3移除4个卷积核。
本发明提供的技术方案的有益效果是：为了减少去雾设备的成本以及实现去雾设备小型化，大多选择将去雾算法部署在FPGA（可编程门阵列）中，虽然能够获得较高的实时性，但仍然使用基于物理模型的去雾算法，去雾效果较差。目前基于深度学习的去雾算法取得了显著的去雾效果，但将基于深度学习的去雾算法部署在FPGA是有难度的。为了能够快速部署去雾模型，本发明选择将基于深度学习的去雾算法部署在树莓派中，通过优化网络结构，在保证去雾效果的同时，实现了较高的实时性，能够达到40帧/s的速度。
附图说明
图1为本发明整体结构图；
图2是本发明打开上盖后的结构图；
图3为优化后AOD-Net的网络结构；
图4是去雾效果图。
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。
在雾霾天气下，空气中悬浮大量微小颗粒，这导致能见度下降。本发明实施例的目的在于提供一种可以实现实时去雾的方法及装置，能够应用在雾天工作的行车记录仪、户外监控等系统中。
为了达到以上目的，需要去雾设备小型化。目前大多数去雾算法是基于FPGA实现，因其可并行处理的特性，能够高效实现图像去雾算法。但是部署的算法一般是基于物理模型的算法，去雾效果较差。如果将基于深度学习的去雾算法移植到FPGA，面临着开发时间长、需要定制等问题。而树莓派实质上是一个基于ARM架构的小型嵌入式计算机，能够完成PC的任务和应用。在树莓派中部署深度学习算法具备简单、方便、成本低等特点，因此将深度学习算法部署在树莓派中成为一个不错的选择。但是树莓派计算能力有限，移植基于深度学习的去雾算法在树莓派上面临着去雾效率低的问题。本发明实施例将优化后的AOD-Net移植到树莓派上，去雾速度能够达到40帧/s的速度，实时性较高，能够胜任对实时性要求较高的场景。
实施例1
针对原始的AOD-Net计算量大，无法在树莓派实现实时性的问题。本发明实施例首先优化其网络结构，减小了AOD-Net网络的深度和卷积核尺寸，用深度可分离卷积代替了部分普通卷积，其中深度可分离卷积由谷歌提出，是普通卷积的改进，能够有效减少计算量；对改进的模型结构使用剪枝算法进一步优化，最后将pytorch框架下的模型转化为ONNX格式部署在树莓派上，下面结合具体的实例对本发明实施例提供的一种基于模型优化和压缩的图像快速去雾方法及装置进行详细地介绍，详见下文描述。
一、优化AOD-Net的网络结构
其中，AOD-Net是基于大气光散射模型进行设计：
J(x)=K(x)I(x)-K(x)+b （1）
其中，b是默认值为1的恒定偏量，I(x)是输入的退化图像，J(x)是输出的清晰图像，K(x)为模型估计的参数。原作者构建5层卷积神经网络作为估计模块，输入退化图像，输出K(x)的估计值，然后根据公式(1)，生成清晰图像。
其中，K(x)估计模块采用不同尺度的卷积核，每个卷积层含有3个卷积核，Conv1-Conv5依次使用尺寸为1*1，3*3，5*5，7*7，3*3的卷积核。原作者将不同尺度的卷积核形成的特征图拼接在一起，其中Conv3拼接了Conv1，Conv2的特征图，Conv4拼接了Conv2，Conv3的特征图，Conv5拼接了Conv1，Conv2，Conv3，Conv4的特征图。
本发明实施例在K(x)估计模块的基础上，对网络结构做了优化。如附图 3所示，本发明实施例采用4层卷积神经网络取代原始的五层卷积神经网络。由于Conv1采用1*1卷积核，计算量本身很少，而深度可分离卷积要求输入通道必须和输入通道相同，如果采用深度可分离卷积进一步减少计算量，后续无法使用剪枝算法优化，因此Conv1层不做任何改变。Conv2用深度可分离卷积取代普通卷积，接下来将Conv1和Conv2的特征图拼接在一起送入下一层。在Conv3层中，用3*3的卷积核提取特征，采用深度可分离卷积代替普通卷积。类似的将来自Conv1，Conv2，Conv3的特征图拼接在一起，构成通道为12的特征图。Conv4用3个1*1的卷积核取代3*3的卷积核提取特征，最终得到K(x)的估计值。同样利用公式(1)恢复出清晰图像，优化后的AOD-Net计算量仅为原始AOD-Net的1/6。
二、使用剪枝算法优化模型结构
剪枝算法是模型压缩与加速领域的成员之一，是降低网络复杂度和过拟合的有效方法，能够有效减少计算量。剪枝算法可分为结构化剪枝和非结构化剪枝。非结构化剪枝移除卷积核的某个参数，剪枝粒度小，会导致稀疏性的不规则情况，这也限制了非结构化剪枝的发展。结构化剪枝旨在修剪整个卷积核，修剪的粒度大，摆脱了非结构化剪枝的限制。剪枝算法主要针对图像识别领域，本发明实施例将结构化剪枝应用到AOD-Net去雾网络中。
