关键词computational color constancy
搜索结果 - 7
- 从计算色彩恒常性的角度探究色彩错觉
通过分析色彩视觉系统中的色彩恒常性和色彩幻觉知觉现象,我们修改了现有的色彩恒常性方法,使其能够更好地模拟人类视觉系统在色彩幻觉上的行为,并显示出从幻觉中提取的参数能够改善色彩恒常性方法的性能,从而超越现有的多光源算法设计。
- Cube++ 光照估计数据集
本研究提出了一个新的照明估计数据集 (SpyderCube),旨在解决其他数据集存在的问题,可用于训练和测试单一或双照明估计方法。该数据集由 4890 幅带有语义数据的图像组成,包含两个不同方向的地面真实照明记录,可用于图像处理流程中的计算 - AAAI级联卷积色彩恒常性
本文提出了一种基于加权乘累积损失函数的级联卷积色彩恒常性算法 (C4),可以改善回归学习的鲁棒性,并在独特的框架下实现数据集 (不同相机和场景) 的稳定泛化能力。与最先进的方法相比,实验结果表明,该算法在公共 Color Checker 和 - MM语义白平衡:使用卷积神经网络的语义色彩恒常性
本文利用图像语义分割的信息,结合输入图像的颜色和空间信息,训练了一个 CNN 模型来消除场景照明造成的色偏,试验结果表明,利用 CNN 模型的图像语义分割信息可以将误差减少超过 40%。
- 基于数据驱动的肤色图像分析中的颜色增强技术
提出了一种利用计算机色彩恒常性技术构建人工数据增强技术的方法,用于皮肤皮损分割和皮肤皮损分类的深度卷积神经网络训练中,以及在不使用任何外部皮肤图像集的情况下,在 ISIC 2017 挑战赛的背景下进行颜色归一化的方法。
- 利用深度学习对计算机颜色恒常性问题进行分类处理
本文采用深度学习框架来解决计算机颜色恒常性问题,使用卷积神经网络将颜色恒常性问题视为照明分类问题,设计深度学习架构以直接用于计算照明颜色,实验结果表明我们的深度网络能够提取有用特征用于照明估计,且在多个测试数据集上性能优于所有先前的颜色恒常 - 深度结构输出回归学习在计算颜色恒定性中的应用
本文介绍一种使用深度结构输出回归学习框架来解决计算机视觉中的颜色均衡问题的方法,该框架结合了深度卷积神经网络的优势,可以自动发现强特征用于白平衡,同时学习多项输出回归器以找到复杂目标变量间的相互依赖关系。实验表明,该方法在两个公共基准测试中