232021周报：输入通道改变

最新推荐文章于 2024-11-24 14:22:22 发布
最新推荐文章于 2024-11-24 14:22:22 发布
阅读量358 收藏 2
点赞数
分类专栏： 每周汇报 文章标签： python
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/mr_malongyu/article/details/133841654
版权

WaterNet论文概要

论文原地址：An Underwater Image Enhancement Benchmark Dataset and Beyond

UIEB数据集

构建了一个水下图像增强基准（UIEB），其中包括950张真实世界的水下图像，其中890张具有相应的参考图像。

水下图像采集有三个目标：
1.应涵盖水下场景的多样性、质量退化的不同特征以及广泛的图像内容;
2.水下图像的数量应该很大;
3.应提供相应的高质量参考图像，以便成对的图像能够进行公平的图像质量评估和端到端学习。

论文提出的原本是图像搜集方法为：这些水下图像是从谷歌，YouTube，相关论文以及我们自己捕获的视频中收集的。
论文中的参考图像为12种图像增强算法产生的结果。然后令多名志愿者进行评判图像增强质量的好坏。这950张图像中有60张图像是没有令评判标准满意的，被称为具有挑战性的图像。志愿者在AB两种方法中挑选满意的增强图像，重复多次方法

在UIEB数据集重新测试数据增强方法

MSE，PSNR和SSIM三个最常见的图像评估指标上，UIEB数据集明显更青睐于F、D两种方法，同样的是，志愿者们的评价标准与之类似。这说明选取数据集的方法与结果得到了很好的验证。
采用两个非参考指标（即UCIQE和UIQM）对UIEB数据集进行评估，实验结果很有意思，接下来我引用原文内容：

直方图和UDCP 分别获得了UCIQE和UIQM的最高分。潜水+和基于融合的不再是表现最好的。有趣的是，在UCIQE和UIQM指标方面的良好表现与主观成对比较不一致，尽管UCIQE和UIQM都声称他们考虑了人类的视觉感知。
因此，人类的视觉感知可能是对水下图像进行色彩校正的一种完全不准确的方式。

WaterNet网络

主要参考了白平衡、伽马校正与均衡化的图像处理方法（输入原始图片与三种图像增强后的图像）。
WaterNet

MIRNet

源代码与预训练模型
请添加图片描述

钢材目标缺陷检测

主流YOLO算法对比

经过对比，选择yolov5n作为检测的base model。评判的标准依据mAP0.5与mAP、模型大小、计算量与FPS，其他参数作为次要参考标准。

数据输入改进

灰度图像输入

在默认参数下，默认输入图像为（batch_size,3,640,640）的图像，要求输出（batch_size,1,640,640），首先对通道数进行修改。

1 Imread函数修改
2 4-image mosaic函数修改(数据裁剪)
3 opencv通过HWC加载图片，而Pytorch需要CHW，故需要将图片通过 'transpose((2, 0, 1)) ’ 转为CHW。难点在于3通道转为单通道时并不是（1，x，x）而是（x，x）

