Stacked Conditional Generative Adversarial Networks for Jointly Learning Shadow Detection and Shadow

最新推荐文章于 2024-05-28 07:30:00 发布
最新推荐文章于 2024-05-28 07:30:00 发布
阅读量1.8k 收藏 4
点赞数
分类专栏： 图像处理 深度学习
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/u011961856/article/details/78825366
版权

文章提出了包含两个生成网络,两个判别网络的网络结构,用于去除图像中的阴影,并还原没有阴影的真实图像.网络机构图如下,

这里写图片描述

生成网络G1用于检测阴影区域,输入为包含阴影的图像,输出为阴影区域图像.生成网络G2用于去除阴影,输入为包含阴影的图像和G1生成的二值图像的,输出为去除阴影的图像.判别网络D1,D2用于监督这两个生成过程,直到模型收敛.判别网络D1的输入为,将阴影图像分别和G1检测的阴影区域图像,目标阴影区域图像串联.判别网络D2的输入为阴影图像与G1,G2的生成图像的串联,以及阴影图像与目标阴影区域图像,无阴影图像的串联.

模型测试效果对比,

这里写图片描述

imperfect00
关注
  • 0
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Face Aging with Identity-Preserved Conditional Generative Adversarial Networks
qq_35523233的博客
01-06 1499
Face Aging with Identity-Preserved Conditional Generative Adversarial Networks Abstract 人脸老化对于年龄识别和娱乐相关的应用具有重要意义。然而，我们没有同一个人的不同年龄段对应的标签使得问题很好挑战性。由于不同人的老化速度不同，我们的人脸老化方法的目的是合成目标年龄在某一特定年龄组的人脸，而不是合成具有确定年龄...
《Conditional Generative Adversarial Networks for SE and Noise-Robust Speaker Verification》
fengqiyunfeiyangya的博客
07-15 1018
摘要：在嘈杂环境中提高语音系统性能仍然是一项具有挑战性的任务，语音增强（SE）是解决该问题的有效技术之一。由于生成对抗网络（GAN）在各种图像处理任务中的有发展前景的实验结果，我们探索条件GAN（cGAN）对SE的潜力，特别是，我们利用Isola提出的图像处理框架[1] ]学习从嘈杂语音的谱图到增强对应物的映射。SEcGAN由两个以对抗方式训练的网络组成：一个试图增强输入噪声频谱图的生成器，以及一...
《Face Aging with Identity-Preserved Conditional Generative Adversarial Networks》论文阅读
u014695788的博客
11-13 2916
最近在读关于人脸老化方面的论文，这是一篇发表在CVPR2018上的论文，原文链接。 水平有限，如有错误或者不妥之处，欢迎指正和交流。 目录 1、简介 2、相关工作 2.1 人脸老化 2.2 生成对抗网络 2.3 风格迁移 3、身份保持条件生成对抗网络 3.1 概述 3.2身份保持条件生成对抗网络 1、简介 论文提出了基于条件生成对抗网络的身份保持人脸老化网络（IPCG...
深度学习 ❉ 生成对抗网络（Generative Adversarial Networks, GANs）
最新发布
weixin_43156294的博客
05-28 1637
生成对抗网络（Generative Adversarial Networks, GANs）是一种深度学习模型，由Ian Goodfellow等人在2014年提出。它由两个主要部分组成：生成器（Generator）和判别器（Discriminator）。GANs通过这两个组件的对抗过程来生成新的、与真实数据相似的数据样本。
Face Aging with Identity-Preserved Conditional Generative Adversarial Networks随笔
weixin_43220292的博客
01-16 948
背景： 人脸老化在刑侦、跨年龄段识别以及娱乐等方面起到相当重要的作用，然而研究最大的阻碍是缺乏每个人跨越时间维度的脸部标记数据。 目的： 随机输入一张人脸图像，生成五张更加真实的老化人脸。五张老化人脸分别对应作者标定的年龄组（11-20，21-30, 31-40, 41-50,以及50+），并且保留个人身份信息。 为什么分年龄组？ 因为每个人脸老化程度不同，无法做到生成精确年龄的老化人脸。 传统方...
python爱心代码_语音增强论文及相关代码整理
weixin_39850699的博客
10-27 537
在很多年前，语音增强的主要方法还是一些传统的方法，例如基于模型的，基于滤波器的等等，这些传统的方法大多数都被前辈大佬们研究透了，也已经很成熟了，也是目前工业上用于前端去噪的常用方法，经典的webrtc中的降噪目前使用的就是基于维纳滤波的降噪算法，有兴趣的可以拿来webrtc语音处理的c代码一下，最近看了一下，脑瓜子嗡嗡的。自从深度神经网络在计算机视觉领域取得了巨大成就以后，语音增强领域的大佬们也都...
Deep Learning: Practical Neural Networks with Java 完整高清英文azw3版
06-14
Experiment with deep learning concepts, algorithms, and the toolbox for deep learning Select and split data sets into training, test, and validation, and explore validation strategies Apply the code ...
Latent Representation Learning For Artificial Bandwidth Extension Using A Conditional Variational Au…
01-20
