基于多尺度和注意力机制的单幅图像去雨算法研究

目录

声明

致谢

1 引言

1.1 研究背景及意义

1.2 国内外研究现状

1.2.1 基于视频图像的去雨方法

1.2.2 基于单幅图像的去雨方法

1.3 本文创新与工作

1.4 论文结构安排

2 图像去雨技术相关理论

2.1 雨的物理特性及成像特性

2.2 神经网络基本原理

2.2.1 神经网络算法简介

2.2.2 卷积神经网络

2.2.3 长短期记忆网络

2.3 VGGNet

2.4 InceptionNet

2.5 ResNet

2.6 本章小结

3 基于多尺度注意力机制的多阶段单幅图像去雨算法

3.1 方法概述

3.2 多阶段去雨模型

3.3 多尺度空间注意力机制

3.4 损失函数

3.5 实验结果与分析

3.5.1 数据集及评价标准

3.5.2 模型训练细节

3.5.3 人工合成数据集结果对比与分析

3.5.4 真实数据集结果对比与分析

3.6 消融分析

3.6.1 注意力机制分析

3.6.2 多尺度作用分析

3.7 本章小结

4 基于多尺度特征融合和注意力的递归神经网络去雨算法

4.1 方法概述

4.2 整体网络结构

4.3 多尺度 LSTM模块

4.4 轻量级多尺度特征融合网络

4.5 注意力网络设计

4.6 损失函数

4.7 模型训练细节

4.8 实验结果分析

4.8.1 数据集及评价标准

4.8.2 人工合成数据集实验结果对比与分析

4.8.3 真实数据集实验结果分析与比较

4.9 消融分析

4.9.1 多尺度ConvLSTM 作用分析

4.9.2 多尺度特征融合机制分析

4.9.3 注意力机制分析

4.10 本章小结

5 总结与展望

5.1 总结

5.2 展望

参考文献

作者简历及攻读硕士/博士学位期间取得的研究成果

独创性声明

学位论文数据集