- 博客(11)
- 收藏
- 关注
RSS订阅原创 基于自适应特征融合的语义感知去雾网络（Semantic-Aware Dehazing Network With Adaptive Feature Fusion）
尽管卷积神经网络(cnn)在单幅图像去雾中表现出了高质量的重建效果，但由于模糊场景中的语义混淆，恢复自然逼真的去雾结果仍然是一个具有挑战性的问题。在本文中，我们展示了通过将语义先验结合到去雾网络中来忠实地恢复纹理是可能的，因为无雾图像中的物体往往会显示某些形状、纹理和颜色。我们提出了一种语义感知的去雾网络(SDNet)，该网络将语义先验作为去雾的颜色约束，有利于获取合理的场景配置。此外，我们设计了一个密集连接的块来捕获全局和局部信息，用于去雾和语义先验估计。
2023-08-09 13:53:46
1012
原创 一种基于Swin Transformer的雾天场景车辆检测新方法
所提议的网络的整体架构如图3所示。该方法通过联合学习增强可见性和目标定位两个任务来实现，分别对应两个子网:(1)检测子网和(2)去雾子网。除雾子网采用编码器和解码器的方法。编码器负责提取深度特征，解码器负责生成清晰特征，然后利用重构模块获得干净的无雾图像。该检测子网基于Swin Transformer块，可以对局部和全局依赖关系进行建模，计算成本低于普通Transformer块(ViT)。它与除雾子网共享一个公共块(CB)模块，负责对象分类。模型结构如图3所示。
2023-08-03 11:16:21
733
3
原创 SSD检测网络（One Stage）
Faster RCNN对小目标检测效果差的原因：它只是在一个特征层上进行预测的，而这个特征层是经过很多卷积层之后得到的feature maps，它已经被抽象到一个比较高的层次了。而抽象的层次越高的话，它的一些细节的保留就越少，而检测小目标通常就需要这些细节信息。所以，直接在一个高层的特征层上预测小目标检测效果就没有那么好。Faster RCNN检测速度慢的原因：因为在预测过程中分成两步走，首先在RPN部分进行了一次预测，在Fast RCNN部分又进行了一次预测（Two-Stage网络的通病）
2023-05-08 14:19:36
207
原创 基于渐进特征融合的自引导图像去雾
在朦胧的环境中拍摄的图像质量总是很低。雾霾的主要原因是大气中漂浮的颗粒物引起的散射效应。这个过程可以通过大气散射模型[1]-[3]来表示：其中I（x）和J（x）表示观察到的模糊图像和干净图像的强度；t（x）是传输映射；A是全球大气光。如果雾度是均匀的，那么我们有，其中β是大气散射参数，d（x）是场景深度。图像去雾的目的是根据给定的模糊图像I（x）来估计清晰的图像J（x）。这是一个不适定问题，因为只有I（x）是已知的，而大气光A和透射图t（x）都是未知的。
2023-03-28 17:34:01
338
原创 RefineDNet:一种弱监督的单图像去雾细化框架
在雾霾条件下，由于大气气溶胶颗粒的散射，图像的能见度严重降低，使得许多计算机视觉应用难以进一步感知和理解，如物体检测、识别和ADAS（高级驾驶员辅助系统）。因此，除雾，特别是单图像除雾，是非常有价值的，并且在过去十年中得到了广泛的研究[1]-[7]。现有的去雾方法可以大致分为两类，即基于先验的方法和基于学习的方法。第一类方法依赖于广泛接受的大气散射物理模型，Koschmieder定律[9]。在我们的情况下，该定律可以定义为，.这里，x是指像素的位置。
2023-03-27 15:33:12
701
2
原创 基于增强、恢复和融合的图像去雾:综述
雾霾是一种大气现象，由灰尘、烟雾或其他气溶胶颗粒的积累引起的，它们掩盖了大气的清晰度。在雾霾环境下拍摄的图像通常会出现严重的质量退化，比如对比度低、细节丢失以及颜色褪色。对于人类观察者来说，在朦胧的环境中，远处内容物的可见性受到很大影响。同样，雾霾的存在也会在很大程度上影响现代计算机视觉系统，并导致假设在清晰条件下捕获所有视觉内容的视觉任务的性能不理想，例如图像分割[1 - 3]，物体检测[4,5]，人员再识别[6]。
2023-03-15 20:43:00
3750
9
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