通过计算每个卷积核中所有权值和来评价卷积核的重要性，权值和越大卷积核相对越重要，权值和小的卷积核相较于其他卷积核会产生较弱激活的特征图，越不重要。与随机修剪或者修剪过大的卷积核相比，修剪权值和小的卷积核的效果更好。
其中，卷积核的重要性指标权值和定义为：
其中，为第i个卷积层的输入通道数，表示为第a个卷积核通道分量。首先计算卷积核通道分量的绝对值，将每个通道分量的值相加得到权值和。通过移除权值和较小的卷积核达到压缩与加速的目的。
该方法首先对于每一个卷积核，计算其绝对权值和，然后对每一层分别进行排序，将对应最小值的卷积核修剪，同时将下一层对应的卷积核通道也相应移除。最后为第i层和i+1层创建新的卷积核矩阵，并将剩余的卷积核复制到剪枝后的模型中。
该方法修剪后的模型占用空间减少，这有利于部署在资源受限的嵌入式系统中。本发明实施例使用该剪枝算法对AOD-Net进行优化。
三、将pytorch框架下的模型转化为ONNX格式
其中ONNX格式，它是不同深度学习框架相互转换的中间格式，可以使用Opencv调用。将pytorch框架下的模型转化为ONNX格式，在树莓派中获得高速率的模型部署，进一步增加AOD-Net的去雾效率。
四、将优化后的模型部署在嵌入式设备
如附图1和2所示，为本发明结构示意图，首先摄像头获取视频流，并传入树莓派中，在树莓派中利用优化的AOD-Net模型，能够实时的对传入的视频流逐帧的去雾，通过树莓派的外接屏幕，最后将清晰视频实时显示。
实施例2
下面结合具体的实例对实施例1中的方案进行进一步地介绍，详见下文描述：
一、优化AOD-Net+剪枝
缩小AOD-Net的网络深度和卷积核尺寸。其中Conv1不做任何改变。Conv2用深度可分离卷积取代普通卷积。将Conv1和Conv2的特征图拼接在一起送入下一层。在Conv3中，用3*3的卷积核提取特征，采用深度可分离卷积。类似的，将来自Conv1，Conv2，Conv3的特征拼接在一起，构成通道为12的特征图。Conv4用3个1*1的卷积核取代3*3的卷积核提取特征。对优化后的模型重新训练，进行训练的学习率lr=0.0001，整个网络通过自适应动量估计（Adam）进行端到端训练。数据集为NYU2，权重衰减为0.001，Batch size（一次训练所抓取的数据样本数量）设置为8，Epoch（迭代次数）设置为10。训练后对AOD-Net进行剪枝，计算每一层卷积核的权值和，根据权值和大小进行排序，将权值和相对较小的卷积核移除。Conv1移除1个卷积核，Conv2移除1个卷积核，Conv3需要将2个卷积核移除。对剪枝后的模型微调，进行微调的学习率lr=0.0001，整个网络通过自适应动量估计（Adam）进行端到端训练。数据集为NYU2，权重衰减为0.0001，Batch size设置为8，Epoch设置为2。对微调后的模型再次剪枝，按照剪枝规则，需要将Conv1权值和最小的卷积核移除，Conv2再移除1个卷积核，Conv3移除2个卷积核。用同样的微调策略再次微调，去雾效果如附图4所示。
实施例3
下面结合具体的算例对实施例1和2中的方案进行可行性验证，详见下文描述：
本发明实验选择的树莓派为RaspBerry Pi 4B，使用的是64位4核的ARM Cortex-A72处理器，运行频率为1.5GHz，运行内存4G。采用的编程语言为Python，深度学习框架为PyTorch。测试的60张合成照片，合成加雾集包括：树木草地、建筑物、城市街道、车辆以及行人等场景，且包含了一定的天空区域。
为了评价去雾的效果，去雾结果用峰值信噪比(PSNR)、结构相似性(SSIM)以及对单幅图像的处理时间作为定量评定的测度。PSNR、SSIM越大说明去雾效果越好，去雾时间越少说明去雾效率越高。将优化后的AOD-Net与现有的六种去雾算法做比较，即直方图均衡化、Retinex、暗通道先验去雾、加入导向滤波的暗通道先验去雾、GridDehazeNet以及原始的AOD-Net。表1列出了在输入图像尺寸为320*240下，各算法的去雾效果，测试结果均为将基于深度学习的去雾模型转化为ONNX格式后测得的。
