热门标签 | HotTags
当前位置:  开发笔记 > 编程语言 > 正文

嫌随机森林去雾效果不好,你行你上啊——DehazeNet端到端的去雾

嫌随机森林去雾效果不好,你行你上啊——DehazeNet端到端的去雾虽然tang-2014提出了去雾的机器学习方法,但它是基于随机森林的,

嫌随机森林去雾效果不好,你行你上啊——DehazeNet端到端的去雾

虽然tang-2014提出了去雾的机器学习方法,但它是基于随机森林的,必须首先抽取图像特征,然后将特征向量输入随机森林。这不是一种端到端的学习方法。很自然人们会尝试采用CNN模型去进行端到端的训练,那么是否采用深度学习呢?直观地看上去,去雾任务没有目标识别那么复杂,那么采用浅层网络够不够呢?

Bolun Cai在2016-MIP发表的DehazeNet-An End-to-End System for Single Image Haze Removal一文,回答了这个问题。他们提出的DehazeNet去雾模型基于手工特征,又超出传统方法,取得了更好的去雾结果。它是一种端到端的训练模型,用于估计传输率。输入雾图,输出传输率映射图,然后通过大气散射模型来恢复无雾图像。采用深度CNN结构(有多深呢?4层而已),并提出了一种新的非线性激活函数——双边矫正线性单元,它提高了恢复图像的质量。
这里写图片描述
本文首先回顾了近期去雾算法的进展:

1)马尔科夫随机场MRF方法,基于无雾图像具有更高的对比度的假设。

2)独立成分分析ICA方法,基于最小输入

3)当然,还有这个无处不在的暗通道法DCP

特别谈到了最近才开始采用的机器学习框架:

4)Tang-2014, 随机森林,联合四种雾化特征

5)Zhu-2015 , 线性模型,基于色彩衰减先验,采用监督学习来学习模型参数

另外,本文还提到了许多基于CNN的、用于低级视觉任务的、深度学习方法,如图像恢复和重建。但在本文之前,还没有用于图像去雾的。本文认为,传输率估计是对去雾最重要的。因此,本文提出了DehazeNet,这种基于CNN的端到端的学习模型,用于传输率估计。其输入就是雾图,输出传输率。
本文的贡献:

