去雨去雪去雾算法本地实验速度对比

原创 已于 2023-10-28 10:17:42 修改 · 762 阅读 · 0 ·
CC 4.0 BY-SA版权
版权所有 彭祥 未经允许，禁止转载
文章标签：

#人工智能

于 2023-10-15 21:31:29 首次发布
博主在去雨去雪去雾算法实验中，因原笔记本GTX960M速度慢，对GTX960M、RTX3070和RTX4060进行实验对比，记录不同显卡在不同batch - size下的显存占用和实验用时，还探讨了num_workers设置问题，发现不同显卡性能有差异。

在进行去雨去雪去雾算法的实验过程中，博主使用自己的电脑进行实验，尽管能够成功运行，但速度却属实不尽人意，博主的笔记本显卡是GTX960，显存为4G，在进行实验的过程中，batch-size只能设置为3，好在实验的去噪类型也就只与三种，否则这实验根本无法进行，于是，便萌生了更换笔记本的念头，那么在更换前，就要先做下相关实验，看看性能能够提升多少。

首先记录一下博主在GTX960M上的实验情况：

GTX960M实验情况

在这里插入图片描述

显存占用

在这里插入图片描述

实验用时

训练一个epoch的实验用时：

在这里插入图片描述
可以看到时间大约在15分钟左右。

每训练5个epoch进行一次评估：

在这里插入图片描述

属实是太慢了,用时31分钟，而且从结果来看，PSNR与SSIM竟然有些许差距，这才是最严重的，当然这并不是最终结果。

RTX3070实验情况

博主的实验配置为GTX3070（笔记本的哈），显存为8G。那么博主的batch-size就可以

最低0.47元/天 解锁文章
pytorch读取自己的数据集_给训练踩踩油门 —— Pytorch 加速数据读取
weixin_39870155的博客
11-21 1436
需求最近在训练 coco 数据集，训练集就有 11 万张，训练一个 epoch 就要将近 100 分钟，训练 100 个 epoch，就需要 7 天！这实在是太慢了。经过观察，发现训练时 GPU 利用率不是很稳定，每训练 5 秒，利用率都要从 100% 掉到 0% 一两秒，初步判断是数据读取那块出现了瓶颈。于是经过调研和实验，制定了下列解决方案。解决方案（1）prefetch_generator使...
MATLAB图像去雾霭算法及其实现
m0_59833680的博客
08-23 9495
MATLAB图像去雾霭算法及其实现摘要 雾霭等天气条件下获得的图像，具有图像不清晰，颜色失真等等一些图像退化的现象，直接影响了视觉系统的发挥。因此，为了有效的改善雾化图像的质量，降低雾霭等天气条件下造成户外系统成像的影响，对雾霭图像进行有效的去雾处理显得十分必要。 本设计提出了三种图像去雾算法，一种是基于光照分离模型的图像去雾算法；一种是基于直方图均衡化的图像去雾算法；还有一种是基于暗原色...
将图像上雨水去除的四种主流方法
热门推荐
gaotihong的博客
01-16 2万+
http://blog.youkuaiyun.com/whyymlm/article/details/76999469 对图片或者视频进行去噪的研究一直以来都是计算机视觉和图像处理领域内的一个重要课题。在现实生活中，因为雨雪会对道路上的路况造成一定程度的遮挡，驾驶车辆行驶在下大雨或大雪的恶劣天气下是非常危险的；不仅如此，在重要位置设置的摄像头也会因为风沙雨雪的遮挡，导致无法提供给公安人员足够的信息来
图像去雨研究
weixin_66033926的博客
09-19 3578
图像去雨
效果好，速度快！基于增强多任务学习的单图像去雨算法MENET 深度学习
iFlyAI的博客
05-15 1290
Multi-Task Learning Enhanced Single Image De-Raining 基于增强的多任务学习的单图像去雨 作者单位：大连海事大学 本文使用多任务学习改进图像去雨，使用多任务回归模型中将各种语义约束任务组合在一起的方法，其任务包括内容、边缘感知、局部纹理相似性方面等，另外，为更进一步改进模型性能，作者还提出了两种简单但功能强大的动态加权算法，其中自适应加权方案效果更好。 该多任务增强网络（MENET）基于UNET。在真实数据集和合成数据集的实验上证明，...
去雨算法（python代码）
09-18
主要是用于去除雨点的代码，效果非常好，是用python写的
图像去雾-基于Python实现的图像去雾算法-附项目源码+流程教程-优质项目实战.zip
最新发布
05-11
1. 图像预处理：在进行去雾处理前，需要对图像进行预处理，包括去噪、增强对比度等，为后续的去雾算法做准备。 2. 雾天图像模型：采用合适的图像模型来描述雾天图像，常用的模型包括暗通道先验模型、大气散射模型等...
基于Caffe的DehazeNet图像去雾算法在Jetson TX2上的实现
DehazeNet是一种基于深度学习的图像去雾算法，其核心目标是通过卷积神经网络（CNN）从受雾霾影响的图像中恢复出清晰、高质量的无雾图像。该算法属于计算机视觉领域中的图像增强技术范畴，特别针对大气散射模型导致的...
基于深度学习的图像去雾设计与实现
04-19 1223
else:else:# 归一化到VGG的输入范围# VGG输入需要标准化# 提取特征。
基于FFA-Net的图像去雾处理技术如何通过Python实现，以及它与传统去雾算法相比有何优势？
11-10
为了深入理解并实现基于FFA-Net的图像去雾技术，推荐参考资料《FFA-Net图像去雾算法实现及其性能提升分析》。该资料详细介绍了FFA-Net的架构和关键组件，并提供了相应的Python代码实现，帮助读者快速掌握这一技术。 ...
Python-RESCAN一种单图像深度去雨算法
08-09
Recurrent Squeeze-and-Excitation Context Aggregation Net for Single Image Deraining
北大去雨算法python版
10-19
