《表1 多尺度卷积神经网络特征的提取参数》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习的图像去雾算法》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

其中，Fsi表示s层的第i组特征图，Wsi（i=1，2，3）表示s层的第i组卷积核，*表示卷积．多尺度信息提取参数如表1所示．在多尺度特征提取之后进行特征图拼接和修正线性单元，以融合不同尺度的特征．每个卷积层后都会有一个激活函数，CAI等[12]在特征提取阶段采用的激活函数为Maxout，但Maxout不是一个固定的函数，并且拟合能力非常强，可以拟合任意凸函数，这就导致在训练过程中容易过拟合，降低泛化能力．因为图像数据没有负值，所以本文采用Re LU作为激活函数，该函数的输出在大于零的部分是个线性函数，所以这种激活函数具有单侧抑制和稀疏激活性且不存在梯度消失问题，使网络收敛速度维持在一个稳定的状态．