通过图像级集成学习探索颜色不变性
本文提出一种基于数据驱动的方法学习跨多个相机视图的人物再识别,通过联合学习线性变换和字典编码像素值,并使用颜色作为唯一线索,在多个颜色空间中进行比较,取得了优于其他方法的结果。
Oct, 2014
该论文提出了一种结合迁移学习和集成学习方法的新颖方法,以减少训练时间和资源需求,并提出了一个模型来对自然彩色图像和计算机彩色图像进行分类。该模型利用预训练的 VGG16 和 Resnet50 分支,以及 MobileNet v2 或 EfficientNet 特征向量。该模型显示出有希望的结果,准确率在 94.55% 至 99.13% 之间,并具有很低的半总误差率值。该模型在分类性能和泛化能力方面优于现有的最先进模型。
Sep, 2023
本研究介绍了一种新颖的深度学习建模方法,即 Color Equivariant Convolutions (CEConvs),通过在神经网络中引入参数共享的色调变换,实现了跨颜色频谱的形状特征共享同时保留重要的颜色信息,从而在解决基于颜色的数据偏移问题上具有很大的潜力。在实验中,我们将 CEConvs 集成到现有的体系结构中,如 ResNets,并展示了其对各种任务的下游性能和对颜色变化包括训练和测试分布的改善稳健性的优势。
Oct, 2023
本文介绍了 “随机擦除” 这种新的数据增强方法,可以帮助训练卷积神经网络,从而生成更加鲁棒的模型,有助于解决过度拟合问题和遮挡问题,在图像分类、目标检测和人物再识别等领域中表现优异。
Aug, 2017
通过颜色空间学习(CSL)解决了交叉颜色人物再识别问题,在不同模态的图像中增加颜色多样性,通过图像级颜色增强和像素级颜色转换两个模块实现,在 RGB 和红外模态的 NTU-Corridor 基准测试上验证了其有效性和鲁棒性。
May, 2024
本文探讨了卷积神经网络在图像分类任务中受背景信息和色彩影响的能力,并提出利用 dropout 正则化对模型进行轻微结构修改以增强颜色不变性特征的分类准确度的潜在解决方案。
Jul, 2023
该研究旨在通过利用高维光谱波段重新构建可见颜色,从卫星图像中学习有意义的表示,以进行地表覆盖分类和航空监测等深度学习技术的研究。
Jun, 2020
本文提出了一种基于深度强化学习 (DRL) 的彩色增强方法来明确地建模人类修饰过程的阶段性特征,其中颜色增强过程被视为一个马尔科夫决策过程,通过全局颜色调整操作定义其中的具体行为。我们通过 “扭曲和恢复” 训练方案,以高质量的参考图像作为训练数据,证明了我们的方法产生了不错的增强结果,并且我们的 DRL 方法比以前的监督方法更适合于该训练方案。
Apr, 2018
使用变分自编码器 (VAE) 建立灰度图像到多种可能颜色映射的条件模型,利用多模态分布的采样得到表现出长程空间协调性的多样性上色结果。与条件卷积变分自编码器(CVAE)和条件生成对抗网络(cGAN)方法相比,多模态变量 (VAE) 方法能够获得更好的多样性上色效果。
Dec, 2016