Underwater image enhancement using adaptive standardization and normalization (利用自适应标准化和归一化网络增强水下图像)

Water-Net:水下图像增强基准数据集(UIEB Dataset)2019年TIP顶刊论文 IEEE Transactions on Image Processing CCF推荐国际学术期刊A类(计算机图形学与多媒体) Water-Net 它是一种门控融合(gated fusion)的卷积神经网络,在UIEB数据集上进行水下图像增强。为了适应退化的水下图像的特性,Water-Net模型通过三种方法增强输入图像,分别是白平衡(WB)、伽马矫正(GC)和直方图均衡(HE)。但是这是一个复杂的CNN结构,受到反向散射的影响。 项目地址:https://li-chongyi.github.io/pro. 阅读详情
摘要:

        本文利用自适应标准化网络和归一化网络提出了一种基于机器学习的水下图像增强方案。自适应标准化网络旨在匹配输入特征的分布。这有助于纠正水下图像的扭曲分布,并方便训练。拟议的自适应归一化网络是利用两个挤压-激发块和传统的特征归一化方法构建的。它旨在增加对比度、消除朦胧效果和恢复亮度。通过对这两个网络的适当配置,水下图像增强的性能得到了改善。提议议的网络结构简单,因此所需的参数较少。仿真结果验证了所提出的水下图像增强方案优于其他最先进的方法。所提出的方法在改善水下图像的主观和客观方面都表现出了卓越的性能。
代码见: https://github.com/cwoop92

贡献:

1)传统的批量归一化(BN)通常用于通过对输入特征进行重新定位和缩放,使训练更快、更稳定。它被视为线性化特征标准化。在所提出的方法中,ASNet (自适应标准化网络) 由 BN 前的卷积层和 BN 后的 sigmoid 激活函数组成。ASNet 负责匹配颜色通道的直方图。
2)ANNet (自适应归一化网络) 的设计使用了两个改进的挤压激励(SE)块,如一个具有最大池化(MaSE)的 SE 块和一个具有最小池化(MiSE)的 SE 块,以构建自适应归一化。对于给定的输入特征,可获得与特征特性相适应的百分位数最大值和最小值。ANNet 可以调整图像的亮度并增强其对比度。
3)所提出的 UIE 网络主要由两个 ANNets 之间的连续 ASNets 和最后阶段的卷积层组成。所提出的方法将两种传统的特征分布修改方法整合到可训练的机器学习模块中,创建了一个简单而有效的 UIE 网络。

网络结构:

       UIE 网络由 K+1 个 ASNets、两个 ANNets 和一个单独的卷积层组成。图 2 中,线条旁的数字表示特征图中的通道数。将 ASNets 和 ANNets 组合应用于给定的水下图像 I 时,可生成增强图像 R。

对于给定的特征 X,ASNet 生成标准化特征的过程如下:S=f_{s}(X),(1) 其中,fS() 表示自适应标准化网络的函数表示,S 是具有 C(C = 128)通道的标准化特征。ASNet 由卷积层、BN 模块和 sigmoid 激活函数组成。ASNet 的作用是重合给定特征的分布。

ANNet分别使用 MaSE 和 MiSE 块,以可训练的百分位数最大值和百分位数最小值自适应地拉伸特征分布。对于给定的特征 X,自适应归一化网络 fN() 的功能表示如下:N=f_{N}(X),N表示归一化特征。

对于水下图像 I,我们在第一个 ANNet 之后定位 K 个连续的 ASNets,以提取足够的特征,并将特征的分布重合如下:NE 表示还原增强图像的最终特征。在最后阶段,根据卷积层和使用 NE 的 sigmoid 激活函数得到修复后的图像 R,σ() 是 sigmoid 激活函数,Conv() 表示卷积函数。卷积操作的目的是确保修复后的图像具有三个通道。

Adaptive standardization network(自适应标准化网络)

