西北有风-CSDN博客

原创利用tpu-mlir将算法模型量化成算能科技平台.bmodel模型的方法介绍

针对首次使用mlir工具进行模型转化的用户，本人首次接触算能平台，此文主要作为笔记记录。

2024-08-23 15:41:35 974

原创 jetson nx刷机教程

填写名称，如SSD128，磁盘格式为Ext4，然后点击create，（注意磁盘名称，如/dev/nvme0n1p1）4)挂载固态硬盘，点击下方三角箭，挂载后，三角变成停止键，此时再次输入df-h，会发现挂载后的硬盘，2）格式化硬盘，并进行挂载，打开系统disks工具，点击右上角，format disk，进行格式化。1）此时系统已成功挂载固态硬盘中，ifconfig查看IP地址，以备后用，同时开通ssh服务，3）选择硬盘，进行分区，点击+号创建硬盘分区，直接将整个硬盘空间作为一个分区，点击Next。

2023-06-14 11:20:04 479

翻译 Dehaze-GLCGAN: Unpaired Single Image De-hazing via Adversarial Training (Arxiv2020)

单幅图像去雾是一个具有挑战性的问题，而且远未得到解决。目前的大多数解决方案都需要配对的图像数据集，其中既包括朦胧图像，也包括它们对应的无朦胧地面真实图像。然而，在现实中，光照条件和其他因素可以产生一个范围内的无霾图像，可以作为一幅朦胧图像的地面真实，而单一的地面真实图像无法捕捉该范围。这限制了成对图像数据集在现实应用中的可伸缩性和实用性。本文主要研究单幅非配对图像的去黑问题，不依赖于地面真值图像或物理散射模型。我们将图像去雾问题归结为图像到图像的翻译问题，并提出了一个去难的全局-局部循环一致生成对

2022-06-10 13:09:41 906

原创 SADnet: Semi-supervised Single Image Dehazing MethodBased on an Attention Mechanism（2022ACM）

许多现实生活中的任务，例如军事侦察和交通监控，都需要高质量的图像。然而，在有雾或朦胧的天气中获取的图像对这些现实生活中的任务的实施构成了障碍；因此，图像去雾是一个重要的研究问题。为了满足实际应用的要求，单个图像去雾算法必须能够有效地处理现实世界的模糊图像，并且计算效率很高。在本文中，我们提出了一种快速且稳健的半监督去雾算法，名为 SADnet，用于实际应用。 SADnet 同时利用合成数据集和自然模糊图像进行训练，因此它对现实世界的模糊图像具有良好的泛化性。此外，考虑到大气环境中雾霾的不均匀分布，提出了一种

2022-06-03 10:58:53 1213 3

翻译 Unsupervised Single Image Dehazing via Disentangled Representation ICVIP(2019)

摘要：图像去雾的目的是从相应的退化模糊图像中恢复出潜在的清晰内容。本文提出了一种基于非纠缠表示的无监督单幅图像去雾方法。我们提出的方法不依赖于物理散射模型，也不需要成对的训练数据。我们提出了一种内容编码器和模糊编码器，分别从模糊图像中分离出内容和模糊信息。我们提出了一种潜在的回归损失，以鼓励生成的图像保留烟雾信息，并强制烟雾编码器从烟雾图像中提取烟雾信息。引入了循环一致性损失，保证了去模糊图像与原始图像具有相同的内容结构。我们还对去雾图像使用对抗性损失，以确保无雾且视觉逼真。在公共dehazing数据集Re

2022-05-20 09:53:44 568 2

原创 Zero-Shot Image Dehazing(IEEE 2020)

问题：如何以无监督和零拍的方式去除给定图像中的雾贡献：我们提出了一种基于层分离思想的新方法，将模糊图像视为几个“简单”层的纠缠，即无模糊图像层、透射率图层和大气光层。1）它是一种无监督的方法，不使用任何干净的图像，包括模糊的干净对作为样本。2）ZID是一种“零拍”方法，它只使用观察到的单个模糊图像进行学习和推理。换句话说，它不遵循在大规模数据集上训练深度模型的传统范式。其中“无监督”避免收集图像对，“零拍”避免使用观察到的单个模糊图像本身之外的信息。我们的方法利用了暗通道的特性，将其最小

2022-05-09 16:36:37 993

原创 docker经验总结

首先卸载旧版本sudo apt-get remove docker docker-engine docker.io containerd runc使用 Docker 仓库进行安装在新主机上首次安装 Docker Engine-Community 之前，需要设置 Docker 仓库。之后，您可以从仓库安装和更新 Docker 。$ sudo apt-get update安装 apt 依赖包，用于通过HTTPS来获取仓库:$sudoapt-get install\ ap...

