基于多细节卷积神经网络的单幅图像去雨方法

本文提出一种基于多细节卷积神经网络的单幅图像去雨方法。考虑到雨条信息大都存在于有雨图像的高频部分，所提方法将有雨图像通过引导滤波进行多次分解得到平滑图像和不同频率分布的多细节图像，提出多细节卷积神经网络学习有雨图像和无雨图像之间的映射关系，从而获得无雨图像。考虑到实际收集相同场景下的有雨图像和无雨图像难度较大，本文采用无雨图像和人工合成的有雨图像作为训练数据，而测试部分则采用合成的雨图和真实的雨图。实验结果表明，本文所提方法能够有效去除图像中的雨条信息。      

基于随机遮挡辅助深度表征学习的车辆再辨识

在车辆再辨识中,如何通过车辆外观学习到具有强区分度和鲁棒性的表示特征是至关重要的.为此,本文提出一种基于随机遮挡辅助深度表征学习的车辆再辨识算法以提高车辆再辨识的准确率.首先,本文所提算法通过引进随机遮挡对原始训练图片在局部区域进行随机遮挡,一定程度上模拟了现实中的一些遮挡情况,不仅增加了训练样本的数量,而且新增遮挡样本对于网络模型来说属于困难样本,能够防止网络模型过拟合,使得网络模型具有更强的鲁棒性;其次,本文所提算法通过构建孪生网络对原始图片和随机遮挡图片进行分类和验证联合优化学习.实验结果表明,在VeRi和VehicleID这两个数据库上,所提算法优于现有多种车辆再辨识方法.