恶劣环境下图像算法数据增强方法

刘洪宇，杨 林，姜 蕾

(中国航天科工集团第二研究院 七〇六所，北京 100854)

0 引 言

在计算机视觉领域，随着优化方法[1,2]的进步和公开数据规模的提升，基于深度学习的目标识别[3,4]、目标检测[5,6]、人脸识别[7,8]等算法效果已取得较大提升。这些算法受潮湿、震动、电磁干扰等外部恶劣环境的影响较小，只要保证输入图像质量，算法即可稳定运行。但风沙、大雾等环境会为捕捉到的图像带来较大噪声，本文实验结果表明，若不进行处理，这些恶劣环境引入的噪声将对模型效果产生较大影响。

传统数据增强方法可解决大部分恶劣环境下出现概率较高的图像问题，例如通过对亮度、对比度和饱和度的调整，模拟逆光、过度曝光、低亮度等情况；通过图像掩码模拟物体遮挡情况等，但传统方法无法模拟大雾、风沙等恶劣环境，为解决这一问题，提出了一种基于图像风格迁移的数据增强方法，主要工作有以下几点：

(1)将图像风格迁移技术用于数据增强，对训练集中的图片进行大雾、风沙环境下的数据增强，增加恶劣环境下的样本数量。

(2)使用PeleeNet[9]作为分类网络骨架，对激活函数、损失函数以及网络训练方法进行优化调整，并使用改进后的网络进行图像分类任务，验证提出的数据增强方对恶劣环境下图像分类模型鲁棒性的提升。

(3)建立了包含22 500图片的数据集，包括完整的图片爬取、图片去重以及人工标注流程处理，用于模型的训练和测试。

1 基于风格迁移的数据增强

由于恶劣环境下数据采集难度大、数据标注成本高等原因，数据集规模较小是一个较为严重的问题。……