       标准化技术是重合色度直方图的一种简单的传统解决方案。它使用平均值和标准偏差进行特征缩放。在本文中,提出了一种对水下图像特征进行标准化的 ASNet。

       图 4 是 ASNet 的框图。由卷积层、BN 和 sigmoid 激活函数组成。对于输入特征 X = [x1,x2,...,xC′ ](其中 c′∈[1,2,...,C′ ])和滤波器核的学习集 V = [v1,v2,...,vC](其中 c∈[1,2,...,C]),输出 U = [u1,u2,...,uC]如下所示:其中 * 表示卷积运算,vc 表示第 c 个卷积滤波器 U 的参数。在提议的 ASNet 中,第一个 ASNet 的输入是 C′ = 3 的水下图像,其余 ASNet 的输入维度为 C′ = C。(相当于图中的黄色快,进行卷积计算)
       BN是特征标准化的线性化版本。它的首次引入是为了克服内部协变量偏移现象,这种现象会导致网络学习效果不佳。BN 允许更高的学习率和更简便的初始化。对每个 uc 进行 BN 处理,生成批量归一化特征图 bc。假设 bc(x,y) 和 uc(x,y) 分别是 bc 和 uc 在空间位置 ( x,y) 上的特征值。bc(x,y) 利用 uc 的均值(μ(uc))和方差(Var(uc))计算如下:(相当于图中的蓝色快,进行批归一化处理)αc 和 βc 是可调参数。最后,使用 sigmoid 激活函数获得 ASNet 的输出如下:S = [s1,s2,...,sC],B = [b1,b2,...,bC]。由于标准化操作会产生一个无边界范围,因此使用 sigmoid 激活函数将输出范围限制在 0 和 1 之间。(相当于图中的灰色块,激活函数)
        虽然 ASNet 的作用是使特征直方图重合,但它只有在特征分布为高斯分布时才有效。此外,标准化操作不会将特征限制在特定范围内。sigmoid 函数只能使极端值达到饱和。因此,ASNet 本身不足以还原图像的原始颜色并改善对比度。本文提出的 ANNet 可实现合理的色彩还原性能和对比度增强效果。

Adaptive normalization network(自适应标准化网络)

 
传统的特征归一化技术是利用最大值和最小值来改变特征值的范围,从而拉伸对比度。通常使用百分位数最大值和最小值,因为归一化过程在很大程度上会受到异常值的影响。给定特征 X 的归一化定义如下:maxp() 和 minp() 分别是百分位数最大值和百分位数最小值。
        水下图像具有各种类型的色度分布,因此归一化技术通常效果不佳。不过,精心选择百分位数的最大值和最小值可以产生足够好的效果。应为每幅水下图像设置不同的百分位数最大值和最小值,以达到略微有效的效果。特征归一化的问题在于很难选择最佳百分位值,因为不同的特征会有不同的百分位值。根据给定数据对百分位值进行精密选择和调整,将产生显著的归一化效果。
        SE 模块首次被提出来,通过明确模拟通道之间的相互依存关系,自适应地重新校准通道特征响应。它包括挤压和激励操作。挤压操作旨在利用全局平均池挤压全局空间信息。激励操作旨在全面捕捉信道相关性。激励模块依次由一个全连接(FC)层、一个 ReLU 函数、一个 FC 层和一个 sigmoid 函数组成。它将特定于输入的描述符映射到一组信道权重。SE 模块可应用于现有的流行模型,包括 Inception和 ResNet模块,赋予这些模块对通道关系更高的灵敏度。
        传统的 SE 模块对卷积层提取的特征Xc采用全局平均池化处理,具体方法如下。
Zc 是挤压后的全局空间信息,Fsq() 是使用全局平均运算的挤压函数。为了利用在挤压操作过程中汇总的信息,采用了如下门控机制:z = [z1,z2,...,zC],ω 表示权重向量,Fex() 表示激励函数,δ 指 ReLU 函数,W1 和 W2 表示两个全连接层的参数向量。
        在本文中,介绍了一种分别使用最大和最小池化的两个 SE 块的 ANNet。ANNet 的作用是分别使用基于 MaSE 和 MiSE 块获得的两个权重 \omega _{c}^{MaSE}和 \omega _{c}^{MiSE}对给定的输入特征进行自适应归一化。图 6 展示了 ANNet 的框图。对于给定的输入特征 xc,在 MaSE 模块中进行的最大普查如下:z_{c}^{max}是基于全局最大值的挤压空间信息。在经过 FC 层、ReLU 函数、另一个 FC 层和 sigmoid 函数后,该模块会产生一个信道权重 \omega _{c}^{MaSE},如下所示:。同样,利用 MiSE 模块,通过最小池化得到信道权重 \omega _{c}^{MiSE},具体如下:z^{_{c}^{min}}的计算公式为:
计算ANNet 的输出特性如下:

