应用自适应主动曝光控制技术改善现场视觉基准标志的感知
无人水下车辆(AUVs)利用自适应彩色 LED 标记和动态颜色过滤的视觉方法,在不同水质条件下最大程度地提高地标的可见性,无需 AUV 和 DS 之间的通信。
Oct, 2023
本文提出了一种使用生成对抗网络 (GANs) 来提高可视水下场景质量的方法,该方法可以为水下机器人在视觉驱动任务上的表现提供更好的输入,同时提供了定量和定性数据,证明了这种方法的有效性。
Jan, 2018
本研究探索了一种数据驱动的方法,通过训练一个深度卷积神经网络模型以预测性地调整相机增益和曝光时间参数,从而实现在光照变化下得到最佳图像质量,以用于视觉测距和视觉同时定位和映射。研究通过实验验证了该方法的优越性。
Feb, 2021
通过结合海洋数据科学、深海探索、自主水下载具、水下成像和机器人三维重建等技术的最新发展,我们提出了一个系统,可在海底面积达公顷级的范围内进行自动化的机器人三维重建。该系统经过多次研究航行的测试和评估,展示了在真实条件下的稳定性和实用性。
Aug, 2023
该论文提出了一种新的方法,用于在缺乏全球导航卫星系统(GNSS)的环境中对无人机进行地理定位。通过预处理图像以提取边缘信息,可以显著提高 UAV 地理定位方法的性能,并增强对方向和高度不准确性的鲁棒性。此外,引入了一种用于本地化的置信度标准,并通过合成实验验证了相关发现。
Apr, 2024
该研究论文介绍了一种应对极端海洋条件中目标物跟踪的自主视觉导航框架,该框架利用生成对抗网络(GAN)和 YOLOv5 目标检测器对视觉特征进行处理,并在沙尘暴和雾等极端能见度受限条件下进行了充分测试,结果表明该方案在多个指标上优于现有方法。
Aug, 2023
提出了一种条件生成式对抗网络模型来实现实时水下图像增强,该模型基于全局内容、颜色、局部纹理和样式信息来评估感知图像质量,并使用 EUVP 数据集进行监督学习,可以从匹配和非匹配训练中学习提高水下图像质量,进而进一步提高水下物体检测、人类姿态估计和显著性预测等任务表现。
Mar, 2019
利用变分自动编码器的半监督方法来检测水下无人潜水器收集的人工物体图像, 通过数据聚类和异常分数提取技术,能够大规模地识别感兴趣的物体的候选样本,并在未标记的数据集上实现了平均精度为 0.64 的识别
Jun, 2023
本文提出了一种针对自主水下载具 (AUV) 的实时稠密三维重建方法,该方法使用了一个鲁棒的 VIO 方法 SVIn2 和一个实时三维重建管道。该管道在四个具有挑战性的水下数据集上获得了可比拟 COLMAP 的重建结果,并在单 CPU 上获得了高帧率。
Apr, 2023
提出了一种基于改进的 Cycle GAN 模型的水下图像增强方法,利用深度导向关注机制增强整体图像对比度,保持全局内容、颜色、局部纹理和样式信息不变,该方法在包含配对和非配对水下图像集的基准数据集上训练,定性和定量评估结果表明该模型适用于自主水下航行的视觉导航。
Apr, 2024