May, 2024

如何在热适应目标检测模型上增强大气湍流效应？

PDF
TL;DR利用湍流图像增强技术改善在大气湍流环境下热适应和基于深度学习的目标检测模型的准确性和鲁棒性，研究表明，通过在模型训练中使用湍流特定的增强方法，可以显著提高检测湍流图像的准确性和鲁棒性。
atmospheric turbulenceobject detection modelsturbulence image augmentation techniquesdeep learning-based object detection modelsturbulence-specific augmentations
发现论文，激发创造
  • 大气湍流效应对热适应目标检测模型的增强

    本文分析了大气湍流对红外热成像中的目标检测性能的影响，通过使用几何扰动模型模拟了不同严重程度的大气湍流对多规模热成像数据集的影响，应用热域自适应和数据增强策略提高了目标检测器的性能。

    Apr, 2022

  • 基于领域适应的实际大气湍流校正

    我们在实际环境中提出了一种大气湍流妥协模型，利用领域自适应框架将有监督的模拟大气湍流校正与无监督的实际大气湍流校正相结合，从而提高实际大气湍流场景的性能，改善图像质量和下游视觉任务。

    Feb, 2024

  • 单帧大气湍流抑制：基准研究与一种新的物理启示 Transformers 模型

    本研究提出了一种基于物理启发的转换器模型来处理大气湍流引起的图像失真，利用该模型可以提取动态湍流失真图并恢复无失真图像，并收集了两个现实世界的湍流数据集，用经典数据和一种新的任务驱动度量来进行评估。

    Jul, 2022

  • 利用不确定性学习修复大气湍流下受损图像

    本文提出了基于深度学习的方法，利用蒙特卡罗实验退出的认知不确定性来恢复大气湍流影响下的退化单张图像，并利用估计的不确定性图来指导网络获取恢复图像。

    Jul, 2022

  • 增强物体检测可靠性：一种基于合成和自然扰动的方法

    本研究针对物体检测模型在实际应用中所面临的实际分布转移困境，探讨了通过模拟自然干扰（如光照、模糊和亮度的变化）及相应的数据增强技术来评估和提高模型的鲁棒性。经过综合的剖析研究及实验，发现使用数据增强技术中的合成干扰可以有效提高模型的鲁棒性，并提供了相应的实测核实数据及有价值的洞察力。

    Apr, 2023

  • 关于航空图像中目标检测模型的鲁棒性

    在本文中，我们针对受云层影响的航拍图像，提出了两个基于 DOTA-v1.0 的新型基准测试。通过对主流目标检测模型的系统评估和大量剖析实验，我们发现增强模型架构、更大的网络、精心设计的模块以及谨慎的数据增强策略可以共同提高航拍目标检测模型的稳健性。我们提出的基准测试和全面的实验分析有助于促进航拍图像中稳健目标检测的研究。

    Aug, 2023

  • 利用视频序列深度视觉先验进行大气湍流去除

    基于自我监督学习的方法能够改善大气湍流扭曲效应，利用深度学习和时空先验能够提高图像质量。

    Feb, 2024

  • 靠各向异性湍流重构静态和动态场景的图像

    本文介绍了一种统一的大气湍流衰减方法，在静态和动态序列中均可使用，并且通过利用一种新的时空非局部平均方法来构建可靠的参考帧，利用几何一致性和锐度度量来生成幸运帧，并通过对盲变焦点扩散函数进行物理约束的先验模型。通过合成和真实长距离湍流序列基于实验结果验证了所提出方法的性能。

    Aug, 2020

  • 时空湍流抑制：一个翻译视角

    利用经典图像修复算法的直觉，我们提出了深度大气湍流抑制网络（DATUM），能够在深度学习方法中高效地执行长距离时序聚合，同时无缝地促进像素注册和幸运成像，并通过额外的监督来共同减轻倾斜和模糊退化，从而显著优于现有方法，并提供十倍的处理速度提升。

    Jan, 2024

  • 可变深度扩散的大气湍流校正

    本文提出了一种基于变分推断框架下的新型深度条件扩散模型来解决大气湍流校正问题，并在综合合成的 AT 数据集上进行了实验，结果表明该提议的框架取得了良好的定量和定性结果。

    May, 2023