【技术实现步骤摘要】
一种基于线性注意力机制的低照度图像增强模型
[0001]本专利技术涉及计算机视觉，低照度图像处理领域，具体是一种基于线性注意力机制的低照度图像增强模型。
技术介绍
[0002]日常生活中经常需要在低光条件下捕捉图像，例如在夜间或昏暗的室内房间。在此环境下拍摄的图像往往会出现能见度差、对比度低、噪声大等多种问题。虽然自动曝光机制（如 ISO、快门、闪光灯等）可以增强图像亮度，但同时也会产生其他的影响（如模糊、过饱和度等）。这将对人类视觉体验和下游视觉任务产生负面影响，例如物体检测、视觉识别，视频监控等。因为这些任务的大多数解决方案都是针对曝光良好的图像设计的，因此，需要一种能有效提高微光图像质量的方法。
[0003]随着低照度图像增强与低照度图像识别技术的发展，该领域的各研究人员正在不断的进行技术方法的更新中，但在现如今的研究方法仍存在大量空缺，并且还存在很多问题有待改善：如在低照度图像增强过程中，依然会出现细节不够丰富，语义信息保留不足以及失真伪影等的情况；在低照度图像识别中，难以从低质量的图片中获取足够的可识别信息...
【技术保护点】
【技术特征摘要】
1.一种基于线性自注意力机制的低照度图像增强模型，其特征在于：线性阵列自注意力，它可以直接从特征图中推断出 3
‑
D 全局注意力权重，然后对这些特征图进行细化，细化的特征图可以通过使用全局权重调整局部特征图来隐式地耦合局部和全局关系，可以降低训练和部署模型的成本，具体包括以下步骤：1）首先设计一个可以进行端到端训练的卷积神经网络；2）通过Kaiming网络参数初始化方法初始化步骤1的卷积神经网络；3）线性注意力首先将特征图编码为分别沿垂直和水平方向的两个二维特征编码；4）使用自注意力机制构建全局表示；5）由多层感知器（MLP）和 sigmoid 激活函数生成 3
‑
D 全局注意力权重；6）将得到的算法进行评估，并输出对应的测试结果。2.如权利要求1所述的基于线性注意力机制的低照度图像增强模型，其特征在于，设计一个可以进行端到端训练的卷积神经网路，该网络嵌入了通道注意力模块和空间注意力模块，同时在网络连接上使用残差连接和密集连接。3.如权利要求...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。