《表2 多尺度卷积神经网络特征的学习参数》

  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

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．