去雨算法的PYTHON实现， Rain streaks can severely degrade the visibility, which causes many current computer vision algorithms fail to work. So it is necessary to remove the rain from images. We propose a novel deep network architecture based on deep convolutional and recurrent neural networks for single image deraining. As contextual information is very important for rain removal, we first adopt the dilated convolutional neural network to acquire large receptive field. To better fit the rain removal task, we also modify the network. In heavy rain, rain streaks have various directions and shapes, which can be regarded as the accumulation of multiple rain streak layers. We assign different alpha-values to various rain streak layers according to the intensity and transparency by incorporating the squeeze-and-excitation block. Since rain streak layers overlap with each other, it is not easy to remove the rain in one stage. So we further decompose the rain removal into multiple stages. Recurrent neural network is incorporated to preserve the useful information in previous stages and benefit the rain removal in later stages. We conduct extensive experiments on both synthetic and real-world datasets. Our proposed method outperforms the state-of-the-art approaches under all evaluation metrics.
基于深度学习的图像去雨（附tensorflow代码）
09-26
提出一种基于深度学习（卷积神经网络）的图像去雨框架，取得的效果优于已经存在的绝大多数方法
视频中的雨滴去除算法 opencv实现
05-04
利用《Detection and Removal of Rain from Videos》这篇论文编写的程序实现视频中雨滴的去处
去雨算法：Clearing the Skies: A Deep Network Architecture for Single-Image Rain Removal
mmdbhs的博客
12-22 1425
基本信息 时间：2017 期刊会议类别：IEEE 亮点：将图像分为base layer和detail layer 1、图像预处理 不同于以往直接将原图像直接输入进神经网络，本文使用低通滤波器将图像分为基层和细节层，而雨线都集中在细节层中，所以本文只将细节层作为网络输入。公式如下： 2、网络架构 1、按照第一节中提到的将图片分为基层（Base layer）和细节层（Detail layer） 2、随后将细节层送入两层卷积神经网络，再通过反卷积得到去雨后的细节图像（反卷积论文中没有提到，在代码中能看到） 3
去雨算法：Image De-raining Using a Conditional Generative Adversarial Network
mmdbhs的博客
12-27 2811
0 基本信息 时间：2017 期刊会议级别：IEEE 亮点：使用对抗神经网络GAN；新的损失函数 1、生成器（Generator with Symmetric Structure） 生成器为图片中的上半部分，功能为将有雨的图像转化为无雨图像，图片进入网络之后，会依次经过N个 （Dense+transition）。 每个Dense将由n*layer组成，这些layer是平行存在的，每个layer包括三个步骤： batch normalization (BN), leaky rectified linear
图像去雾+图像去雨（matlab+python）
QQ_1309399183的博客
11-04 1964
图像去雾+图像去雨（matlab+python）
EfficientDeRainy:一种高效的图像去雨雾算法
yunxinan的专栏
05-26 2157
AAAI 2021 1. Motivation 1.之前的去雨方法很多都是基于去雨模式假设或者先验知识的，去雨网络需要大量的细调优化过程，非常耗时的同时无法覆盖真实降雨场景的各种情况。因此，本文将去雨问题看作是普通的图像增强问题，用逐像素预测滤波核的方法去做去雨，是一种无模式的去雨方法。 2.单一尺度的逐像素滤波核无法适应不同厚度、强度以及尺度的降雨条纹，因此本文提出Multi-dilated image filtering and fusion，即用不同膨胀率卷积来代表不同尺度的滤波核，以此来解决多尺度的
去雾去雨算法
weixin_71113035的博客
08-19 1704
去雾去雨算法
评论 1
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

彭祥.

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值