修改后在参数量与GFLOPs上有了改进

libtorch waternet水下图像增强模型和基准数据集
爱CV
07-19 1979
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。
mean-teacher 半监督水下图像恢复
whaosoft143ai的博客
03-23 988
尽管最近水下图像恢复技术取得了显着成就，但缺乏标记数据已成为进一步发展的主要障碍。这项工作提出了一种基于mean-teacher 的半监督水下图像恢复（Semi-UIR）框架，以将未标记的数据整合到网络训练中。论文链接：https://arxiv.org/pdf/2303.09101.pdf源码链接：https://github.com/Huang-ShiRui/Semi-UIR由于水下场景中光纤折射吸收和散射，在水中拍摄的图像通常会出现严重的色彩失真，低对比度和模糊的现象。whaosoft aiot ht
课程设计-基于matlab的水下图像增强融合算法 完整代码
06-29
课程设计-基于matlab的水下图像增强融合算法 完整代码
Water-Net：水下图像增强基准数据集（UIEB Dataset）2019年TIP顶刊论文
紫芝的博客
02-02 1万+
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.
6、论文阅读：水下图像增强基准数据集及其他数据集
DQHNB的博客
09-20 1591
大多数已经提出的水下增强算法都是使用合成数据集或少数选定的真实世界图像，这使得我们无法估计算法在真实环境下的表现。为了解决这个问题，我们提出了UIEB数据集，包括 950 张真实水下图像，其中 890 张有相应的参考图像。我们将其余60张无法获得满意参考图像的水下图像视为具有挑战性的数据。我们使用这个数据集评估了许多先进的水下图像增强的算法。此外，我们还提出了一个新的水下图像增强网络Water-Net，它使用这个数据集进行训练。基于补充信息的方法基于非物理模型的方法基于物理模型的方法和数据驱动的方法。
【论文阅读02】一种基于双通道的水下图像增强卷积神经网络
weixin_45037690的博客
04-16 2328
​细节特征提取通道中的密集连接后又引入高效注意力机制，使网络自适应关注特征的权重。细节提取模块分为两个模块：密集连接模块和高效注意力模块。高层语义提取模块就是多尺度高层语义提取模块。然后，引入了残差注意力模块和自适应融合模块优化特征，将优化后的特征送入解码器进行清晰图像的重建。解码器采用卷积激活串联结构。提出基于双通道的水下图像增强卷积神经网络，设计了编码器中的细节特征提取模块和多尺度语义特征提取模块，提出了复频域损失函数。
论文笔记Waternet
weixin_42639897的博客
05-25 1948
An Underwater Image Enhancement Benchmark Dataset and Beyond论文笔记Readme论文的贡献创新点论文启发以及可改进的点网络结构(后续补图)插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 Readme 这是一篇记录自己最近阅读论文的
datasets:一组公开可用的数据集
07-02
数据集 一组公开可用的数据集
UWGAN_UIE:UWGAN的源代码-Source code world
03-25
该存储库包含开发的方法的源代码 此代码是从和修改的 网络结构 UWGAN用于生成逼真的水下图像 UWGAN将彩色图像及其深度图作为输入，然后通过生成对抗性训练学习参数，从而基于水下光学成像模型合成水下真实图像。 您可以在找到更多详细信息。 通过UWGAN合成的水下样式图像。 （a）是空中样本图像，（b）-（d）是不同水类型的合成水下样式样本图像。 基于UNet的水下图像恢复 拟议的用于水下图像恢复和增强的U-net体系结构。 比较了U-net中不同损失函数的影响，在比较的基础上提出了最适合水下图像恢复的损失函数，可以在找到有关损失函数的更多详细信息。 数据集 下载数据： 空中RGBD数据： ， 水下图片：[] [ ] UIEB数据集进行验证：[ ] 我们用来训练UWGAN的NYU数据集：[] [ ] 从UWGAN生成的假水图像：[ ] 预训练模型：[ ] UWGAN中的
51c~目标检测~合集6
whaosoft~aiotの开发板商城
11-24 877
我自己的原文哦~ https://blog.51cto.com/whaosoft/12453652解决飞行物空间大小/纵横比、速度、遮挡等问题引起的实时目标检测问题最近在arXiv中翻阅到一遍基于Yolov8的飞机实时目标检测论文，当时通过研究其中的一些相关算法，并应用到实际场景。一个可用于迁移学习和进一步研究的飞行物体实时检测的广义模型，以及一个可供实施的精化模型。目前目标检测算法已经是非常成熟的一个领域成果物，而且到目前为止，已经有数不胜数的检测算法公开于世，尤其是Yolo系列，是目前市场中最常见的b
An Underwater Image Enhancement Benchmark Dataset and Beyond
贱小杜的博客
03-28 7148
The main contributions 4种类型的水下图片增强办法： Supplementary information-based methods Non-physical model-based methods 修改图像像素值，提高视觉质量。 Physical model-based methods Data-driven methods 本文提出的基准数据库 UIEBD 在系统...
彩色补偿的matlab代码-Awesome-Underwater-Image-Enhancement:一组很棒的水下图像增强方法
