基于深度学习的无参考图像质量评价综述

图像质量评价是图像处理、图像/视频编码等领域的基础性问题,用于评估图像的失真程度,被广泛应用于算法设计与分析、系统性能评估等方面.无参考图像质量评价(又称为盲图像质量评价)是一种重要的客观质量评价方法.因为无须原始的参考图像,因此具有广泛的应用前景.近年来,随着深度学习技术的不断发展,人们提出了多种基于深度学习的无参考...     

本征声线的一种求取方法

本文介绍一一种求取本征声线的方法，并给出了算例。     

基于卷积神经网络的监控场景下车辆颜色识别

颜色是车辆识别中广泛应用的主要线索之一,在智能交通系统中扮演着重要的角色.受光照变化、噪声、环境等复杂因素的影响,传统的车辆颜色识别方法难以取得理想的识别效果.利用卷积神经网络(CNN)的优越识别性能,提出了一种基于卷积神经网络的监控场景下车辆颜色识别方法.基于传统的CNN原理设计了车色识别专用深度网络架构,直接通过CNN学习基于颜色分布的分类模型.与其他基于深度学习的车色识别方法相比,提出的用于车色识别的专用深度网络,具有参数少、识别速度快、识别精度高等优点.实验结果表明,在Chen等公布的标准数据集上,与最新的研究成果相比,平均识别精度提高约0.77％,识别速度提高14倍左右.     

基于深度特征字典学习和Largevis的遥感图像检索

提出了一种基于深度特征字典学习和Largevis的遥感图像检索方法。该方法以Inception v4为骨干网络,提取了第一个Reduction Block输出的特征图,并对其进行重组。然后利用K均值聚类算法对重组后的特征进行训练,构造深度特征字典。基于深度特征字典,对卷积特征图进行量化,得到紧凑的特征表示向量,将其与全连接层特征相结合,形成图像特征表示向量。为了避免“维度灾难”的问题,采用Largevis降维方法对图像特征表示向量进行降维。采用L2距离度量方法对降维后的特征进行相似性比对,实现了遥感图像的检索。在RS19、UCM和RSSCN7数据集上的实验结果表明,与现有的方法相比,该方法能获得更好的检索性能。     

基于深度学习的单幅图像去雾研究进展

户外视觉系统极易受到雾霾等恶劣天气影响，采集到的图像/视频质量严重下降，这不仅影响人眼的主观感受，也给后续的智能化分析带来严峻挑战.近年来，学者们将深度学习应用于图像去雾领域，取得了诸多的研究成果.但是雾霾图像场景复杂多变、降质因素众多，这对去雾算法的泛化能力提出了很高的要求.本文主要总结了近年来基于深度学习的单幅图像去雾技术研究进展.从先验知识和物理模型、映射关系建模、数据样本、知识迁移学习等角度出发，介绍了现有算法的研究思路、具体特点、优势与不足.尤其侧重于近两年来新出现的训练策略和网络结构，如元学习、小样本学习、域自适应、Transformer等.另外，本文在公共数据集上对比了各种代表性去雾算法的主客观性能、模型复杂度等，尤其是分析了去雾后的图像对于后续目标检测任务的影响，更全面地评价了现有算法性能的优劣，并探讨了未来可能的研究方向.