2022-05-03 21:07:56 100

原创 cyclegan的模型保存与加载

模型保存：if epoch % 2 ==0: state = {'netG_A2B': netG_A2B.state_dict(),'netG_B2A': netG_B2A.state_dict(),'netD_A': netD_A.state_dict(),'netD_B':netD_B.state_dict(), 'optimizer_G': optimizer_G.state_dict(), 'optimizer_D_A': optimizer_D_A.stat

2022-05-03 14:34:36 1218

原创本地可视化服务器的tensorboard

首先在服务器安装tensorboard,直接使用pip安装即可。pip install tensorboard在代码中的具体使用如下：导入tensorboardfrom torch.utils.tensorboard import SummaryWriter在代码中加入log_dir = os.path.join('loss', 'train_G_loss')train_writer = SummaryWriter(log_dir=log_dir)log_dir = os.p

2022-05-03 09:07:22 2976

翻译图像分割-间断检测（点检测、线检测、边缘检测）

1.什么是图像分割？图像分割是指把图像分成各个具有相应特性的区域并提取出感兴趣的目标的技术和过程。而图像分割中最基础的就是对点和线进行提取识别。2.分类按幅度不同来分割各个区域：幅度分割按边缘来划分各个区域：边缘检测按形状不同来分割各个区域：灰度图像的分割通常基于图像亮度的两个基本特性：不连续性和相似性。区域内部的像素一般具有灰度相似性，而区域之间的边界上一般具有灰度不连续性。由此衍生出的图像分割方法有：间断检测、阈值分割法和区域分割法。点检测、线检测利用区域之间的不连

2022-04-25 13:08:56 4019 2

翻译 Gan-pix2pix-cyclegan

（0）GAN: 给定一个随机数，可以输出一个具备真实图片（训练数据集）特征的图片。（1）pix2pix：有条件地使用用户输入，它使用成对的数据（paired data）进行训练。（2）CycleGAN：使用不成对的数据（unpaired data）的就能训练。（3）pix2pixHD：生成高分辨率、高质量的图像。二、这种方法，就是在训练的时候，就告诉网络，输入图片与输出图片具备某种对应关系，对GAN网络进行限制，而不是像GAN网络进行任意的输出符合真实图片特征的图片。也就是说，...

2022-04-22 14:00:06 237

翻译 CycleGan

CycleGAN的一个重要应用领域是Domain Adaptation（域迁移：可以通俗的理解为画风迁移），比如可以把一张普通的风景照变化成梵高化作，或者将游戏画面变化成真实世界画面等等。以下是原论文中给出的一些应用：当我们固定住生成器的参数训练判别器时，判别器便能学到更好的判别技巧，当我们固定住判别器参数训练生成器时，生成器为了骗过现在更厉害的判别器，被迫产生出更好质量的图片。两者便在这迭代学习的过程中逐步进化，最终达到动态平衡。这是一开始GAN被提出时的思想，而在CycleGA.

2022-04-22 10:29:12 1264

原创 Physics-based Feature Dehazing Networks（基于物理模型的图像去雾ECCV2020）

摘要：提出了一种基于物理的特征去雾网络用于图像去雾。与现有的端到端可训练网络化去雾方法相比，我们在网络设计中明确地考虑了霾过程的物理模型，并在深度特征空间中去除了霾。我们提出了一种有效的特征去雾单元（FDU），将其应用于深层特征空间，以探索基于物理模型的图像去叠的有用特征。FDU嵌入到编码器和解码器体系结构中，具有剩余学习功能，因此所提出的网络可以以端到端的方式进行训练，并有效地帮助去除雾霾。编码和解码模块分别用于特征提取和清晰图像重建。残差学习用于提高深度神经网络的精度和简化训练。我们分析了所提出的网络的

2022-03-02 20:11:58 3296

转载数据集简介

NYU2数据集介绍简介NYU2数据集有含有1449张RGBD图像，这些图像中包含464个不同的室内场景。图像是由微软Kinect的RGB和Depth相机拍摄的视频序列.同时，这些图像数据中的每个对象都被标注过。NYU2数据集由三个部分组成：1.视频中对象的标注信息。2.由微软Kinect提供的RGB、深度和加速度数据。3.一个用于操作数据和标注的函数集。数据集包含多个组件：已标记：视频数据的子集，附带密集的多类标签。此数据也已过预处理，以填充缺失的深度标签。原始：由 Kinect 提

2022-03-01 11:37:03 4411

翻译 Learning Aggregated Transmission Propagation Networks for Haze Removal and Beyond(IEEE 2018)

摘要：本文设计了一种新的残差体系结构，将先验(即领域知识)和数据(即雾霾分布)信息聚合在一起，用于场景亮度估计。我们进一步提出了一个基于变分能量的观点来研究聚合深度模型的固有传播行为。通过这种方式，我们实际上在以前的驱动模型和数据驱动网络之间架起了桥梁，利用了优势，但避免了以前去雾化方法的局限性。提出了一个轻量级的学习框架来训练我们的传播网络。最后，通过引入任务感知的图像分离公式和灵活的优化方案，我们将所提出的模型扩展到更有挑战性的视觉任务，如水下图像增强和单图像雨水去除。在合成图像和真实图像上的实验证明了