【条件变分自动编码器(Conditional Variational Auto-Encoders, CVAEs)】 CVAEs是变分自动编码器（VAEs）的一种变体，用于在给定条件下生成数据。在ABE的上下文中，CVAEs被用来对高维对数谱数据进行建模，其中包含了...
A Deep Learning Approach to Network Intrusion Detection
12-09
we also propose our novel deep learning classification model constructed using stacked NDAEs.Ourproposedclassifierhasbeenimplementedingraphics processing unit (GPU)-enabled TensorFlow and evaluated ...
A Review on CNN, Deep Belief Networks and Stacked Auto-Encoders.pdf
08-04
A Brief Didactic Theoretical Review on Convolutional Neural Networks, Deep Belief Networks and Stacked Auto-Encoders
Deep learning Methods and Applications
12-22
3.2 Deep Networks for Unsupervised or Generative Learning ............................................ 21 3.3 Deep Networks for Supervised Learning .......................................................
Conditional Generative Adversarial Networks（CGAN）笔记
qq_41559533的博客
11-06 3408
1.概述 CGAN即条件对抗网络。GAN可以学习到训练样本的分布，从而生成新的数据。GAN虽然能生成新的数据，但是无法确切的控制新样本的类型。比如手写数字集，我们无法通过GAN来指定要生成的具体数字。条件对抗网络就是为了解决这个问题。 2. 理解CGAN 下面通过GAN 和CGAN的输入输出来理解CGAN. GAN: 生成器G, 输入一个噪声z， 输入一个图像G（Z） 判别器D, 输入一个图片x...
【论文精读】(SGAN)Stacked Generative Adversarial Networks
你的深度学习小站
12-02 3695
Stacked Generative Adversarial Networks简要解读
基于深度学习的语音识别技术综述（1）
饮冰室
05-18 3241
Deep learning for automatic speech recognition survey[1] 这篇综述质量尚可（废话，TIST的文章能不好，你有本事发一个）。TIST是什么？PIA打飞，百度去。通讯作者是Schuller，被引次数超过3万的大佬。听大佬的，少走弯路（Doge脸）。 那这篇文章的关注点其实很聚焦：鲁棒的语音识别，也就是对有噪声语音的识别。所关注的技术是当红炸子鸡deep learning。 有噪语音的识别，可以类比失真图像的识别。因为图像也好，语音也罢，本质上都是信号。那么
谈一谈场景文本图片的超分辨
一个nlp探险者的博客
04-27 4783
引言 文本图像的超分辨任务做的不是很多，有专门针对文本识别的也有针对文本检测的，总而言之，带有文本序列的图像和在imangeNet里的图像是不一样的，那我们来仔细看一看文本图像大家都是怎么做的 TextSR: Content-Aware Text Super-Resolution Guided by Recognition（ICML2019） 动机 现在文本识别技术已经在干净文本图像上取得了令人...
2020李宏毅机器学习笔记-Generative Adversarial Network - Conditional GAN
zn961018的博客
07-25 408
目录 摘要 1. Text-to-Image 1.1Traditional supervised approach 1.2Conditional GAN 1.3Conditional GAN - Discriminator 1.4Stack GAN 2.Image-to-image 2.1application 2.2Traditional supervised approach 2.3Conditional GAN 3.Speech Enhancemen...
GANs学习系列(6):条件生成式对抗网络Conditional Generative Adversarial Networks
热门推荐
Focusing on your own Mind :) －> 站在巨人的肩膀上
11-30 3万+
【前言】      本文首先介绍生成式模型，然后着重梳理生成式模型（Generative Models）中生成对抗网络（Generative Adversarial Network）的研究与发展。作者按照GAN主干论文、GAN应用性论文、GAN相关论文分类整理了45篇近两年的论文，着重梳理了主干论文之间的联系与区别，揭示生成式对抗网络的研究脉络。  本文涉及的论文有：  [1] Goodfe
论文学习：Stacked conditional generative adversarial networks for jointly learning shadow detection...
weixin_41921091的博客
01-25 1425
CVPR2018:Stacked conditional generative adversarial networks for jointly learning shadow detection and shadow removal 用于联合学习阴影检测与消除的叠加条件生成对抗网络
stacked hourglass networks
06-28
堆叠沙漏网络（Stacked Hourglass Networks）是一种用于人体姿态估计的深度学习模型。它由多个沙漏模块（Hourglass Module）堆叠而成，每个沙漏模块都包含了卷积神经网络和池化层，用于提取特征。堆叠沙漏网络的优点...
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