基于图像增强的去雾算法具有良好的实时性，但是去雾效果较差，去雾后的图像会出现失真现象。暗通道先验去雾的效果实时性较好，但在处理包含天空的图像时，处理后的图像出现轻微的色彩异常现象。加入导向滤波的暗通道去雾效果得到了大幅提升，但也增加了算法计算量。基于深度学习的GridDehazeNet和AOD-Net去雾较好，但GridDehazeNet的复杂度较高，模型达到3779kb，远远大于优化后的AOD-Net的1.44kb，不适合部署在树莓派中。AOD-Net的去雾效果较好，相比较而言去雾效率较高。通过优化AOD-Net网络结构后继续使用剪枝算法(以下称为优化网络结构+剪枝)，去雾效果上仅牺牲了较小的代价，在树莓派上够实现40帧/s的去雾速度。
表1
去雾效率和输入尺寸大小有直接的关系，本发明实施例测试了AOD-Net对不同图像的去雾能力，各项数据如表2所示。
随着输入尺寸的增加，去雾效率不断减小。当图像尺寸为400*300时，优化网络结构+剪枝去雾速度达到25帧/s，能够实现实时性。输入图像尺寸为480*360，去雾速度最快能够达到15帧/s，满足一定的实时性要求。
表2
本发明实施例还做了不同硬件平台的速度对比，如表3所示。文献序号1、2以及本方法均使用神经网络的去雾方法。实验结果表明，本方法的处理雾图的速度能够达到40帧/s，远超序号为2的参考文献采用的加速方案，相较于序号为1的参考文献速度提高1.6倍。总体而言，本发明实施例使用的去雾方法在处理速度、去雾效果具有一定优势。
表3
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (3)
1.一种基于模型优化和压缩的图像快速去雾方法，在去雾装置树莓派中，对图像进行快速去雾，该去雾方法是对一体化去雾网络AOD-Net的优化，包括以下步骤：
将AOD-Net的五层卷积神经网络减少到四层，减少部分卷积核尺寸，并用深度可分离卷积代替其中部分普通卷积；
对改进的AOD-Net采用剪枝算法进一步优化AOD-Net的网络结构；
将优化后的模型转化为ONNX格式，部署在树莓派中，使用Opencv调用；
所述一种去雾装置包括：
摄像头，用于获取视频图像；
树莓派，利用训练好的神经网络，实时的对传入的视频流逐帧的去雾；
屏幕，用于显示清晰画面。
2.根据权利要求1所述的将AOD-Net的五层卷积神经网络减少到四层，减少部分卷积核尺寸，并用深度可分离卷积代替其中部分普通卷积具体为：
AOD-Net中的Conv1仍然使用1*1卷积核以及普通的卷积方式；
Conv2使用深度可分离卷积代替普通卷积，将Conv1和Conv2的特征图拼接在一起送入下一层；
Conv3中，用3*3的卷积核提取特征，使用深度可分离卷积代替普通卷积，最后将来自Conv1，Conv2，Conv3的特征拼接在一起，送入Conv4；
在Conv4用1*1的卷积核取代3*3的卷积核提取特征。
3.根据权利要求1所述对改进的AOD-Net采用剪枝算法进一步优化AOD-Net的网络结构具体步骤为：
步骤1，分别移除Conv1和Conv2中权值和最小的1个卷积核，移除Conv3中权值和最小的2个卷积核，对剪枝后的模型进行微调；
步骤2，微调后的模型继续移除Conv1中权值和最小的1个卷积核、Conv2中权值和最小的1个卷积核以及移除Conv3中权值和最小的2个卷积核，对剪枝后的模型再次微调；
最终我们优化的AOD-Net模型中，Conv1移除2个卷积核，Conv2移除2个卷积核，Conv3移除4个卷积核。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111643880.0A CN114372929A (zh) | 2021-12-30 | 2021-12-30 | 一种基于模型优化和压缩的图像快速去雾方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111643880.0A CN114372929A (zh) | 2021-12-30 | 2021-12-30 | 一种基于模型优化和压缩的图像快速去雾方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114372929A true CN114372929A (zh) | 2022-04-19 |
Family
ID=81142428
