Oct, 2023

多光谱光源提升机器视觉性能

PDF
TL;DR该研究主要关注多光谱光源在机器视觉中对不同物体颜色的性能，并尝试通过多光谱光源增强机器视觉。使用不同颜色的铅笔作为样本，通过使用两个经典神经网络 AlexNet 和 VGG19 识别收集的图像，研究了在 35 种不同的多光谱光源下的性能。结果表明，对于两个模型来说，总是有一些非纯白光源，其准确性优于纯白光，这表明了多光谱光源进一步增强机器视觉的潜力。还进行了两个模型的比较，令人惊讶地发现 VGG19 的整体性能低于 AlexNet，这表明了多光谱光源和模型选择的重要性。
multi-spectral light sourcesmachine visionneural networksobject colorsperformance
发现论文，激发创造
  • 多源数据增强的光谱图像数据融合

    通过使用插值技术，介绍了一种光谱图像数据融合的方法，以允许机器学习模型在更多数据源上进行训练和使用，从而提供更好的泛化能力。通过使用表面绘图和指标（如 CMSE 和 NDVI），评估了插值结果，并通过估计对语义分割等机器学习模型训练的影响进行间接评估。

    Apr, 2024

  • 多光谱深度神经网络的鲁棒性和可解释性对架构的影响

    通过研究多光谱深度学习模型的各种融合方法，我们评估了这些模型对不同输入波段的相对依赖性以及对影响一个或多个输入通道的自然图像损坏的稳健性。

    Sep, 2023

  • 光照感知深度神经网络融合多光谱数据用于行人检测

    本文提出一种基于多任务学习的多光谱行人检测框架，利用新颖的感知权重机制、带 illumination-aware 的深层卷积神经网络等技术，提高了检测和语义分割的性能。实验结果表明，该方法在 KAIST 多光谱行人数据集上性能超过了现有的最先进方法。

    Feb, 2018

  • 24 小时彩色成像一体化增强解决方案

    本研究提出了一种新的集成增强算法，通过分离可见光和近红外信息并将其自适应增强，在白天和黑夜都能产生清晰的彩色图像，实验结果显示其效果显著。

    May, 2020

  • 基于机器学习的高光谱图像分析：一项调查

    本文综述和比较了最近发表在文献中的基于机器学习的高光谱图像分析方法，将方法按图像分析任务和机器学习算法类型进行组织，并提出了一种两向映射。文章全面涵盖了高光谱图像分析任务和机器学习算法，涵盖的图像分析任务包括土地覆盖分类、目标检测、反混合和物理参数估计，涵盖的机器学习算法包括高斯模型、线性回归、逻辑回归、支持向量机、混合高斯模型、稀疏线性模型、高斯混合模型、集成学习、有向图模型、无向图模型、聚类、高斯过程、狄利克雷过程和深度学习。同时，文章也讨论了高光谱图像分析领域的挑战和可能的未来方向。

    Feb, 2018

  • AutoColor：用于多色全息图的学习型光功率控制

    本文介绍了 \projectname—— 第一种学习方法，用于估计照明多色全息图所需的最佳光源功率，并利用合成图像和深度信息建立了第一个多色全息图数据集。通过使用我们的数据集训练所学模型，实验表明 \projectname 可以在不损害图像质量的情况下将优化多色全息图所需的步骤数从 1000 个以上减少到 70 个。

    May, 2023

  • 弱监督实例注意力用于多源细粒度目标识别及其在树种分类中的应用

    本文提出了一种利用深度学习，多源影像识别中基于特征融合的对象识别方法，其中包括多源影像处理、单源深度学习和弱监督学习，并比较了各种方法的性能，结果表明本文所提出的特征融合方法提升了 5.7% 的识别准确度。

    May, 2021

  • 使用 Viewmaker 网络进行多光谱自监督学习

    本篇论文探讨了如何运用对比学习的方法，使用 Viewmaker 网络产生视角从而处理多种遥感数据集，同时发现该方法在每个多光谱成像问题上表现优于基于裁剪和反射的方法，结果表明领域无关的方法可以扩展应用到实际的科学领域。

    Feb, 2023

  • 适用于暗光环境的可见光限制宽带照明光谱设计

    该篇论文提出了一种通过设计宽带 VIS-NIR 范围内的辅助照明的最佳光谱，来优化 NIR2RGB 翻译的方法，以实现在完全黑暗条件下的图像捕获。

    Mar, 2023

  • 基于单一示例的可见光和红外自我监督融合训练

    该研究提出了一种可见光与近红外图像融合的方法，通过使用 RGBT 传感器获取的可见图像和近红外通道的信息，利用 SSIM 损失和边缘保护等技术进行融合，并在实验证明相比其他方法，该方法在多光谱融合方面取得了更好的结果。

    Jul, 2023