05-23
彩色补偿的matlab代码很棒的水下图像增强 作者：李玉峰，黄玉峰 1说明 很棒的水下图像增强方法的集合。 维护论文，代码和数据集。 2相关工作 2.1数据集 U45 [] EUVP [] DUIE [] UIEB [] UWCNN [] 涡轮[] Uw-imagenet [] MHL，牙买加领域[] 2.2论文 2020年 Marques等人的L2UWE：使用局部对比度和多尺度融合有效增强弱光水下图像的框架。 [] [] Zhou等，基于物理模型反馈的水下图像领域自适应对抗学习。 [][代码] Marques等人的L2UWE：使用局部对比度和多尺度融合有效增强弱光水下图像的框架。 [] [] Islam等人，《快速水下图像增强功能可改善视觉感知》。 [] [] 2019年 Anwar等人，“深入研究水下图像增强功能：一项调查”。 [] [] Li等人，《水下图像增强基准数据集及其他》。 [] [] Roznere等人，水下机器人基于模型的实时图像色彩校正。 [] [] Jamadandi等人的“基于样例的水下图像增强技术”通过小波校正变换进行了增强。 [] [] Song等人，“利用
UCI数据集和源代码&数据挖掘的数据集资源
ee_mc的专栏
11-11 4122
《UCI数据集和源代码》 UCI数据集是一个常用的标准测试数据集，下载地址在 http://www.ics.uci.edu/~mlearn/MLRepository.html 我的主页上也有整理好的一些UCI数据集(arff格式)： http://lamda.nju.edu.cn/yuy/files/download/UCI_arff.zip 在看别人的论文时，别人使用的数据集会给出数据
An Underwater Image Enhancement Benchmark Dataset and Beyong
qq_36501101的博客
12-09 2263
1.论文地址 链接：https://pan.baidu.com/s/1EVDKTYQbpBoj7ae4Uq4kxw 提取码：kamc –来自百度网盘超级会员V3的分享 2.代码地址 https://github.com/Li-Chongyi/Water-Net_Code 仅包含了文中所提出的网络结构，没有其他的算法复现 3.文章内容 主要贡献 （1）创建了一个真实场景的数据集UIEBD，包含950张水下图像，其中890张带有清晰图片，60张用于测试的图片。 （2）从数量和质量层次，对九种图像恢复手段进行
水下图像数据集
热门推荐
ChanMon的博客
12-29 1万+
1、Real-world Underwater Image Enhancement(RUIE)数据集 数据集介绍（参考https://mp.weixin.qq.com/s/FptXpmzLOZ36Xti5YiqoCw） 数据集下载：https://github.com/dlut-dimt/RealworldUnderwater-Image-Enhancement-RUIE-Benchmark 2、An Underwater Image Enhancement Benchmark Da.
U-Shape Transformer for Underwater Image Enhancement（用于水下图像增强的U型Transformer）总结
G-Howe的博客
12-04 3460
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。
水下目标检测
whaosoft143ai的博客
02-06 3530
水下目标检测目前任然还是一个具有挑战的领域, 相比于传统图像处理方法分多个步骤和环节处理检测任务, 基于深度学习的方法将其统一为端到端的特征提取和分类。虽然水下目标检测技术已经不断地从学术研究走向成熟的工业应用, 但是依然有一些需要解决的问题。 whaosoft aiot http://143ai.com
【论文笔记】Ucolor
weixin_44919639的博客
11-30 3082
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。
RESIDE数据集数据集下载yolo格式
最新发布
03-11
<think>好的，我现在需要帮助用户解决如何下载RESIDE数据集并将其标注转换为YOLO格式的问题。首先，我需要回忆一下RESIDE数据集的相关信息。根据用户提供的引用[2]，RESIDE是一个水下图像增强的基准数据集，可能包含不同类型的子集，比如水下图像、合成雾天图像等。因此，用户可能需要先确定具体需要哪个子集的数据。 接下来是下载步骤。用户可能对如何找到和下载RESIDE数据集不太清楚。我需要引导用户到官方网站或者论文中提供的链接进行下载。例如，RESIDE数据集通常会在其项目页面或相关论文中提供下载链接，可能需要填写表单或者通过邮件获取权限。 然后是数据集的目录结构。了解RESIDE的数据组织方式对后续转换很重要。通常，数据集的标注可能采用COCO或VOC格式，或者是自定义的格式。用户需要检查数据集的文档或示例文件来确定标注格式，例如是否有XML文件（VOC）或JSON文件（COCO）。 接下来是转换步骤。根据引用[1]中的信息，用户可能需要将现有的标注格式（如COCO或VOC）转换为YOLO格式。YOLO格式要求每个图像对应一个.txt文件，其中包含类别ID、归一化的中心坐标和宽高。因此，用户需要编写或使用现有的转换脚本。引用[1]提到有整理过COCO、VOC、YOLO之间的转换代码，可能可以复用其中的部分逻辑，或者用户需要根据RESIDE的具体格式进行调整。 此外，用户可能还需要验证转换后的标注是否正确，比如使用可视化工具检查边界框的位置。