总结:

        本文提出了一种使用自适应标准化和归一化网络的高效 UIE 网络。利用机器学习技术,将传统的特征标准化和归一化方法体现为数据驱动网络。ASNet 利用特征提取进行数据驱动的自适应标准化,而 ANNet 则利用两个修改过的 SE 块自适应确定特征归一化的最小值和最大值。利用较低的可调参数有效配置了这两个拟议网络,并将其应用于实现 UIE。各种消融研究表明,所提议的网络在色彩校正和对比度改善方面都发挥了关键作用,这突出了它在水下图像增强方面的重要贡献。针对不同类型的水下图像,通过与 13 种类似方法的结果进行比较,对所提出方法的结果进行了评估。仿真结果证明,所提出的方案在增强效率方面优于其他最先进的方法。虽然提议的网络能有效增强水下图像,但在色彩严重失真的情况下,其直接应用就变得具有挑战性。未来的工作将侧重于探索如何应用所提出的网络来改进沙尘图像,因为沙尘图像通常表现出较强的红色和较弱的蓝色成分。

U-Shape Transformer for Underwater Image Enhancement(用于水下图像增强的U型Transformer)总结 在第一轮中,受多个弱分类器可以组成一个强分类器的集合学习[46]的启发,我们首先使用现有的 18 种最优 UIE 方法相继处理收集到的水下图像,生成一个包含 18 ∗ 8018 幅图像的集合,用于下一步最佳参考数据集的选择。这项实验发布了一个大规模水下图像(LSUI)数据集,其中包含真实世界的水下图像,与现有的水下数据集相比,具有更丰富的水下场景(水域类型、光照条件和目标类别),并生成相应的清晰图像作为对比参考。在不同的色彩空间中对某一通道进行量化的目的是计算增强图像与参考图像在该通道上的交叉熵损失。 阅读详情

相关推荐

libtorch waternet水下图像增强模型和基准数据集

此外,我们提出了一个在此基准上训练的水下图像增强网络(称为 Water-Net)作为基线,这表明了所提出的 UIEB 用于训练卷积神经网络(CNN)的泛化。此外,我们提出了一个在此基准上训练的水下图像增强网络(称为 Water-Net)作为基线,这表明了所提出的 UIEB 用于训练卷积神经网络(CNN)的泛化。此外,我们提出了一个在此基准上训练的水下图像增强网络(称为 Water-Net)作为基线,这表明了所提出的 UIEB 用于训练卷积神经网络(CNN)的泛化。60 张具有挑战性的水下图像。

爱CV 2710

【论文笔记】Ucolor

由于波长和距离相关的衰减和散射,水下图像会产生色差和对比度低的问题。为了解决这两个问题,我们提出了一种基于介质传输引导的多色空间嵌入水下图像增强网络,称为Ucolor。具体而言,我们首先提出了一种多颜色空间编码器网络,该网络通过将不同颜色空间的特征融合到统一的结构中,丰富了特征表示的多样性。加上注意机制,从多个颜色空间中提取的最具鉴别性的特征被自适应地整合和突出显示。受水下成像物理模型的启发,我们设计了一个介质传输(表明场景辐射到达相机的百分比)引导解码器网络,以增强网络对质量退化区域的响应。

weixin_44919639的博客 4018

水下图像增强(论文复现)

它主要针对水下图像增强任务,通过神经网络训练的方式,将模糊的,低分辨率的,对比度低的水下图像,转换成高清的、高分辨率的,对比度高的图像。(1)、多尺度特征编码(Multi-Scale Feature Encoding):输入是不同尺度的特征图, 直接应用于分区原始图像的线性投影不同,我们使用具有相关滤波器大小在不同尺度的特征图上进行线性投影。1卷积生成的特征图使用参考图像。通过所描述的多尺度连接,梯度流可以在生成器和鉴别器之间在多个尺度上自由流动,从而可以获得稳定的训练过程,丰富生成图像的细节。

