《表2 多尺度卷积神经网络特征的学习参数》
特征融合包含特征学习和非线性回归两部分.由于图像中包含大的轮廓信息和小的细节信息,所以采用多尺度卷积核对之前获得的信息进行特征学习.本文分别采用尺寸大小为3×3、5×5、7×7的卷积核进行特征学习.采用不同尺度的卷积核进行特征学习的目的在于有利于将该网络学习的特征信息进行加权合并,更好地实现去雾重建.学习后再采用Re LU激活函数进行参数修正,以便得到更优的特征信息.多尺度学习参数如表2所示.在多尺度特征提取后进行特征图拼接和修正线性单元,以对所学信息进行合并.非线性回归采用5×5的卷积核进行卷积,并使用具有负方向抑制的激活函数ReLU将之前学习的特征融合成透射率图.
图表编号 | XD0065524900 严禁用于非法目的 |
---|---|
绘制时间 | 2019.06.25 |
作者 | 张泽浩、周卫星 |
绘制单位 | 华南师范大学物理与电信工程学院、华南师范大学物理与电信工程学院 |
更多格式 | 高清、无水印(增值服务) |