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
  • 本周三大青年学术分享会即将开启
    由雷锋网旗下的AI研习社主办,旨在促进AI领域的知识共享和技术交流。通过邀请来自学术界和工业界的专家进行在线分享,活动致力于搭建一个连接理论与实践的平台。 ... [详细]
  • 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]
  • 本文详细介绍了 Java 网站开发的相关资源和步骤,包括常用网站、开发环境和框架选择。 ... [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]
  • 对于初学者而言,搭建一个高效稳定的 Python 开发环境是入门的关键一步。本文将详细介绍如何利用 Anaconda 和 Jupyter Notebook 来构建一个既易于管理又功能强大的开发环境。 ... [详细]
  • MySQL InnoDB 存储引擎索引机制详解
    本文深入探讨了MySQL InnoDB存储引擎中的索引技术,包括索引的基本概念、数据结构与算法、B+树的特性及其在数据库中的应用,以及索引优化策略。 ... [详细]
  • Redis 是一个高性能的开源键值存储系统,支持多种数据结构。本文将详细介绍 Redis 中的六种底层数据结构及其在对象系统中的应用,包括字符串对象、列表对象、哈希对象、集合对象和有序集合对象。通过12张图解,帮助读者全面理解 Redis 的数据结构和对象系统。 ... [详细]
  • 自动驾驶中的9种传感器融合算法
    来源丨AI修炼之路在自动驾驶汽车中,传感器融合是融合来自多个传感器数据的过程。该步骤在机器人技术中是强制性的,因为它提供了更高的可靠性、冗余性以及最终的 ... [详细]
  • LeetCode 实战:寻找三数之和为零的组合
    给定一个包含 n 个整数的数组,判断该数组中是否存在三个元素 a、b、c,使得 a + b + c = 0。找出所有满足条件且不重复的三元组。 ... [详细]
  • 使用 Jupyter Notebook 实现 Markdown 编写与代码运行
    Jupyter Notebook 是一个开源的基于网页的应用程序,允许用户在同一文档中编写 Markdown 文本和运行多种编程语言的代码,并实时查看运行结果。 ... [详细]
  • 兆芯X86 CPU架构的演进与现状(国产CPU系列)
    本文详细介绍了兆芯X86 CPU架构的发展历程,从公司成立背景到关键技术授权,再到具体芯片架构的演进,全面解析了兆芯在国产CPU领域的贡献与挑战。 ... [详细]
  • 本文介绍如何使用OpenCV和线性支持向量机(SVM)模型来开发一个简单的人脸识别系统,特别关注在只有一个用户数据集时的处理方法。 ... [详细]
  • 深入解析监督学习的核心概念与应用
    本文深入探讨了监督学习的基本原理及其广泛应用。监督学习作为机器学习的重要分支,通过利用带有标签的训练数据,能够有效构建预测模型。文章详细解析了监督学习的关键概念,如特征选择、模型评估和过拟合问题,并介绍了其在图像识别、自然语言处理等领域的实际应用。 ... [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