程序猿追的博客 2563

水下图像增强算法研究

水下图像增强算法综述。

weixin_43403605的博客 1万+

Underwater-Image-video-Enhancement-:带有平均滤波和主成分分析的色彩平衡,用于水下图像视频增强

Underwater-Image-video-Enhancement-:带有平均滤波和主成分分析的色彩平衡,用于水下图像视频增强

Arduino Uno 实验15——MQ-135 气体传感器模块

MQ-135 气体传感器模块简介(空气质量检测 有害气体检测)   MQ135气体传感器所使用的气敏材料是在清洁空气中电导率较低的二氧化锡(SnO2)。当传感器所处环境中存在污染气体时,传感器的电导率随空气中污染气体浓度的增加而增大。MQ135气体传感器对氨气、硫化物、苯系蒸汽的灵敏度高,对烟雾和其它有害气体的监测也很理想。这种传感器可检测多种有害气体,是一款适合多种应用的低成本传感器。   主要用途:家庭和环境的有害气体检测装置   主要芯片:LM393、MQ-135气体传感器 不同气体的型号选择

weixin_42645653的博客 2万+

水下图像融合增强(Matlab代码实现)

针对水下光的吸收和散射作用,水下图像往往存在颜色失真、对比度低、细节模糊等现象,提出了一种新的水下图像增强算法。首先,以颜色校正的方式改进了一种基于暗通道先验(DCP)的水上图像增强方法,使其可以更好地用于水下图像,并将增强后的图像作为图像融合的一个输入。然后,利用非锐化掩蔽(USM)增强图像的纹理特征,并将再次增强的图像作为图像融合的另一个输入。与其他方法的比较结果表明,利用所提方法增强的图像具有更自然的外观、更高的清晰度、更多的细节和边缘信息,所提方法对水下图像有良好的增强效果。行百里者,半于九十。

weixin_46039719的博客 1572

工业场景实战:基于YOLO与多格式标注的传送带异物检测数据集构建指南

本文详细介绍了基于YOLO与多格式标注的传送带异物检测数据集构建方法,涵盖数据采集、标注技巧(YOLO、COCO、VOC格式)、数据增强策略及实战案例。通过工业级解决方案,有效提升异物检测准确率与效率,适用于各类工业场景。

weixin_29168393的博客 466

水下图像增强现有的方法总结

如果考虑发TOP的建议往Transformer方向靠,因为近几年大模型很火热都是基于Transformer的,而且据我的检索,水下图像增强第一篇Transformer是2020年好像,U型Transformer。到现在这方面的论文不算多,所以可以往这边靠拢。如果考虑发的是三区,四区建议可以往非物理模型靠(非物理模型的组合比深度学习容易,直接组合即可,而深度学习中你把别人的某个模块移植过来进行创新 需要改卷积尺寸,通道尺寸,以及后面的代码都会收到影响。

weixin_55059761的博客 3861

智能优化算法-北方苍鹰优化算法(NGO)(附源码)

北方苍鹰优化算法 (Northern Goshawk Optimizer, NGO) 是一种基于群体智能的元启发式优化算法,它模拟了北方苍鹰(Northern Goshawk)的捕食行为、领地行为以及社交互动,用于解决复杂的优化问题。总之,NGO作为一种新颖的优化算法,在处理复杂优化问题方面展现出了潜力。随着进一步的研究和应用,NGO有望成为解决实际问题的有效工具。

w971656545的博客 1363

死磕GMSSL通信-java/Netty系列(二)

Netty-tcnative再linux编译比较好编译,但是再window编译,我尝试了各种办法,总是编译失败,所以我采用半自动的方式进行编译,Netty-tcnative会生成临时文件,直接用vs打开,设置openssl的头文件和静态库路径,然后生成静态库,静态库改个名字放到jar包里边,其实自动编译也是这个原理哈哈O(∩_∩)O。直接传输五个证书的路径吗,之前有的是说要转成x509之类的,转来转去的有点麻烦,这个是直接传输证书路径,由底层gmssl去解析,格式必须是pem格式。然而,若项目已依赖于。

qq_36577699的博客 3028

【图像增强】Underwater Image Enhancement via Piecewise ColorCorrection and Dual Prior OptimizedContrast

