检索结果-南通市图书馆

检索条件"主题词=图片去雨"

共 2 条记录，以下是1-10 订阅

全选清除本页清除全部题录导出标记到"检索档案"

详细简洁

排序：

基于语义分割的积水区域识别模型及应用研究

基于语义分割的积水区域识别模型及应用研究

引用

作者：王志防灾科技学院

学位级别：硕士

近年来,城市因暴雨而造成的内涝灾害事件频发,已成为最严重的城市灾害之一。针对目前城市暴雨导致内涝过程中积水区域难以识别、实时监测精度不足等问题。基于深度学习的语义分割技术,对城市场景下的暴雨内涝过程中的积水区域进行提取,... 详细信息

近年来,城市因暴雨而造成的内涝灾害事件频发,已成为最严重的城市灾害之一。针对目前城市暴雨导致内涝过程中积水区域难以识别、实时监测精度不足等问题。基于深度学习的语义分割技术,对城市场景下的暴雨内涝过程中的积水区域进行提取,利用图像识别技术完成对积水区域与陆地区域的区分。首先对收集的大量城市积水图片进行标注,制作成积水图像学习样本数据集;其次利用SPD-Conv模块对Unet语义分割模型进行优化,提出了一种新的城市积水区域图像提取算法Spd-Unet模型。该模型使用含嵌入CBAM注意力机制的SPD-Conv模块改进编码器;通过在编码器和解码器连接处增加特征金字塔自注意力模块(FSA),很好地解决了由于水的形态不稳定而引起积水区域的尺度大小不一的问题;在解码器部分使用长跳跃连接,以整合更多的位置信息和语义信息,并应用SCSE注意力模块处理融合后的特征。实验结果表明,与目前常用的图像分割算法相比,Spd-Unet模型在积水图像提取方面效果更佳。为解决采集的暴雨内涝图片中存在雨痕的问题,提高分割模型的效果,改进了一种基于Cycle GAN无监督去雨痕模型。在该模型的生成器部分使用CBAM注意力模块增强骨干网的提取能力,以辅助分类器区分有雨和无雨区域之间的差异性,使用自适应图层实例归一化(Ada LIN)对其风格和内容进行调整,在内容的细节处理部分使用改进的FSA特征金字塔自注意力模块进行优化。实验结果表明去雨后的图片分割效果比不去雨的分割效果要好。综上,深度学习技术可以应用在城市内涝积水区域的提取和积水数据集去雨问题上,并且与传统监测方法相比,具有安全系数高、维护成本低、准确度高等优势。因此本研究可以为城市内涝积水过程的实时监测提供重要技术支撑和参考价值。本文主要创新点如下:(1)为解决城市内涝积水区域提取问题,本文以Unet为基本框架,结合CBAM注意力机制、SPD-Conv模块和特征金字塔自注意力(FSA)等模块,提出了针对城市积水场景下的分割模型Spd-Unet,提高了积水区域识别的精度。(2)为解决采集的数据集中存在雨痕问题,本文改进了一种基于Cycle GAN无监督去雨模型,提高了预训练分割模型的效果。

关键词：城市内涝语义分割模型注意力机制图片去雨

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

基于深度学习的图像质量提升方法研究

基于深度学习的图像质量提升方法研究

引用

作者：徐菁电子科技大学

学位级别：硕士

图片质量恢复是计算机视觉的基础任务之一。图片及其伴随的视觉算法被广泛的应用于分类、检测、监控、自动驾驶等。传感器比如相机接收到的图片信号往往伴随着噪声或者恶劣天气等不良影响,这些污染常常对后续的应用造成分类错误、识别... 详细信息

图片质量恢复是计算机视觉的基础任务之一。图片及其伴随的视觉算法被广泛的应用于分类、检测、监控、自动驾驶等。传感器比如相机接收到的图片信号往往伴随着噪声或者恶劣天气等不良影响,这些污染常常对后续的应用造成分类错误、识别不准确等影响。污染信息会导致背景图片的语义信息不能被完全挖掘。所以,为了提高计算机视觉任务的表现,图片质量恢复成为了图片分析必不可少的前序步骤。损坏图片质量的污染信息主要为采集图片时不可避免的噪声以及一些极端的天气情况(雨、雾),近年来很多基于深度学习的模型被提出,在图片质量恢复问题上取得了显著的效果。这些方法根据污染信息的先验进行建模,由于不同的污染具有不同的先验信息,所以大量的模型往往只关注于其中一种污染,但这大大减弱了模型的泛化能力。图片中常常存在多种污染信息,比如有雨水的天气常常伴随着雾霾,而噪声又是广泛存在在采集图片中的。同时,由于难以采集到恶劣天气与干净背景图片的成对数据集,现有的图片质量恢复训练数据集都是人工设计而成,所以存在着污染分布单一的问题,而数据集决定了模型的能力上限,这大大限制了模型表现。最后由于损失函数常常采用均方误差,会造成恢复图片过于平滑的问题,丢失图片细节。为了解决上述的问题,提高模型的泛化能力,弥补恢复细节,在数据集方面,本文构建了一个具有广泛污染分布的训练数据集,其中包括不同强度的噪声与雨雾,尽可能的覆盖不同的污染。在模型构建方面,我们设计了污染强度感知模块和图片质量恢复网络。污染强度感知模块的功能是提取污染的强度特征,以此来辅助背景图片的恢复。图片质量恢复网络分为三个部分,分别为去雾,去雨/噪声,细节恢复模块,每个模块的设计都根据不同污染源的先验搭建模型。细节恢复模块基于对抗生成网络,能够捕捉真实背景图片的数据分布,以此来补充网络生成图片的细节。本文通过实验展示了强度感知信息对于图片质量恢复任务的提升效果,同时展示了新提出的模型处理混合污染的泛化能力。通过与大量的先进模型的对比,新模型在消除污染的同时兼顾了细节的修复。

关键词：图片质量恢复图片去雨图片去雾深度学习

来源：

同方学位论文库评论

在线全文

同方学位论文库

学校读者我要写书评

暂无评论

全选清除本页清除全部题录导出标记到“检索档案”

共1页 << < 1 > >>

回到顶部

执行限定条件

欢迎您,

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案：

请选择收藏分类：

通借通还

欢迎您,

建议与咨询 留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

时间限定

文献类型

馆藏选择

核心期刊

语言

文献类型

帮助

文字说明：

检索规则说明：

检索范例：

分类表

所选分类

限定检索结果

文献类型

馆藏范围

日期分布

学科分类号

主题

机构

作者

语言

在线全文

在线全文

请选择保存的检索档案： 新增检索档案 确定 取消

请选择收藏分类： 新增自定义分类 确定 取消

通借通还

建议与咨询留下您的常用邮箱和电话号码，以便我们向您反馈解决方案和替代方法

请选择保存的检索档案：

请选择收藏分类：