- 博客(5)
- 收藏
- 关注
RSS订阅原创 Domain Adaptation for Underwater Image Enhancement
1.目前水下图像增强算法存在的问题（1）部分算法在合成数据集上进行训练，却无法很好地迁移到真实场景中。（2）真实的海下图像数据的背景差异较大，没有一套算法可以很好地适用于所有的海下场景中。2.提出的方法（1）提出的图像增强算法分为两步，如下图所示。左边是Inter域的自适应调整，右边是Intra域的自适应调整。Inter域存在的原因是增强模型在真实域中的性能，Intra域存在的原因是增强模型对不同背景图像的性能。（2）算法第一部分：Inter域的处理通过损失函数来理解该模型。总损失分为四个部
2021-12-13 14:32:05
3271
4
原创 Failed to get convolution algorithm. This is probably because cuDNN failed to initialize
遇到以下错误：UnknownError (see above for traceback): Failed to get convolution algorithm. This is probably because cuDNN failed to initialize, so try looking to see if a warning log message was printed above. [[node main_branch/conv2wb_9/Conv2D (defined at /h
2021-12-10 10:10:38
953
原创 An Underwater Image Enhancement Benchmark Dataset and Beyong
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
2021-12-09 09:35:43
2091
原创 Gradually Vanishing Bridge for Adversarial Domain Adaptation
文章领域：迁移学习效果：结构：这篇文章对它所提出来的GVB的描述，还是挺模糊的，没有具体的网络结构表，所以想要详细理解，还要去它公开的代码里去看。（https://github.com/cuishuhao/GVB）损失：（结合结构理解）（1）分类损失Lce采用的是交叉熵损失，G是生成器，样本右上角的S代表是Source domain，Ns代表Source样本的个数。这里采用的分类损失，和判别器无关，是结构图里面的G2判别的结果，所以和常规的GAN不同，此处将（一个生成器加上一个分类器）当
2020-12-30 11:00:48
944
5
原创 Deep Adversarial Decomposition: A Unified Framework for Separating Superimposed Images
文章领域：去雾去雨，尝试从混合图片中分离出所包含的单一图片。效果：结构：损失：（结合结构理解）（1）crossroad L1 Loss这部分损失是G生成的两张图与GT比较得到的。最小化d12+d21很好理解，就是减小生成图与其GT之间的差距，但是为什么要加上d11+d12呢，而且正常情况下不是应该增大生成图与非GT之间的差距吗。这就是去重合的特点，因为你并不知道输出的两张合成图的顺序，所以你没办法找到生成图对应的GT，为了保证生成图最终能和它所属的GT进行比较，所以距离分为了d11+d22
2020-12-23 15:38:50
455
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人