【技术实现步骤摘要】
本专利技术涉及图像处理，具体是涉及用于昼夜图像转换的forkgan神经网络的构建方法。
技术介绍
1、夜间视觉任务是深度学习领域的众多挑战之一。在某个领域的数据集上训练的网络模型通常在其他领域下会面临性能下降的问题，即数据偏差。以昼夜两种情况的目标检测为例，一个在白天数据集上训练的目标检测模型，若放在夜间图像上一般会出现30％-50％的准确度下降。最直接的解决方法是在夜间条件下收集更多带标签的数据，然后重新训练，但这种方法成本高，耗时长，而且没有从根本上解决数据偏差的问题。更好的方法是领域自适应，即利用某一领域的图像自动合成另一领域的图像。在昼夜转换领域下，研究者们通常有两种策略：一种是数据增强方法，人工处理白天图片为夜晚图片，再利用白天图片作为标签训练网络，这种方法要求数据集中白天和夜晚图片成对出现，这无疑加大了数据准备的难度，也无法解决一些复杂的图像转换问题，如昼夜转换中的光照变化；另一种则根据夜间图像的域不变特征，使用生成式网络生成白天的图像，这种方法不强制要求配对的数据集，而且能捕捉昼夜两种情况下光照和颜色等细微的差异。
...【技术保护点】
1.一种用于昼夜图像转换的Forkgan神经网络的构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，在步骤2中，所述改进后的Forkgan网络模型具体包括两部分：
3.根据权利要求2所述的方法，其特征在于，所述多尺度特征融合模块具体为：
4.根据权利要求3所述的方法，其特征在于，所述位置注意力机制模块PAM具体为：
5.根据权利要求3所述的方法，其特征在于，所述卷积块注意力机制模块CBAM具体为：
6.根据权利要求2所述的方法，其特征在于，所述卷积上采样模块的结构示意图，卷积上采...
【技术特征摘要】
1.一种用于昼夜图像转换的forkgan神经网络的构建方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的方法，其特征在于，在步骤2中，所述改进后的forkgan网络模型具体包括两部分：
3.根据权利要求2所述的方法，其特征在于，所述多尺度特征融合模块具体为：
4.根据权利要求3所述的方法，其特征在于，所述位置注意力机制模块pam具体为：
5.根据权利要求3所述的方法，其特征在于，所述卷积块注意力机制模块cbam具体为：
6.根据权利要求2所述的方法，其特征在于，所述卷积上采样模块的结构示意图，卷积上采样模块的结构为：原图大小为的图像输入编码器输出形状的低分辨率特征图，低分辨率特征图输入卷积、批量归一化、relu激活函数的输出通过pixelshuffle方法对特征图进行像素重排，将特征图的通道信息重新排列到空间维度，从而实现上采样；其中，pixelshuffle方法对特征图进行像素重排的具体原理为：原图大小为h×w×3，经过编码器后得到h×w×...
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。