1)提出的DehazeNet是端到端的系统,它直接从雾图块及对应的传输率进行学习。

2)提出的双边矫正线性单元BReLU,改善了恢复图像的质量。

3)分析了DehazeNet与已有去雾技术之间的关系。

那么这个DehazeNet究竟是什么呢?请关注爱在上工。
这里写图片描述


推荐阅读
  • Python 数据可视化实战指南
    本文详细介绍如何使用 Python 进行数据可视化,涵盖从环境搭建到具体实例的全过程。 ... [详细]
  • 在机器学习领域,深入探讨了概率论与数理统计的基础知识,特别是这些理论在数据挖掘中的应用。文章重点分析了偏差(Bias)与方差(Variance)之间的平衡问题,强调了方差反映了不同训练模型之间的差异,例如在K折交叉验证中,不同模型之间的性能差异显著。此外,还讨论了如何通过优化模型选择和参数调整来有效控制这一平衡,以提高模型的泛化能力。 ... [详细]
  • 独家解析:深度学习泛化理论的破解之道与应用前景
    本文深入探讨了深度学习泛化理论的关键问题,通过分析现有研究和实践经验,揭示了泛化性能背后的核心机制。文章详细解析了泛化能力的影响因素,并提出了改进模型泛化性能的有效策略。此外,还展望了这些理论在实际应用中的广阔前景,为未来的研究和开发提供了宝贵的参考。 ... [详细]
  • 能够感知你情绪状态的智能机器人即将问世 | 科技前沿观察
    本周科技前沿报道了多项重要进展,包括美国多所高校在机器人技术和自动驾驶领域的最新研究成果,以及硅谷大型企业在智能硬件和深度学习技术上的突破性进展。特别值得一提的是,一款能够感知用户情绪状态的智能机器人即将问世,为未来的人机交互带来了全新的可能性。 ... [详细]
  • 从2019年AI顶级会议最佳论文,探索深度学习的理论根基与前沿进展 ... [详细]
  • 非计算机专业的朋友如何拿下多个Offer
    大家好,我是归辰。秋招结束后,我已顺利入职,并应公子龙的邀请,分享一些秋招面试的心得体会,希望能帮助到学弟学妹们,让他们在未来的面试中更加顺利。 ... [详细]
  • 在2019中国国际智能产业博览会上,百度董事长兼CEO李彦宏强调,人工智能应务实推进其在各行业的应用。随后,在“ABC SUMMIT 2019百度云智峰会”上,百度展示了通过“云+AI”推动AI工业化和产业智能化的最新成果。 ... [详细]
  • Python与R语言在功能和应用场景上各有优势。尽管R语言在统计分析和数据可视化方面具有更强的专业性,但Python作为一种通用编程语言,适用于更广泛的领域,包括Web开发、自动化脚本和机器学习等。对于初学者而言,Python的学习曲线更为平缓,上手更加容易。此外,Python拥有庞大的社区支持和丰富的第三方库,使其在实际应用中更具灵活性和扩展性。 ... [详细]
  • 本文节选自《NLTK基础教程——用NLTK和Python库构建机器学习应用》一书的第1章第1.2节,作者Nitin Hardeniya。本文将带领读者快速了解Python的基础知识,为后续的机器学习应用打下坚实的基础。 ... [详细]
  • 三角测量计算三维坐标的代码_双目三维重建——层次化重建思考
    双目三维重建——层次化重建思考FesianXu2020.7.22atANTFINANCIALintern前言本文是笔者阅读[1]第10章内容的笔记,本文从宏观的角度阐 ... [详细]
  • 投融资周报 | Circle 达成 4 亿美元融资协议,唯一艺术平台 A 轮融资超千万美元 ... [详细]
  • 浅层神经网络解析:本文详细探讨了两层神经网络(即一个输入层、一个隐藏层和一个输出层)的结构与工作原理。通过吴恩达教授的课程,读者将深入了解浅层神经网络的基本概念、参数初始化方法以及前向传播和反向传播的具体实现步骤。此外,文章还介绍了如何利用这些基础知识解决实际问题,并提供了丰富的实例和代码示例。 ... [详细]
  • 负载均衡基础概念与技术解析
    随着互联网应用的不断扩展,用户流量激增,业务复杂度显著提升,单一服务器已难以应对日益增长的负载需求。负载均衡技术应运而生,通过将请求合理分配到多个服务器,有效提高系统的可用性和响应速度。本文将深入探讨负载均衡的基本概念和技术原理,分析其在现代互联网架构中的重要性及应用场景。 ... [详细]
  • 当前,众多初创企业对全栈工程师的需求日益增长,但市场中却存在大量所谓的“伪全栈工程师”,尤其是那些仅掌握了Node.js技能的前端开发人员。本文旨在深入探讨全栈工程师在现代技术生态中的真实角色与价值,澄清对这一角色的误解,并强调真正的全栈工程师应具备全面的技术栈和综合解决问题的能力。 ... [详细]
  • 视觉图像的生成机制与英文术语解析
    近期,Google Brain、牛津大学和清华大学等多家研究机构相继发布了关于多层感知机(MLP)在视觉图像分类中的应用成果。这些研究深入探讨了MLP在视觉任务中的工作机制,并解析了相关技术术语,为理解视觉图像生成提供了新的视角和方法。 ... [详细]
author-avatar
violalal_134
这个家伙很懒,什么也没留下!
PHP1.CN | 中国最专业的PHP中文社区 | DevBox开发工具箱 | json解析格式化 |PHP资讯 | PHP教程 | 数据库技术 | 服务器技术 | 前端开发技术 | PHP框架 | 开发工具 | 在线工具
Copyright © 1998 - 2020 PHP1.CN. All Rights Reserved | 京公网安备 11010802041100号 | 京ICP备19059560号-4 | PHP1.CN 第一PHP社区 版权所有