买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：郑州轻工业大学

摘要：本发明公开了一种基于混合级联组注意力Transformer的非配对遥感图像去雾方法，构建具有混合级联组注意力Transformer模块的U‑Net网络结构生成器，并预训练U‑Net网络结构生成器；将预训练后的U‑Net网络结构生成器作为循环生成对抗网络的生成器，通过循环生成对抗网络实现非配对遥感有雾图像和遥感无雾图像之间的相互转化，使用损失函数调整循环生成对抗网络的参数，得到最优非配对遥感图像去雾模型。本发明不仅能够在重要区域和细节方面生成高感知质量的遥感无雾图像，同时能够避免特征丢失和颜色的偏移。

主权项：1.一种基于混合级联组注意力Transformer的非配对遥感图像去雾方法，其特征在于：构建具有混合级联组注意力Transformer模块的U-Net网络结构生成器，并预训练U-Net网络结构生成器；将预训练后的U-Net网络结构生成器作为循环生成对抗网络的生成器，通过循环生成对抗网络实现非配对遥感有雾图像和遥感无雾图像之间的相互转化，使用损失函数调整循环生成对抗网络的参数，得到最优非配对遥感图像去雾模型；该方法包括如下步骤：Step1、获取源域和目标域的训练集；Step2、构建混合级联组注意力模块，包括如下执行步骤：Step21、对于一个大小为C×H×W的特征映射v，沿通道维度均匀划分为两个大小为的子特征映射X1和X2；其中，C表示X的通道数，H和W表示X的高度与宽度；Step22、通过级联组注意力模块获取X1的对应特征映射X1′，X1′的大小为包括如下步骤：Step221、根据级联组注意力模块注意力头的总数量T对X1进行均等划分，X1＝[X11，X12，…，X1j，…，X1T]；Step222、使用第j个注意力头计算X1j的自注意力值其中：Attn表示注意力机制的自注意力函数，基于注意力机制中的query、key和value将X1j的层分割成三个不同子空间，分别表示为和Step223、以级联的方式计算每个注意力头的输出，将前一个注意力头的输出添加到后一个注意力头中对输出进行逐步改进，表示为： Step224、对X11′，X12′，…，X1j′，…，X1h′进行拼接操作，得到X1的对应特征映射X1′；Step23、通过去雾动态深度卷积模块获取X2的对应特征映射X2′，X2′的大小为包括如下步骤：Step231、通过自适应平均池化操作对X2进行空间上下文聚合，将X2的空间维度压缩为K2，再依次通过1×1卷积、ReLU激活函数、批量标准化层、1×1卷积得到注意力图其中，维度G的取值为注意力组的数量；Step232、将A重塑为并在维度G上使用归一化函数softmax，从而得到注意力权重值Step233、将A′按元素与一组可学习参数相乘，并在维度G上对相乘的结果进行求和，得到依赖于X2的深度卷积核Step234、对X2与W做深度卷积操作，得到X2的对应特征映射X2′；Step24、沿着通道维度对X1′和X2′进行拼接操作，得到特征映射X′，X′的大小为C×H×W；Step25、采用去雾压缩特征增强器对X′进行高效的特征聚合；所述去雾压缩特征增强器包括用于增强局部关系的3×3深度卷积、ReLU激活函数和批量标准化层，用于降低计算成本的通道压缩和1×1扩展卷积，用于减少特征丢失的残差连接器；Step3、构建具有混合级联组注意力模块的混合级联组注意力Transformer模块；Step4、构建具有混合级联组注意力Transformer模块的U-Net网络结构生成器，并通过循环迭代的方法预训练U-Net网络结构生成器；Step5、将预训练后的U-Net网络结构生成器作为循环生成对抗网络的生成器，构建循环生成对抗网络；Step6、构建损失函数，利用损失函数调整调整循环生成对抗网络的参数；Step7、将训练好的循环生成对抗网络作为最优非配对遥感图像去雾模型；Step8、将待处理的遥感有雾图像输入到最优非配对遥感图像去雾模型，得到对应的遥感无雾图像。

全文数据：

权利要求：

百度查询： 郑州轻工业大学 一种基于混合级联组注意力Transformer的非配对遥感图像去雾方法