[发明专利]基于传递注意力机制的非均匀雾图去雾算法

权利要求书

1.基于传递注意力机制的非均匀雾图去雾算法，其特征在于：包括如下步骤：

S1、稀疏平滑空洞卷积特征提取，采用普通卷积与平滑空洞卷积交错的形式构建稀疏块，提取图像中不同级别的特征信息；

S2、基于传递注意力机制的非均匀雾霾特征处理，在去雾网络中融入注意力机制，分别学习不同级别特征图中的通道注意力特征图与像素注意力特征图，赋予每个通道不同的权重值并使网络更加关注浓雾区域和高频区域，自适应地学习特征图在不同的权值下的特征映射，然后将注意力模块中的通道注意力特征图与像素注意力特征图分别向后传递，使注意力特征图中的权重信息在各个注意力块之间流动并相互配合，充分发挥注意力机制的优势；

S3、损失函数，在网络训练过程中，使用smooth L1loss作为损失函数，用来计算输出的输出去雾图像与对应真实无雾图像之间的差值。

2.根据权利要求1所述的基于传递注意力机制的非均匀雾图去雾算法，其特征在于：S1中，稀疏块的构件步骤如下：

S1-1、在深度学习的图像分类网络的基础上，去雾网络先利用两层普通卷积提取图像中的特征信息，并引入跳跃连接抑制过拟合现象；

S1-2、利用两层级联的平滑空洞卷积更大范围的提取图像中的特征信息，跳跃连接的加入，抑制深层网络梯度消失的问题，提高网络学习能力。

3.根据权利要求1所述的基于传递注意力机制的非均匀雾图去雾算法，其特征在于：S2中的注意力机制的融入步骤如下：

S2-1、先通过一层卷积核大小为3×3，步长为2的卷积层对特征图通道特征进行预处理，降低特征图尺寸；

S2-2、利用池化层对预处理特征图逐通道平均池化，得到每个通道的特征描述，经过两层卷积层和激活函数的处理后得到各通道的权重系数，即通道注意力特征图；

S2-3、将原始特征图与对应通道的权重系数逐像素相乘。

4.根据权利要求1所述的基于传递注意力机制的非均匀雾图去雾算法，其特征在于：S2中的传递注意力机制的结构是将每一个注意力模块中的通道注意力特征图和像素注意力特征图用通道拼接的方式分别传递到下一个注意力模块中，使注意力特征图中的权重信息在各个注意力块之间流动，其中，像素注意力特征图之间采用卷积层进行维度匹配。

5.根据权利要求1所述的基于传递注意力机制的非均匀雾图去雾算法，其特征在于：S2中，像素注意力的结构是通过两层卷积层来学习特征图的像素权重信息并在通道维度上对其进行压缩，经过激活函数处理后得到1通道的像素注意力特征图，再与各特征图中对应元素相乘来赋予每个像素不同的权重值。

6.根据权利要求5所述的基于传递注意力机制的非均匀雾图去雾算法，其特征在于：所述注意力模块中除像素注意力特征图外的其他特征图均为64通道。