引用[3]提到YOLO的应用和训练，可能需要用户确保转换后的格式符合YOLO训练的要求，比如类别ID是否正确，路径配置是否准确等。 最后，用户可能需要进一步的帮助，比如如何处理数据集划分（训练集、验证集）或调整YOLO配置文件。需要确保回答覆盖这些潜在的问题点，并提供相关资源或步骤指引。 总结步骤：下载RESIDE数据集，确认标注格式，使用转换脚本或自行编写代码转换为YOLO格式，验证转换结果，准备YAML配置文件。同时，提醒用户注意路径设置和类别一致性，并提供相关参考资料。</think>### 分步说明：下载RESIDE数据集并转换为YOLO格式 #### 1. **下载RESIDE数据集** - **官方渠道**：访问RESIDE数据集官网（[项目页面](https://li-chongyi.github.io/proj_benchmark.html)）或论文提供的下载链接[^2]。 - **子集选择**：根据需求选择需要的子集（如`UIEB`用于水下图像增强，`O-HAZE`用于雾天场景）。 - **数据内容**：下载后数据集通常包含： ``` RESIDE/ ├── train/ │ ├── images/ # 训练集图像 │ └── annotations/ # 标注文件（可能是COCO/VOC格式） └── test/ ├── images/ └── annotations/ ``` #### 2. **确认标注格式** - **检查标注文件**： - **COCO格式**：查找`instances_train.json`类别的JSON文件。 - **VOC格式**：查找`.xml`文件（每个图像对应一个XML标注）。 - **自定义格式**：若为其他格式，需根据数据集文档解析。 #### 3. **转换为YOLO格式** - **YOLO格式要求**： - 每个图像对应一个`.txt`文件，格式：`[class_id] [x_center] [y_center] [width] [height]`，数值需归一化到`[0,1]`。 - 例如：`0 0.45 0.62 0.3 0.4`。 - **转换方法**： - **使用现成工具**：若标注为COCO/VOC格式，可直接使用[引用1](^1)中的转换代码（需调整路径）。 - **自定义脚本**（示例）： ```python import json import os # 示例：COCO转YOLO def coco_to_yolo(coco_json, output_dir): with open(coco_json) as f: data = json.load(f) # 创建类别映射（根据RESIDE类别顺序） categories = {cat['id']: idx for idx, cat in enumerate(data['categories'])} for ann in data['annotations']: image_id = ann['image_id'] img_info = next(img for img in data['images'] if img['id'] == image_id) img_w, img_h = img_info['width'], img_info['height'] # 提取边界框并归一化 x, y, w, h = ann['bbox'] x_center = (x + w/2) / img_w y_center = (y + h/2) / img_h w_norm = w / img_w h_norm = h / img_h # 写入YOLO格式文件 txt_path = os.path.join(output_dir, f"{img_info['file_name'].split('.')[0]}.txt") with open(txt_path, 'a') as f_txt: f_txt.write(f"{categories[ann['category_id']]} {x_center} {y_center} {w_norm} {h_norm}\n") ``` #### 4. **验证转换结果** - **可视化检查**：使用OpenCV或LabelImg工具查看标注是否对齐。 - **示例代码**： ```python import cv2 image = cv2.imread("image.jpg") h, w = image.shape[:2] with open("image.txt") as f: for line in f.readlines(): cls_id, xc, yc, bw, bh = map(float, line.strip().split()) # 反归一化 x = int((xc - bw/2) * w) y = int((yc - bh/2) * h) width = int(bw * w) height = int(bh * h) cv2.rectangle(image, (x, y), (x+width, y+height), (0,255,0), 2) cv2.imshow("Preview", image) cv2.waitKey(0) ``` #### 5. **准备YOLO训练配置** - **创建`data.yaml`**： ```yaml train: ../RESIDE/train/images val: ../RESIDE/test/images nc: 5 # 类别数（根据RESIDE实际类别修改） names: ['fish', 'coral', 'diver', 'ship', 'trash'] # 示例类别名称 ``` ---
评论
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