DedustNet：一种基于频率主导的 Swin Transformer 小波网络用于农业粉尘去除
计算机视觉与模式识别
2024-01-11 v1
摘要
粉尘显著影响自动化农业机械的环境感知，而现有的基于深度学习的粉尘去除方法在该领域仍需进一步研究和改进，以提升自动化农业机械在农业中的性能和可靠性。我们提出一种端到端可训练的学习网络（DedustNet）来解决真实世界的农业粉尘去除任务。据我们所知，DedustNet 首次将基于 Swin Transformer 的单元用于小波网络进行农业图像去尘。具体而言，我们通过在 Swin Transformer 中加入空间特征聚合方案（SFAS）并将其与小波变换相结合，提出了频率主导模块（DWTFormer 模块和 IDWTFormer 模块），缓解了 Swin Transformer 在处理复杂多尘背景时全局感受野的局限性。此外，我们提出了一个跨层信息融合模块，以融合不同层级的特征并有效捕获全局和长程特征关系。我们还提出了一个扩张卷积模块，以在小波变换引导下捕获多尺度的上下文信息，该模块结合了小波变换和扩张卷积的优势。我们的算法利用深度学习技术有效去除图像中的粉尘，同时保留原始的结构和纹理特征。与现有的最先进方法相比，DedustNet 在农业图像去尘中实现了卓越的性能和更可靠的结果，为农业机械在多尘环境中的应用提供了有力支持。此外，在真实世界雾霾数据集和应用测试中的出色表现，凸显了 DedustNet 优越的泛化能力和计算机视觉相关的应用性能。
引用
@article{arxiv.2401.04750,
title = {DedustNet: A Frequency-dominated Swin Transformer-based Wavelet Network for Agricultural Dust Removal},
author = {Shengli Zhang and Zhiyong Tao and Sen Lin},
journal= {arXiv preprint arXiv:2401.04750},
year = {2024}
}
备注
arXiv admin note: substantial text overlap with arXiv:2401.04550