2022-02-20 14:40:03 242

翻译 Patch Map-Based Hybrid LearningDehazeNet for Single ImageHaze Removal（基于Patch Map的去雾网络，IEEE2020）

摘要：在雾霾环境中获取的图像通常存在能见度差和信息丢失的问题。因此，在本研究中，我们提出了一种基于patch-map的混合学习去雾网络，通过使用一种包含patch-map和双注意生成对抗网络的混合学习技术，将这两种学习策略结合起来。在这种方法中，分析了限制暗通道先验(DCP)性能的原因。定义了一种新的特征patch map，用于自适应地选择patch大小。可以有效地解决DCP的局限性(例如，颜色失真和无法恢复涉及白色场景的图像)。此外，为了进一步提高该方法的除霾性能，我们将基于patch-map的DCP嵌入

2022-02-20 10:37:17 531

翻译 Visual Haze Removal by a Unified GenerativeAdversarial Network(基于生成式对抗网络的图像去雾IEEE2019）

摘要：本文提出了一种生成式对抗网络来去除视觉雾霾，称为HRGAN。HRGAN由生成网络和鉴别网络组成。一个联合估计传输图、大气光和无雾图像的统一网络(称为UNTA)被提议作为HRGAN的生成器网络。HRGAN不是通过最小化像素级损失来优化，而是通过最小化由鉴别器网络产生的像素级损失、感知损失和对抗损失组成的新型损失函数来优化。我们的网络由两个网络组成:一个生成器网络和一个鉴别器网络。鉴别器网络产生对抗损失。对抗性损失将恢复后的无雾图像推向真实的无雾图像。经典的基于模型的图像去雾算法包括三个阶段:1)估计..

2022-02-13 11:14:48 1009

翻译 HardGAN: A Haze-Aware RepresentationDistillation GAN for Single Image Dehazing（ECCV2020）

摘要：在本文中，我们提出了一种雾霾感知表示蒸馏生成对抗网络(HardGAN)用于单图像去雾。与以往的研究不同的是，我们使用一个由我们提出的雾霾感知表示蒸馏层组成的多尺度结构神经网络来处理这个恢复问题。此外，我们重新巧妙地利用归一化层，而不是像之前那样直接与卷积层叠加，以避免有用的信息被洗掉，正如许多图像质量增强研究中所声称的那样。在几个合成基准数据集和NTIRE 2020真实世界图像上的大量实验表明，我们提出的HardGAN在PSNR、SSIM、LPIPS和个人主观评价方面优于最先进的方法。1.主要贡献

2022-02-13 10:58:44 798

翻译 Ultra-High-Definition Image Dehazing via Multi-Guided Bilateral Learning（基于多引导双边学习的超高清图像去雾CVPR2021）

摘要：卷积神经网络在单幅图像去雾任务中取得了显著的成功。遗憾的是，现有的深度去雾模型计算复杂度高，难以应用于高分辨率图像，特别是UHD或4K分辨率的图像。为了解决这一问题，我们提出了一种新的网络，能够在单个GPU上实现4K图像的实时去雾，该网络由三个深度CNN组成。首先CNN以降低的朦胧输入分辨率提取与雾相关的特征，然后在双边空间中拟合局部仿射模型。另一个CNN用于学习多个全分辨率导航图对应的双边模型。因此，通过多导双侧上采样可以重建高频特征图。最后，第三个CNN将高质量的特征映射融合成去雾图像。此外，我们

2022-01-22 21:45:29 2738 2

翻译 Domain Adaptation for Image Dehazing(图像去雾的域自适应算法CVPR2020)

摘要：现有的去雾方法大多是在合成的雾霾图像上训练去雾模型，但由于域的偏移，对真实的雾霾图像的泛化效果较差。故提出一种领域自适应模式，该模式由一个图像平移模块和两个图像去雾模块组成。具体来说，首先应用一个双向网络，通过将图像从一个域转换到另一个域，来弥补合成域和真实域之间的差距。然后，使用平移前后的图像训练两个具有一致性约束的图像去雾网络。在这一阶段，利用清晰图像的特性（如暗通道先验和图像梯度平滑），将真实的朦胧图像纳入去雾训练中，进一步提高域自适应性。通过端到端对图像平移和去雾网络进行训练，可以获得较好的图

2022-01-16 12:00:54 3007

原创 GridDehazeNet

摘要我们提出了一种端到端可训练的卷积神经网络（CNN），用于单图像去噪。GridDehazeNet由三个模块组成：预处理、骨干和后处理。与手工选择的预处理方法生成的衍生输入相比，可训练的预处理模块可以生成具有更好多样性和更相关特征的学习输入。在编解码网络或传统的多尺度网络中，由于分层结构，信息流常常受到瓶颈效应的影响，骨干模块在网格网络上通过上采样、下采样块进行密集链接实现了一种新的基于注意的多尺度估计，可以有效地缓解传统多尺度方法中经常遇到的瓶颈问题。后处理模块有助于减少最终输出中的伪影。实验结果表明，

2021-12-15 22:47:21 3925

yanglong6666的博客