计算机工程与科学

作者：徐欣, 李若诗, 袁野, 刘娜

单位：上海理工大学机器智能研究院，上海 200093

关键词：雾天图像,图像语义分割,图像滤波器,卷积神经网络,图像处理,

基金：国家自然科学基金（92048205）

尽管基于深度学习的图像语义分割方法在传统的驾驶数据集上取得了很好的效果，但针对雾天条件下的低质量图像的语义分割仍然具有挑战性。针对此问题，提出了可学习图像滤波器LIF模块，旨在利用不同雾浓度下驾驶场景图像的内在特征，改进雾天驾驶条件下的图像语义分割。LIF模块由超参数预测模块HPM和图像滤波模块IFM组成，IFM中滤波器的超参数由HPM预测得到。以端到端的方式联合学习HPM和语义分割网络，确保了HPM可以学习适当的IFM参数，以弱监督的方式增强图像以进行分割。分别以DeepLabV3+、PSPNet和RefineNet作为基线模型，并在Cityscapes和Foggy Cityscapes的混合数据集上进行实验，基线模型加可学习的图像滤波器模块的MIoU分别为63.14%，60.45%和61.41%，相比基线模型的MIoU分别提升了3.03%,1.52%和1.69%，实验结果表明了该模型的有效性与通用性。

来源：2024年第11期

《计算机工程与科学》期刊编辑部

查看计算机工程与科学杂志2024年第11期