从零开始搭建图像去雾神经网络

最新推荐文章于 2025-11-26 15:40:52 发布

原创

最新推荐文章于 2025-11-26 15:40:52 发布 · 1.2k 阅读

25 ·

CC 4.0 BY-SA版权

文章标签：

#python #人工智能

✨✨ 欢迎大家来访Srlua的博文（づ￣3￣）づ╭❤～✨✨

🌟🌟 欢迎各位亲爱的读者，感谢你们抽出宝贵的时间来阅读我的文章。

我是Srlua小谢，在这里我会分享我的知识和经验。🎥

希望在这里，我们能一起探索IT世界的奥妙，提升我们的技能。🔮

记得先点赞👍后阅读哦~ 👏👏

📘📚 所属专栏：人工智能、话题分享

欢迎访问我的主页：Srlua小谢获取更多信息和资源。✨✨🌙🌙

A Two-branch Neural Network for Non-homogeneous Dehazing via Ensemble Learning

本文所有资源均可在该地址处获取。

A Two-branch Neural Network for Non-homogeneous Dehazing via Ensemble Learning

本文复现了一种简单而有效的基于集成学习的双分支非均匀去雾神经网络。该方法使用一个双分支神经网络分别处理上述问题，然后通过一个可学习的融合尾映射它们的不同特征。
论文地址：https://arxiv.org/pdf/2104.08902.pdf

创新点

证明了在非均匀去雾挑战中使用ImageNet预训练的有效性。
构建数据拟合子网作为迁移学习子网的补充，可以提取当前数据分布的更鲜明的特征。
采用集成学习的思想设计一个可学习的融合尾。

网络结构

基于集成学习的双分支非均质去雾网络由两个子网络组成，即迁移学习子网和数据拟合子网。每个子网有着特定的目的：迁移学习子网利用预先训练的权重从输入图像中提取鲁棒全局表示；数据拟合子网对当前数据进行处理。融合层采用这两个子网络的级联特征图，并输出无雾图像。

迁移学习子网

迁移学习子网是一个编码器-解码器结构的网络。该子网络使用Res2Net作为编码器，因为它在分类任务上有很好的性能。具体来说，在编码器中，该网络只使用了Res2Net的前端部分，没有使用全连接层。Res2Net由ResNet改进，传统的ResNet是一个瓶颈结构，由1×1、3×3、1×1的三层不同大小的卷积层组成。Res2Net为了能够在残差模块中实现多尺度多通道，将中间的3×3模块由Bottle2neck实现。
Bottle2neck的实现代码如下，首先通过torch.split拆分特征向量，除了第一个分支经过卷积之外，拆出来的每个分支通过3x3的卷积之后与下一个分支进行拼接之后分两步，一步保存继续，一步再与下一个分支做拼接。将一个3×3卷积层替换为对每个拆分的通道的3×3卷积使得该模块在不增加额外参数量的同时，泛化性能增强。

```class Bottle2neck(nn.Module):
    expansion = 4

    def __init__(self, inplanes, planes, stride=1, downsample=None, baseWidth=26, scale=4, stype='normal'):

        super(Bottle2neck, self).__init__()

        width = int(math.floor(planes * (baseWidth / 64.0)))
        self.conv1 = nn.Conv2d(inplanes, width * scale, kernel_size=1, bias=False)
        self.bn1 = nn.BatchNorm2d(width * scale)

        if scale == 1:
            self.nums = 1
        else:
            self.nums = scale - 1
        if stype == 'stage':
            self.pool = nn.AvgPool2d(kernel_size=3, stride=stride, padding=1)
        convs = []
        bns = []
        for i in range(self.nums):
            convs.append(nn.Conv2d(width, width, kernel_size=3, stride=stride, padding=1, bias=False))
            bns.append(nn.BatchNorm2d(width))
        self.convs = nn.ModuleList(convs)
        self.bns = nn.ModuleList(bns)

        self.conv3 = nn.Conv2d(width * scale, planes * self.expansion, kernel_size=1, bias=False)
        self.bn3 = nn.BatchNorm2d(planes * self.expansion)

        self.relu = nn.ReLU(inplace=True)
        self.downsample = downsample
        self.stype = stype
        self.scale = scale
        self.width = width

    def forward(self, x):
        residual = x

        out = self.conv1(x)
        out = self.bn1(out)
        out = self.relu(out)

        spx = torch.split(out, self.width, 1)
        for i in range(self.nums):
            if i == 0 or self.stype == 'stage':
                sp = spx[i]
            else:
                sp = sp + spx[i]
            sp = self.convs[i](sp)
            sp = self.relu(self.bns[i](sp))
            if i ==

最低0.47元/天解锁文章