[发明专利]训练方法及装置、去雨方法、终端设备、存储介质

权利要求书

1.一种去雨循环神经网络模型的训练方法，其特征在于，包括：

读取一张带雨图像上的带雨图片块；

将所述带雨图片块作为特征图像依次通过去雨循环神经网络模型中的通道提升模块、全局信息注意力模块、雨层注意力模块和通道恢复模块，得到所述特征图像对应的雨水图片块；

其中，全局信息注意力模块包括三个并行的具有自由移动项的卷积层；

所述移动项特征图像中一个卷积单元的公式为：

其中，F(p₀)为移动项特征图像中一个卷积单元，G_i为第i个具有自由移动项的卷积层的取样范围，w(p_n)为p_n的参数，p₀为F(p₀)对应的前一层第三特征图像上取样范围的中心点，p_n为G_i中的一个位置，d_n为p_n对应的自由移动项，d_n∈G_i；

将所述雨水图片块对应的特征图像减去所述雨水图片块，得到所述带雨图片块对应的去雨图片块；

将所述去雨图片块作为特征图像再次输入至去雨循环神经网络模型，直至得到的所述去雨图片块中的雨水被去除，完成了使用一张带雨图片块对所述去雨循环神经网络模型的训练。

2.如权利要求1所述的去雨循环神经网络模型的训练方法，其特征在于，所述特征图像通过去雨循环神经网络模型中的通道提升模块的过程包括：

所述特征图像通过所述通道提升模块的第一卷积层，得到通道数量变为第一预设通道的第一特征图像；

所述第一特征图像通过所述通道提升模块的第二卷积层，得到通道数量变为第二预设通道的第二特征图像；

所述第二特征图像通过所述通道提升模块的第三卷积层，得到通道数量变为第三预设通道的第三特征图像；

其中，所述第一预设通道＜第二预设通道＜第三预设通道。

3.如权利要求1所述的去雨循环神经网络模型的训练方法，其特征在于，所述特征图像依次通过去雨循环神经网络模型中的通道提升模块、全局信息注意力模块、雨层注意力模块和通道恢复模块，得到所述特征图像对应的雨水图片块中通过全局信息注意力模块的过程包括：

将所述特征图像通过所述通道提升模块后得到的第三特征图像输入至所述全局信息注意力模块中的三个并行的具有自由移动项的卷积层，分别得到三个移动项特征图像；

将所述三个移动项特征图像进行拼接，得到全局信息特征图像。

4.如权利要求1所述的去雨循环神经网络模型的训练方法，其特征在于，所述特征图像依次通过去雨循环神经网络模型中的通道提升模块、全局信息注意力模块、雨层注意力模块和通道恢复模块，得到所述特征图像对应的雨水图片块中通过雨层注意力模块的过程包括：

将所述特征图像依次通过所述去雨循环神经网络模型中的通道提升模块、全局信息注意力模块得到的全局信息特征图像输入所述雨层注意力模块；

根据所述全局信息特征图像计算出与其通道数量相等的权重向量；

将所述权重向量上的每个数与所述全局信息特征图像上对应的通道上的卷积单元相乘，得到雨层特征图像。

5.如权利要求1所述的去雨循环神经网络模型的训练方法，其特征在于，所述特征图像依次通过去雨循环神经网络模型中的通道提升模块、全局信息注意力模块、雨层注意力模块和通道恢复模块，得到所述特征图像对应的雨水图片块中通过通道恢复模块的过程包括：

将所述特征图像依次通过所述去雨循环神经网络模型中的通道提升模块、全局信息注意力模块、雨层注意力模块得到的雨层特征图像输入所述通道恢复模块的第一卷积层，得到通道数量变为第三预设通道的第一恢复特征图像；

所述第一恢复特征图像通过所述通道恢复模块的第二卷积层，得到通道数量变为第二预设通道的第二恢复特征图像；

所述第二恢复特征图像通过所述通道恢复模块的第三卷积层，得到通道数量变为第一预设通道的第三恢复特征图像；

所述第三恢复特征图像通过所述通道恢复模块的第四卷积层，得到所述特征图像对应的雨水图片块。