本文发表于期刊IEEE Signal Processing Letters ,发表时间为 2023年 11 月。第一作者张东卫:中共党员,博士,河南科技学院信息工程学院校聘教授。长期从事低可视性图像增强、智慧农业、深度学习等方面的研究。翻译由于光的吸收和散射,水下采集的图像常常面临严重的质量退化问题。在本文中,提出通过分段颜色校正和双重先验优化对比度增强来解决上述问题。

lutlx20010913的博客 2162

李大勇matlab密码,基于MatlabSimulink的太阳能热水系统仿真研究 沈超.doc

基于MatlabSimulink的太阳能热水系统仿真研究 沈超中国工程热物理学会 工程热力学与能源利用 编号:141090基于Matlab/Simulink的太阳能热水系统仿真研究沈 超1 1 余 鹏1 李洪欣1 魏新利2郑州大学土木工程学院,郑州 450001郑州大学化工与能源学院,郑州 45...

weixin_42298437的博客 1349

图像增强任务——基于CycleGAN与UNet分别实现与对比

本文通过两种方法CycleGAN与UNet来实现计算机视觉领域的增强任务,并提供一些个人见解

2301_77491330的博客 2138

【Flink】FlinkSQL如何触发执行计算

Table (通过 StatementSet.addInsert() 输出给某个 Sink)和 INSERT 语句 (通过调用 StatementSet.addInsertSql())会先被缓存到 StatementSet 中,StatementSet.execute() 方法被调用时,所有的 sink 会被优化成一张有向无环图。该方法是用来将一个表的内容插入到目标表中,一旦该方法被调用, TABLE API 程序立即被翻译。该方法是用来执行一个 SQL 语句,一旦该方法被调用, SQL 语句立即被翻译。

一杯咖啡半杯糖的博客 1009

智慧加油站小程序数据库设计文档

【代码】智慧加油站小程序数据库设计文档。

低代码布道师的博客 1407

分享四种常用的水下图像增强算法

水下图像常常受到水中悬浮颗粒的散射和吸收影响,导致图像中出现雾霾效果。去雾算法旨在通过估计和消除雾霾引起的图像退化,从而提高水下图像的清晰度和对比度。MSRCR算法基于多尺度的Retinex理论,通过估计图像的光照分量和反射分量来减少图像的光照不均匀性,从而改善图像的质量和视觉效果。HE是一种用于增强图像对比度的经典技术。它通过重新分配图像像素的灰度级别,使得图像中的灰度值更加均匀分布,从而增强图像的整体对比度。CLAHE是HE的改进版本,它在局部区域内应用直方图均衡化,以避免在图像中产生过度增强的噪声。

skywalkerxhx的博客 5093

SIMULINK开发项目实例 1000 例专栏之第802例--基于电机驱动系统的场景实例:永磁同步电机(PMSM)在电动汽车中的矢量控制仿真

随着全球对环境保护的关注增加,电动汽车(Electric Vehicle, EV)因其环保特性而受到广泛关注。永磁同步电机(Permanent Magnet Synchronous Motor, PMSM)由于其高效率、高功率密度和良好的动态响应性能,在电动汽车驱动系统中得到了广泛应用。矢量控制(Field-Oriented Control, FOC)是实现PMSM高性能控制的关键技术之一,它能够实现对电机转矩和磁场的独立控制,从而达到类似直流电机的控制效果。本文将详细介绍如何使用来构建一个。

xiaoheshang_123的博客 270

学习笔记之——水下图像增强/复原

本博文为本人调研水下图像增强时做的一些笔记。可能整理得不是很清晰,仅仅供个人学习记录用~欢迎各位交流~ 目录 背景 研究现状(常用的方法) 非物理模型的图像增强方法 白平衡方法 直方图均衡化方法 基于Retinex的方法 基于暗通道先验的方法(去雾的方法) 基于卷积神经网络的方法 基于物理模型的图像复原方法 水下图像成像理论 水下成像系统 水下散射模型 水下退化图...

gwpscut的博客 6万+

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

VB摄像头监控

该VB模块可对摄像头捕获的画面进行录像等,可在创建的窗口进行控制

【图像增强】使用多融合技术进行水下图像增强研究(Matlab代码实现)

