Cookies y Privacidad
Usamos cookies propias y de terceros para mejorar la experiencia de nuestros usuarios, analizar el tráfico del sitio y personalizar contenido. Si continúas navegando, asumimos que aceptas su uso. Para más información, consulta nuestra Política de Cookies
Red de Unet++ Serial Mejorada con Atención para Eliminar la Niebla Distribuida de Forma Desigual
El propósito de la desempañado de imágenes es reducir la degradación de la imagen causada por partículas suspendidas para apoyar tareas visuales de alto nivel. Además del modelo de dispersión atmosférica, la red neuronal convolucional (CNN) se ha utilizado para la desempañado de imágenes. Sin embargo, los algoritmos existentes de desempañado de imágenes están limitados ante la neblina distribuida de manera desigual y la neblina densa en escenas del mundo real. En este documento, proponemos una red neuronal convolucional novedosa de extremo a extremo llamada red de desempañado en serie Unet++ mejorada con atención (AESUnet) para desempañado de imágenes individuales. Intentamos construir una estructura en serie Unet++ que adopta una estrategia en serie de dos bloques Unet++ podados basados en conexión residual. En comparación con la estructura simple Codificador-Decodificador, el módulo en serie Unet++ puede aprovechar mejor las características extraídas por los codificadores y promover la fusión de información contextual en diferentes resoluciones. Además, tomamos algunas medidas de mejora para el módulo Unet++, como la poda, la introducción del módulo convolucional con estructura ResNet y una estrategia de aprendizaje residual. Por lo tanto, el módulo en serie Unet++ puede generar imágenes más realistas con menos distorsión de color. Además, siguiendo los bloques en serie Unet++, se introduce un mecanismo de atención para prestar diferente atención a las regiones de neblina con diferentes concentraciones mediante el aprendizaje de pesos en el dominio espacial y en el dominio de canales. Se realizan experimentos en dos conjuntos de datos representativos: el conjunto de datos sintético a gran escala RESIDE y los conjuntos de datos del mundo real a pequeña escala I-HAZY y O-HAZY. Los resultados experimentales muestran que la red de desempañado propuesta no solo es comparable a los métodos de vanguardia para los conjuntos de datos sintéticos RESIDE, sino que también los supera por un margen muy amplio para los conjuntos de datos del mundo real I-HAZY y O-HAZY.
Autores: Zhao, Wenxuan; Zhao, Yaqin; Feng, Liqi; Tang, Jiaxi
Idioma: Inglés
Editor: MDPI
Año: 2021
Disponible con Suscripción Virtualpro
Artículos
2021
Red de Unet++ Serial Mejorada con Atención para Eliminar la Niebla Distribuida de Forma DesigualCategoría
Ingeniería y Tecnología
Licencia
Atribución – Compartir igual
Consultas: 10
Citaciones: Sin citaciones
Este documento es un artículo elaborado por Wenxuan Zhao, Yaqin Zhao, Liqi Feng y Jiaxi Tang para la revista Electronics, Vol. 10, Núm. 22. Publicación de MDPI. Contacto: electronics@mdpi.com
El propósito de la desempañado de imágenes es reducir la degradación de la imagen causada por partículas suspendidas para apoyar tareas visuales de alto nivel. Además del modelo de dispersión atmosférica, la red neuronal convolucional (CNN) se ha utilizado para la desempañado de imágenes. Sin embargo, los algoritmos existentes de desempañado de imágenes están limitados ante la neblina distribuida de manera desigual y la neblina densa en escenas del mundo real. En este documento, proponemos una red neuronal convolucional novedosa de extremo a extremo llamada red de desempañado en serie Unet++ mejorada con atención (AESUnet) para desempañado de imágenes individuales. Intentamos construir una estructura en serie Unet++ que adopta una estrategia en serie de dos bloques Unet++ podados basados en conexión residual. En comparación con la estructura simple Codificador-Decodificador, el módulo en serie Unet++ puede aprovechar mejor las características extraídas por los codificadores y promover la fusión de información contextual en diferentes resoluciones. Además, tomamos algunas medidas de mejora para el módulo Unet++, como la poda, la introducción del módulo convolucional con estructura ResNet y una estrategia de aprendizaje residual. Por lo tanto, el módulo en serie Unet++ puede generar imágenes más realistas con menos distorsión de color. Además, siguiendo los bloques en serie Unet++, se introduce un mecanismo de atención para prestar diferente atención a las regiones de neblina con diferentes concentraciones mediante el aprendizaje de pesos en el dominio espacial y en el dominio de canales. Se realizan experimentos en dos conjuntos de datos representativos: el conjunto de datos sintético a gran escala RESIDE y los conjuntos de datos del mundo real a pequeña escala I-HAZY y O-HAZY. Los resultados experimentales muestran que la red de desempañado propuesta no solo es comparable a los métodos de vanguardia para los conjuntos de datos sintéticos RESIDE, sino que también los supera por un margen muy amplio para los conjuntos de datos del mundo real I-HAZY y O-HAZY.
Descripción
El propósito de la desempañado de imágenes es reducir la degradación de la imagen causada por partículas suspendidas para apoyar tareas visuales de alto nivel. Además del modelo de dispersión atmosférica, la red neuronal convolucional (CNN) se ha utilizado para la desempañado de imágenes. Sin embargo, los algoritmos existentes de desempañado de imágenes están limitados ante la neblina distribuida de manera desigual y la neblina densa en escenas del mundo real. En este documento, proponemos una red neuronal convolucional novedosa de extremo a extremo llamada red de desempañado en serie Unet++ mejorada con atención (AESUnet) para desempañado de imágenes individuales. Intentamos construir una estructura en serie Unet++ que adopta una estrategia en serie de dos bloques Unet++ podados basados en conexión residual. En comparación con la estructura simple Codificador-Decodificador, el módulo en serie Unet++ puede aprovechar mejor las características extraídas por los codificadores y promover la fusión de información contextual en diferentes resoluciones. Además, tomamos algunas medidas de mejora para el módulo Unet++, como la poda, la introducción del módulo convolucional con estructura ResNet y una estrategia de aprendizaje residual. Por lo tanto, el módulo en serie Unet++ puede generar imágenes más realistas con menos distorsión de color. Además, siguiendo los bloques en serie Unet++, se introduce un mecanismo de atención para prestar diferente atención a las regiones de neblina con diferentes concentraciones mediante el aprendizaje de pesos en el dominio espacial y en el dominio de canales. Se realizan experimentos en dos conjuntos de datos representativos: el conjunto de datos sintético a gran escala RESIDE y los conjuntos de datos del mundo real a pequeña escala I-HAZY y O-HAZY. Los resultados experimentales muestran que la red de desempañado propuesta no solo es comparable a los métodos de vanguardia para los conjuntos de datos sintéticos RESIDE, sino que también los supera por un margen muy amplio para los conjuntos de datos del mundo real I-HAZY y O-HAZY.