arXiv 2019
Yanting Pei, Yaping Huang, Xingyuan Zhang
简介
过去的loss大多数都是MSE之类的损失，在视觉上具有更好的吸引力，而对于高级视觉任务则并非总是有更好的性能。文章对此提出了一个CNN网络，包括三个部分：去雾子网（DNet）、分类驱动的对抗生成子网（CCGAN）、与图像分类相关的分类子网（CNet）。这个设计使去雾结果在视觉上和图像分类方面都具有更好的表现。
Model
去雾子网负责去雾，其结构为对称的U-net。
Classification-driven CGAN网络负责区别去雾图像和无雾图像。Generator为VGG网络删除全连接层的结构，而Discriminator负责鉴别区别去雾图像和无雾图像。
Classification Sub-network为分类网络，网络结构来自ResNet50。
损失函数
除了MSE损失以外，文章还设计了两个损失，分别为GAN网络的对抗损失和分类器的交叉熵损失：
在实验中，权重系数分别设置为500，1，1.
数据和训练
数据集
CUB-200-2011 Caltech256 CUB-200-2011数据集包含来自200个类别的11788张图像，其中5994张为训练集（20％作验证集）和5794张为测试集。Caltech-256数据集包含来自257个类别的30,607张图像，从每个类别中选择60张图像作为训练图像（20％作验证集），其余的作为测试图像。
训练设置
- 学习率为0.0002
- Adam优化器