多元融合技术通过整合多源数据或算法,提升信息质量与可靠性。其核心原理基于数据互补性与计算机高速运算,解决冗余、缺失问题。数据层融合:直接合并原始数据(如多光谱图像叠加),保留细节但计算量大;特征层融合:提取多算法特征后整合(如颜色直方图与纹理特征联合),平衡效率与精度;决策层融合:独立处理后融合结果(如加权投票),灵活性高但可能丢失细节。

m0_73907476的博客 728

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明,包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

TensorFlow2实现空间自适应归一化(Spatial Adaptive Normalization, SPADE)

GauGAN的主要创新是用于分割图的层归一化方法,称为空间自适应归一化(Spatial Adaptive Normalization, SPADE)。自此,GAN归一化家族中又添加了一个新秀归一化技术。

盼小辉丶的博客 6588

贝叶斯统计 [韦来生编]

贝叶斯(Bayes)统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外,还要利用参数的先验信息,因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”,近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。  本书共分六章。第1章是绪论,介绍了贝叶斯统计的若干基本概念,同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法,包括蒙特卡洛方法和马尔可夫链蒙特卡洛(MCMC)方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题,书末附有常用的几个表格和部分习题解答供读者查用。  大约可在54学时内讲授本书的第1章至第六章的主要内容,教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲,留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。  作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容,以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。  本书编写准备过程中,中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版,作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

Adaptive Normalization for Non-stationary Time Series Forecasting: A Temporal Slice Perspective

深度学习模型由于其捕获序列依赖性的强大能力而逐步推进了时间序列预测。然而,由于现实世界的数据存在非平稳性,这意味着数据分布随着时间的推移而迅速变化,因此做出准确的预测仍然具有挑战性。为了缓解这种困境,已经进行了一些努力,通过标准化操作来减少非平稳性。然而,这些方法通常忽略了输入序列和水平序列之间的分布差异,并假设同一实例中的所有时间点具有相同的统计属性,这种方法过于理想,可能导致次优的相对改进。

weixin_45731480的博客 1155

深度学习在时间序列预测的总结和未来方向分析

在2023年,我们看到了Transformers 在时间序列预测中的一些持续改进,以及llm和多模态学习的新方法。随着2024年的进展,我们将继续看到在时间序列中使用Transformers 架构的进步和改进。可能会看到在多模态时间序列预测和分类领域的进一步发展。作者:Isaac Godfried。

deephub 7838

【水下图像增强】Enhancing Underwater Imagery using Generative Adversarial Networks

自动水下航行器(Autonomous underwater vehicles (AUVs))依靠各种传感器——声学、惯性和视觉(acoustic, inertial and visual)——进行智能决策。由于其 非侵入性、被动性和高信息量,视觉(non-intrusive, passive nature, and high information content) 是一种有吸引力的传感方式,特别是在较浅的深度。

博观约取,厚积薄发 4311

水下图像增强改进8

水下图像增强改进8 最近受疫情影响哪都去不了,周六周日只能在家划水了。 一个不幸的事情是陪了我n多年的笔记本电脑屏幕炸裂了,所以最近买了一个小米的外接显示屏,偶然发现我以前的笔记本屏幕和现在的外接屏幕显示效果真是天差地别。 用新的显示屏看以前博客中水下图像的增强效果貌似不尽人意。 看来做图像有一个好的显示屏真的很重要。 我就趁着这两天分析了以前水下图像增强算法效果不好的原因: 第一点是自己的参数设...

水月寒冰的博客 2719

料箱抓取中的背面点:按面板读懂一张坐标可视化

料箱抓取画面里的背面点,是 HccePose(BF) 根据已知物体的 RGB 外观预测出的模型表面坐标。读图时把正面坐标、背面坐标和最后的位姿投影沿着同一个物体对照,才能看出各个中间结果在表达什么。

weixin_42605076的博客 383
上一篇: Fast Underwater Image Enhancement for Improved Visual Perception(快速增强水下图像以提高视觉感知能力)
下一篇: HCLR-Net: 混合对比学习正则化与局部随机扰动用于水下图像增强
G-Howe
博客等级 码龄9年 110粉丝 48原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付:10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值
⌂ 换网址