二阶各向异性高斯定向导数滤波器用于斑点检测
本文提出了一种迭代学习方法,通过从开放矢量数据生成的大规模 change detection 数据集中提取有用信息来训练全卷积网络,该方法在弱监督学习技术中具有出色的性能,并提出引导各向异性扩散算法,用于与迭代训练方法相结合以改进语义分割结果。
Apr, 2019
提出了一种创新算法,通过考虑目标函数的异质曲率,将球面平滑和高斯平滑方法扩展到噪声无导数优化中,动态调整平滑核的形状以逼近局部最优点周围的海森矩阵,从而通过采样大大减小了噪声评估中梯度估计的误差。通过对人工问题的数值实验展示了该方法的有效性,并展示了与现有的最先进启发式无导数和贝叶斯优化方法相比,在调整 NP - 难组合优化求解器时的改进性能。
May, 2024
该论文提出了一种基于高频多尺度融合和排序变换对梯度幅度进行模糊检测图计算的方法,而无需了解模糊类型、级别或相机设置。对多种有不同模糊类型、级别和内容的图像进行的测试表明,该算法在定性和定量方面均优于现有的方法。
Mar, 2017
该论文提出了一种基于 α- 分子构造的多尺度系统中方向敏感的分析函数的对称性特征检测方法,可以稳定地检测到边缘、脊和斑点等物体特征,并且在噪声存在的情况下依然能保持精度和稳健性。作者在论文中还阐明了分析函数的缩放和方向对应的系数如何用于精确刻画局部切线方向、宽度和高度等特征。在对干净和失真合成图像的大量数值实验中验证了该方法的准确性和鲁棒性,并将其与其他先进算法进行了比较。通过在数字视网膜图像中检测和表征血管特征以及在细胞培养基中自动计数细胞菌落的实验进一步证明了该方法的应用价值。
Jan, 2019
本文提出了一种新颖的方法,将有向各向异性扩散技术和深度卷积神经网络相结合,实现了超分辨率深度图像的指导。该方法以前人的研究为基础,在边缘转移 / 增强性,与现代网络的上下文推理能力和严格的校准步骤的保证下,在三个常用的超分辨率指导深度准则下展现了前所未有的成果。
Nov, 2022
本研究提出首个全局一致的 anisotropic kernels,允许 GNN 根据拓扑推导的方向流进行图卷积;方法基于图中定义向量场,通过将节点特定信息投影到向量场中应用方向导数和平滑,采用 Laplacian 特征向量作为向量场;研究揭示该方法在 Weisfeiler-Lehman 1-WL 测试方面比标准 GNN 更具有辨别力,且未监督地嵌入方向,能更好地表示不同物理或生物问题的各向异性特征。
Oct, 2020
研究了具有扩散张量的各向异性扩散过程在图像分析、物理和工程领域中的重要性,通过将二维各向异性扩散分解为四个一维扩散,推导出了一个包含一个自由参数的完整的有限差分离散化公式,并证明了其对现有离散化方法的广泛适用性。同时给出了与该公式相应的矩阵的谱范数的界限,从而保证了显式方案在欧几里得范数下的稳定性。该研究还将显式方案自然地转化为 ResNet 块,并利用神经网络库在 GPU 上实现了简单且高效的并行计算。
Sep, 2023
本文提出了一种在输入密集深度图像的情况下基于模型的 3D 跟踪方法,通过结合新的鲁棒性方法和近似算法,能够有效地解决深度传感器的测量噪声和计算复杂度问题,并在真实数据实验中表现出优异的性能。
Feb, 2016
该论文通过将离散数据应用于尺度空间理论,深入探讨了逼近高斯平滑和高斯导数计算的问题,研究了三种不同的离散化方法,并通过理论和实验分析了它们的性能特征,结果表明在非常精细的尺度下,离散模拟的高斯核和导数逼近比其他方法表现更好。
Nov, 2023