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111643880.0A Pending CN114372929A (zh) | 2021-12-30 | 2021-12-30 | 一种基于模型优化和压缩的图像快速去雾方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114372929A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114764756A (zh) * | 2022-06-15 | 2022-07-19 | 杭州雄迈集成电路技术股份有限公司 | 去雾模型的量化剪枝方法及系统 |
-
2021
- 2021-12-30 CN CN202111643880.0A patent/CN114372929A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114764756A (zh) * | 2022-06-15 | 2022-07-19 | 杭州雄迈集成电路技术股份有限公司 | 去雾模型的量化剪枝方法及系统 |
| CN114764756B (zh) * | 2022-06-15 | 2022-09-20 | 杭州雄迈集成电路技术股份有限公司 | 去雾模型的量化剪枝方法及系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113052210B (zh) | 一种基于卷积神经网络的快速低光照目标检测方法 | |
| WO2021164234A1 (zh) | 图像处理方法以及图像处理装置 | |
| CN110544213B (zh) | 一种基于全局和局部特征融合的图像去雾方法 | |
| CN110675328B (zh) | 基于条件生成对抗网络的低照度图像增强方法及装置 | |
| CN109493300B (zh) | 基于fpga卷积神经网络的航拍图像实时去雾方法及无人机 | |
| TWI808406B (zh) | 圖像去霧方法和使用圖像去霧方法的圖像去霧設備 | |
| CN110097106A (zh) | 基于深度学习的U-net网络的低照度成像算法及装置 | |
| CN110717921B (zh) | 改进型编码解码结构的全卷积神经网络语义分割方法 | |
| CN110211052A (zh) | 一种基于特征学习的单幅图像去雾方法 | |
| CN112348747A (zh) | 图像增强方法、装置及存储介质 | |
| CN113420794B (zh) | 一种基于深度学习的二值化Faster R-CNN柑橘病虫害识别方法 | |
| CN111079864A (zh) | 一种基于优化视频关键帧提取的短视频分类方法及系统 | |
| CN112183240A (zh) | 一种基于3d时间流和并行空间流的双流卷积行为识别方法 | |
| CN112418032A (zh) | 一种人体行为识别方法、装置、电子设备及存储介质 | |
| CN110111267A (zh) | 一种基于优化算法结合残差网络的单幅图像除雨方法 | |
| CN113744146A (zh) | 一种基于对比学习和知识蒸馏的图像去雾方法 | |
| CN114627269A (zh) | 一种基于深度学习目标检测的虚拟现实安防监控平台 | |
| CN110189262B (zh) | 基于神经网络以及直方图匹配的图像去雾方法 | |
| CN115775376A (zh) | 一种基于低光图像增强的人群计数方法 | |
| CN114549297A (zh) | 一种基于不确定分析的无监督单目深度估计方法 | |
| Qian et al. | CIASM-Net: a novel convolutional neural network for dehazing image | |
| CN115713546A (zh) | 移动终端设备用的轻量化目标跟踪算法 | |
| CN114372929A (zh) | 一种基于模型优化和压缩的图像快速去雾方法及装置 | |
| WO2024160219A1 (zh) | 一种模型量化方法及其装置 | |
| CN110033045A (zh) | 一种训练识别图像雾化的方法和装置 |
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 |