使用语义和几何先验的深度密集多尺度网络用于雪的去除
我们设计了一个名为 DesnowNet 的多阶段网络,用于逐步解决消除半透明和不透明雪颗粒的问题,同时将雪分解成透明度和色差属性进行精确估计,采用整个网络的多尺度设计以建模雪的多样性,实验结果表明,我们的方法在提议的 Snow100K 数据集上优于最先进的基于学习的大气现象消除方法和一个语义分割基线,该方法适用于计算机视觉和图形领域的应用。
Aug, 2017
通过使用深度学习技术,该研究提出了一种新方法来减少水下图像中的浮游生物干扰,通过训练生成对抗网络模型合成逼真的浮游生物样本,并将其与自然水下图像相结合创建配对数据集,然后使用 U-Net 模型进行图像翻译任务来去除浮游生物干扰。实验结果表明,该方法能够高精度地去除合成和自然的浮游生物,并且胜过中值滤波器及其自适应变体等最先进的方法。同时,通过在 MSRB 数据集上的测试,研究还展示了该方法的鲁棒性,该数据集包含了我们模型在训练过程中未曾见过的合成伪影。该方法是一种改善受浮游生物影响的水下图像的实用高效解决方案。
Nov, 2023
这篇论文介绍了一种深度神经网络(DNN),多尺度语义先验特征引导图像修复网络(MFN),用于修补街景图像,以实现隐私保护并为城市应用生成可靠场景。
May, 2024
本研究使用深度卷积神经网络在多光谱影像语义分割上的状态使用,通过使用生成的合成图像代替真实的图像进行数据集初始化,成功地克服了多光谱影像数据标注不足的问题,并在新的 RIT-18 数据集上表现出最高水平作为未来工作的基础。
Mar, 2017
本文研究了高分辨率遥感卫星图像中像素级预测方法的挑战,提出了一种新的级联多任务损失来保留语义分割边界。结果表明,不需要额外的后处理步骤,我们的方法在 Inria 航空图像标注数据集上优于现有技术 8.3%。
Sep, 2017
该论文提出了一种基于预训练模型的多模态语义表示方法,并引入了超像素和多尺度差异图卷积网络来提高视觉语义表达的准确性和精度,从而在多个下游任务学习方面表现出与其他先进方法的竞争力。
Oct, 2023
本文提出了一个基于对比学习的图像去雨方法,使用递归动态多尺度网络来提高降雨性能,实现了优秀的效果并超越了现有方法,并且该方法在客观检测和语义分割方面也表现出了很好的性能。
May, 2023
本文提出了一种名为 DDCM-Net 的新架构,该架构通过合并密集膨胀卷积和不同膨胀率,有效地利用了丰富的膨胀卷积组合,同时获取局部和全局的信息,提高了远程遥感图像的分类准确度,并在多个数据集上得到了比其他公开模型更好的结果。
Mar, 2020
本文研究了使用深度完全卷积神经网络(DFCNN)对地观测图像进行像素级场景标记。作者使用了变种的 SegNet 架构对城市区域的遥感数据进行训练,并研究了不同的准确语义分割方法。作者提出以下贡献:1)作者有效地将 DFCNN 从常规日常图像转移到遥感图像领域;2)作者引入了一个多核卷积层以便于对多个尺度上的预测进行快速聚合;3)作者使用残差校正对异构传感器(光学和激光)的数据进行融合。所提出的方法在 ISPRS Vaihingen 2D 语义标记数据集上改进了现有技术的准确率。
Sep, 2016
该研究提出了一种新的自监督学习框架来去除 LiDAR 点云中的雪点,并取得了最先进的无标签方法的性能,同时也可以作为一种先前任务来提高有监督训练的标签效率。
Aug, 2022