Apr, 2024

StreakNet-Arch: 水下载波雷达成像的基于反散射网络的架构

PDF
TL;DR介绍了一种用于水下载波 LiDAR-Radar（UCLR）成像系统的新型信号处理架构 StreakNet-Arch，通过引入自注意力网络和提出的双分支交叉注意力机制（DBC-Attention），形成了实时的端到端二分类任务，实现了实时图像获取，并利用暗管摄像机图片嵌入到注意力网络中作为学习带通滤波器的方法，还提供了一个公开可用的暗管摄像机图片数据集，大大提高了 UCLR 的性能和在水下成像任务中的适用性。
streaknet-archunderwater carrier lidar-radarreal-time imagingself-attention networksstreak-tube camera images
发现论文，激发创造
  • 单幅图像深度联合雨滴检测与去除

    本文提出了一种基于深度学习架构，通过新的雨画像模型解决单幅图像中存在大雨和雨斑累积的雨滴去除问题，并通过使用二进制雨斑图和重复的雨检测实现更好的效果。

    Sep, 2016

  • 5G 无人机场景下的深度注意力识别：新颖架构和端到端评估

    提出了一种基于 Deep Attention Recognition 的解决方案，通过认证的 UAV 中嵌入一个小型的深度网络，用可观测参数 SINR 和 RSSI 识别 Line-of-Sight (LoS)，Non-Line-of-Sight (NLoS) 情况下的攻击，并提出数据操作和多数投票技术来补充深度网络决策，探讨了 LSTM 和 Attention 层的影响以及数据不足情况下的精度测试，最后标准分类器测试表明，该算法精度在 LoS 和短距离 NLoS 条件下均高于 XGB 分类器。

    Mar, 2023

  • NASNet：一种单幅图像去雨的神经注意力阶段网络

    本文提出了一种用于处理多种雨模型任务的新型端到端神经元注意力阶段网络（NASNet），包括轻量级神经元注意力（NA）架构机制和阶段性统一模式网络架构，能够在处理复杂雨天图像时有效地提高图像质量。

    Dec, 2019

  • 协作强韧水下图像增强与感知的双重对抗性韧性

    本论文介绍了一种协作对抗鲁棒性网络（CARNet），用于水下图像增强和后续检测任务。通过引入具有强大扰动感知能力的可逆网络来隔离水下图像中的攻击，防止对图像增强和感知任务的干扰，并结合视觉驱动和感知驱动攻击的同步训练策略，使网络能够识别和去除各种类型的攻击。此外，还结合攻击模式判别器提高网络对不同攻击的鲁棒性。实验证明，该方法输出视觉上令人满意的增强图像，并相比最先进方法具有平均 6.71% 更高的检测 mAP。

    Sep, 2023

  • 重新思考图像去雨：基于雨线和雾气的方法

    本文提出了一种基于编码 - 解码卷积神经网络的单图像去雨方法，通过将雨纹视为传输介质结合雾气模拟出遮盖效应，同时将编码器 CNN 用来估计大气光。实验表明，该方法相对于现有方法在效果上有优势。

    Aug, 2020

  • 基于波长属性的深度神经网络用于水下图像修复

    本文提出了一种用于水下图像恢复的深度神经网络模型 Deep WaveNet，采用多重上下文特征和注意力跳过机制，有效地解决了水下环境中波长不对称性引起的色彩失真问题。文中实验证明，该模型在多个高级视觉任务方面表现优于已有模型，并且开源代码。

    Jun, 2021

  • 基于深度学习的雷达和摄像头传感器融合架构用于物体检测

    本文提出了一种通过融合镜头和雷达数据的 CameraRadarFusionNet 网络，在二维目标检测技术上取得了优于目前最新图像网络的性能，同时使用了专注于某一特定传感器类型的普遍训练策略 BlackIn。

    May, 2020

  • CLRmatchNet: 借助深度匹配过程增强曲线车道检测

    我们的研究引入了 MatchNet，一个基于深度学习子模块的方法，用于增强标签分配过程，通过将其整合到最先进的车道检测网络 CLRNet 中，我们取代了传统的标签分配过程。这种整合在涉及曲线车道的场景中取得了显著的改进，在 ResNet34，ResNet101 和 DLA34 的所有主干上分别提高了 + 2.8％，+2.3％和 + 2.96％。此外，在其他部分保持或甚至改善了可比的结果，我们的方法提高了车道检测的置信水平，允许提高置信阈值。

    Sep, 2023

  • 水下图像增强的传输和颜色引导网络

    最近几年随着海洋产业的不断发展，水下图像增强引起了广泛关注。为了解决颜色偏差和低对比度的问题，我们提出了一种自适应透射和动态颜色引导网络（命名为 ATDCnet）用于水下图像增强。

    Aug, 2023

  • SDNet：使用 Swin 的多分支单图像去雨方法

    本研究提出了一种使用 Swin-transformer 模型实现去雨任务的基本模块改进方法，并设计了一个三分支模型，并提出了一个新的数据集 Rain3000 来验证模型的性能和效果，实验结果表明，该方法在公开数据集 Rain100L，Rain100H 和 Rain3000 上具有先进的性能和较快的推理速度。

    May, 2021