Page 316 - 《软件学报》2021年第10期
P. 316

3288                                 Journal of Software  软件学报 Vol.32, No.10, October 2021

                 第 30 次、第 50 次、第 80 次迭代时,学习率每次乘以 0.2 降低.
                    真实环境下很难获得大量成对无雨和有雨的图像,因此使用仿真雨的数据集去训练本文的网络.Yang 等
                 人 [12] 收集仿真小雨 Rain100L 和大雨 Rain100H 数据集,每个数据集都有 100 张测试图像.Ren 等人                 [16] 删除
                 Rain100H 中与测试集相同的图像,使网络有更好的泛化能力.在本实验中,使用的数据是 Ren 等人提供的数据
                                                                                                [1]
                 集、Zhang 等人 [35] 的数据集 Rain800(含有 700 张训练图像和 100 张测试图像)以及测试数据集 Rain12 .真实的
                 雨图像是从网络下载的,用来测试网络模型在真实情景下的去雨能力.
                 3.1   融合学习
                 3.1.1    网络框架
                    本小节分析 RDARENet 中的两个模块,分别是阶段循环次数、每个阶段的预测结果与集成学习输出结果
                 的比较.
                       循环的次数
                    网络中使用注意力残差块的个数为 6.所用的训练数据为 Rain100L,见表 1,T=3,4,5,6,7 循环阶段,通过评价
                 指标 PSNR 和 SSIM 值的比较,在循环次数 T=6,PSNR 和 SSIM 的值都取得最好且优于其他,所以设置网络阶段
                 的循环次数为 6.
                                   Table 1    Comparison of RDARENet models with different T stages
                                           表 1   比较不同阶段次数的 RDARENet 模型
                                 Model  RDARENet 3  RDARENet 4  RDARENet 5  RDARENet 6  RDARENet 7
                                 PSNR    37.887    38.378    38.003     38.547    38.341
                                 SSIM     0.980     0.981     0.981     0.982     0.982

                        阶段和集成输出结果
                    如图 3 所示,在 Rain100H 训练集上训练网络,分别选取了阶段 1、阶段 3 和阶段 6 的输出图像以及集成输
                 出图像.在 PSNR 和 SSIM 评价指标比较输出图像,集成输出图像的值明显高于其他各阶段.PSNR 和 SSIM 值分
                 别为:图 3(b),19.369/0.705;图 3(c),25.918/0.842;图 3(d),24.621/0.785;图 3(e),27.424/0.895.












                        (a)  雨图              (b)  阶段 1             (c)  阶段 3             (d)  阶段 6            (e)  集成图
                                 Fig.3    Comparison of the different stages outputs and ensemble output
                                           图 3   比较不同阶段输出图以及集成输出图
                 3.1.2    模块的融合
                    为了验证各个不同模块在网络中的重要性,本文进行了融合学习.如表 2 所示,在 Rain100L 数据集上验证不
                 同模块对网络的效果.首先,使用 6 个连续的残差网络(RB)作为基础的去雨网络.通过在每个残差网络的残差块
                 中添加通道注意力和空间注意力模块,使得网络更好地关注于雨痕和背景图层,细化地提取以及区分雨痕和背
                 景特征.由于雨痕的密度、形状和方向的复杂性,本文在每个残差网络前都添加多尺度扩张卷积(MSDC)来聚合
                 雨痕信息,并且避免因为网络加深造成低层细节的丢失,在多尺度扩张卷积模块和注意力的残差网络之间添加
                 长短时间记忆网络(LSTM).多阶段去雨网络在每个阶段都输出去雨图像,门控网络则可以自动融合各阶段去雨
                 图像之间的差异,使得图像去雨的效果更好.
   311   312   313   314   315   316   317   318   319   320   321