[發(fā)明專利]具有多場景適應(yīng)性的透過散射介質(zhì)模塊化成像方法

有效

• 申請?zhí)枺?/td>: 202111472000.8
• 申請日: 2021-12-06
• 公開（公告）號(hào): CN113901963B
• 公開（公告）日: 2022-04-12
• 發(fā)明（設(shè)計(jì)）人: 張毅;左葦;郭恩來;韓靜;柏連發(fā);趙壯;朱碩;冮順奎;張明星;施繼玲;王曉穎
• 申請（專利權(quán)）人: 南京理工大學(xué)
• 主分類號(hào): G06V40/16
• 分類號(hào): G06V40/16;G06V10/145;G06V20/62;G06V10/44;G06V10/764;G06V10/82;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 南京蘇創(chuàng)專利代理事務(wù)所(普通合伙) 32273
• 代理人: 常曉慧

1.一種具有多場景適應(yīng)性的透過散射介質(zhì)模塊化成像方法，其特征在于：包括以下步驟：

步驟1：構(gòu)建散射介質(zhì)成像卷積神經(jīng)網(wǎng)絡(luò)，所述卷積神經(jīng)網(wǎng)絡(luò)選用UNet作為基礎(chǔ)結(jié)構(gòu)，所述UNet整體結(jié)構(gòu)呈U形編碼-解碼對稱結(jié)構(gòu)，其中編碼部分是多個(gè)由3x3的卷積操作和池化操作組成下采樣模塊提取目標(biāo)特征，解碼部分是與編碼部分同樣多個(gè)由3x3反卷積操作和上采樣函數(shù)組成的上采樣模塊恢復(fù)信息和圖像尺寸；

步驟2：對基礎(chǔ)結(jié)構(gòu)進(jìn)行改進(jìn)，調(diào)整基礎(chǔ)網(wǎng)絡(luò)深度和寬度，設(shè)置網(wǎng)絡(luò)參數(shù)量，所述寬度通過改變每層通道數(shù)調(diào)整；

步驟3：采用即插即用模塊與基礎(chǔ)結(jié)構(gòu)結(jié)合組成新的網(wǎng)絡(luò)結(jié)構(gòu)，所述即插即用模塊為密集連接模塊、特征融合模塊或感受野模塊中的一種，所述特征融合模塊為語義嵌入分支模塊SEB；

步驟4：采集數(shù)據(jù)對卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練優(yōu)化，所述訓(xùn)練優(yōu)化選用簡單字符數(shù)據(jù)和復(fù)雜人臉數(shù)據(jù)兩種不同復(fù)雜程度的數(shù)據(jù)，所述簡單字符數(shù)據(jù)和復(fù)雜人臉數(shù)據(jù)均包括訓(xùn)練集、驗(yàn)證集和測試集；

步驟5：利用優(yōu)化后的卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行成像。

2.根據(jù)權(quán)利要求1所述的具有多場景適應(yīng)性的透過散射介質(zhì)模塊化成像方法，其特征在于：所述卷積操作的Padding值均為1，保證卷積前后特征圖像尺寸不變，省去特征融合前的crop操作。

3.根據(jù)權(quán)利要求1所述的具有多場景適應(yīng)性的透過散射介質(zhì)模塊化成像方法，其特征在于：所述SEB特征融合模塊中的相乘操作設(shè)計(jì)成concat的方法。

4.根據(jù)權(quán)利要求3所述的具有多場景適應(yīng)性的透過散射介質(zhì)模塊化成像方法，其特征在于：所述感受野模塊為ASPP、RFB或PPM中的一種，所述感受野模塊統(tǒng)一設(shè)置在編碼部分與解碼部分中間。

5.根據(jù)權(quán)利要求1所述的具有多場景適應(yīng)性的透過散射介質(zhì)模塊化成像方法，其特征在于：所述語義嵌入分支模塊SEB的插入方式為：將下采樣中所有特征層級(jí)大于等于當(dāng)前上采樣特征層級(jí)的特征層送入上采樣部分進(jìn)行融合。

6.根據(jù)權(quán)利要求1所述的具有多場景適應(yīng)性的透過散射介質(zhì)模塊化成像方法，其特征在于：當(dāng)選擇插入密集連接模塊時(shí)，每個(gè)卷積塊后均插入一個(gè)密集連接模塊。