(19)国家知识产权局
(12)发明 专利申请
(10)申请公布号
(43)申请公布日
(21)申请 号 202211067044.7
(22)申请日 2022.09.01
(71)申请人 大连理工大 学
地址 116024 辽宁省大连市甘井 子区凌工
路2号
(72)发明人 薛昕惟 刘日升 王祎 樊鑫
(74)专利代理 机构 大连理工大 学专利中心
21200
专利代理师 戴风友
(51)Int.Cl.
G06T 5/00(2006.01)
G06N 3/04(2006.01)
G06N 3/08(2006.01)
G06V 10/44(2022.01)
(54)发明名称
基于对齐移动特征与在线重 降质学习的视
频去雨方法
(57)摘要
本发明属于计算机视觉领域, 涉及基于对齐
移动特征与在线重降质学习的视频去雨方法。 本
发明首先利用全新设计的特征对齐、 特征移动和
特征融合模块来构成视频去雨网络, 从而可以充
分利用视频中冗余的时序信息。 其中特征对齐模
块利用了 形变卷积、 光流和膨胀卷积等多种模块
来对齐视频相邻帧的特征, 从而有利于之后阶段
特征的有效融合。 在特征对齐模块之后, 本发明
创造性地引入了特征移动模块, 可以显式地交换
不同时间位置的特征, 从而使得每一帧的特征都
包含相邻帧的特征, 有利于时序特征的整合。 最
后本发明利用注意力机制和残差结构设计了一
个紧凑的特征融合模块来有效整合时空特征并
重建去雨后的视频帧。
权利要求书2页 说明书4页 附图7页
CN 115439360 A
2022.12.06
CN 115439360 A
1.基于对齐移动特 征与在线重降质学习的视频去雨方法, 其特 征在于, 步骤如下:
步骤一、 基于形变卷积、 膨胀卷积与光 流结合的时序特 征对齐模块;
首先, 利用卷积层将目标帧和其相邻帧提取成特 征:
Ft=Conv(Rt),
Ft+n=Conv(Rt+n),
其中: Rt和Rt+n表示输入的带有雨痕 的目标帧和其邻近帧, n取值 ‑1或者+1, 表示前后两
帧, Conv表示卷积层, Ft和Ft+n表示提取得到的特征; 然后利用两 帧间的光流将邻近 帧初步
对齐到目标帧, 获得初步对齐后的邻近帧:
其中oft→t+n表示估计的两帧间的光流, Warp表示利用光流来对齐相邻帧的操作,
表示初步对齐后的相邻帧;
然后本发明提出采用多膨胀率的膨胀卷积模块 来估计用于形变卷积对齐的偏移量:
其中DilatedConv表示本发明提出的膨胀卷积块, 它的输入是初步对齐后的相邻帧与
目标帧的特 征, ΔP表示估计得到的偏移量;
将估计的偏移量和光流相加用于形变卷积对齐, 通过光流引导形变卷积, 避免了训练
过程中形变卷积不稳定的情况的发生:
其中DeFormConv表示标准的形变卷积的操作,
表示经过形变卷积对齐后的特 征;
步骤二、 时序特 征移动模块;
本发明提出利用特征移动模块来进一步显式地利用时序信 息; 特征移动模块会沿时间
轴将每一视频帧提取的特征的前[0: f]通道往 前移, 将最后[c ‑f: c]通道往后移动, 其中c表
示一个视频帧所提取的特 征的数目;
步骤三、 时序特 征融合模块;
本发明利用残差结构和通道注意力 机制设计了时序 特征融合模块; 时序 特征融合模块
由残差块级 联组成, 级 联的残差块的数目至少是5个, 每个残差块由两层带激活函数的卷积
层和一个通道注意力层级联组成, 残差块的输出与输入之间有残差连接直接相加, 防止深
度网络的梯度在反向传播过程中逐渐消失, 残差块内部的卷积层的卷积核全部统一为3 ×
3;
步骤四、 在线重降质学习策略;
为了提升提出的视频去雨网络的泛化 能力, 本发明提出在线重降质学习策略来利用真
实的数据来辅助训练去雨网络; 首先利用带有标签的合成数据来训练网络, 直至收敛; 接下
来, 利用该网络去除真实视频的雨痕, 获得无雨视频, 作为这部分数据的伪标签; 之后将估
计的真实雨 痕进行数据增广后与无雨视频相加作为新的训练集; 之后利用该训练集与伪标
签来微调去雨网络 。
2.如权利要求1所述的基于对齐移动特征与在线重降质学习的视频去雨方法, 其特征
在于, 所述的步骤二中, c的取值范围为32 ~128。权 利 要 求 书 1/2 页
2
CN 115439360 A
23.如权利要求1或2所述的基于对齐移动特征与在线重降质学习的视频去雨方法, 其特
征在于, 所述的步骤二中, f=c /8。
4.如权利要求1或2所述的基于对齐移动特征与在线重降质学习的视频去雨方法, 其特
征在于, 所述的步骤一中, 所述的Conv表 示卷积层, 其卷积核大小为3, 输入通道数是3, 输出
通道数是64, Ft和Ft+n表示提取得到的特 征, 分别是64 通道。
5.如权利要求3所述的基于对齐移动特征与在线重降质学习的视频去雨方法, 其特征
在于, 所述的步骤一中, 所述的Conv表示卷积层, 其卷积核大小为3, 输入通道数是3, 输出通
道数是64, Ft和Ft+n表示提取得到的特 征, 分别是64 通道。权 利 要 求 书 2/2 页
3
CN 115439360 A
3
专利 基于对齐移动特征与在线重降质学习的视频去雨方法
安全报告 >
其他 >
文档预览
中文文档
14 页
50 下载
1000 浏览
0 评论
309 收藏
3.0分
温馨提示:本文档共14页,可预览 3 页,如浏览全部内容或当前文档出现乱码,可开通会员下载原始文档
本文档由 人生无常 于 2024-03-18 04:41:22上传分享