<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[正在thu实习搬砖的CVer，欢迎交流保研和计算机视觉。 ​]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/m0_46669342</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; m0_46669342]]></copyright><item><title><![CDATA[不良光线下的语义分割论文调研]]></title><link>https://blog.youkuaiyun.com/m0_46669342/article/details/124570798</link><guid>https://blog.youkuaiyun.com/m0_46669342/article/details/124570798</guid><author>m0_46669342</author><pubDate>Wed, 04 May 2022 14:57:04 +0800</pubDate><description><![CDATA[不良光线下的语义分割论文调研
文章目录不良光线下的语义分割论文调研Multitask AET with Orthogonal Tangent Regularity for Dark Object Detection解决问题思路See Clearer at Night: Towards Robust Nighttime Semantic Segmentation through Day-Night Image Conversion解决问题思路DANNet: A One-Stage Domain Adaptat]]></description><category></category></item><item><title><![CDATA[第八届蓝桥杯全国总决赛真题解析]]></title><link>https://blog.youkuaiyun.com/m0_46669342/article/details/123807136</link><guid>https://blog.youkuaiyun.com/m0_46669342/article/details/123807136</guid><author>m0_46669342</author><pubDate>Mon, 28 Mar 2022 21:41:28 +0800</pubDate><description><![CDATA[36进制
本题为填空题，只需要算出结果后，在代码中使用输出语句将所填结果输出即可。
对于 16 进制，我们使用字母 A−F 来表示 10 及以上的数字。
如法炮制，一直用到字母 Z，就可以表示 36 进制。
36 进制中，A 表示 10，Z表示 35，AA 表示370。
你能算出 MANY 表示的数字用 10 进制表示是多少吗?
答案：1040254
解析：标准的无语题
代码：
package 蓝桥杯全国总决赛真题;

import java.util.Scanner;

public class 三十六进]]></description><category></category></item><item><title><![CDATA[《RefineDNet: A Weakly Supervised Refinement Framework for Single Image Dehazing》论文阅读]]></title><link>https://blog.youkuaiyun.com/m0_46669342/article/details/123807111</link><guid>https://blog.youkuaiyun.com/m0_46669342/article/details/123807111</guid><author>m0_46669342</author><pubDate>Mon, 28 Mar 2022 21:39:25 +0800</pubDate><description><![CDATA[《RefineDNet: A Weakly Supervised Refinement Framework for Single Image Dehazing》论文阅读
文章目录《RefineDNet: A Weakly Supervised Refinement Framework for Single Image Dehazing》论文阅读论文简介摘要介绍本文主要贡献提出的网络框架整体二阶框架弱监督学习去雾效果融合网络结构
论文简介
意思：RefineDNet 一个弱监督的单一图像去雾改进框架
Refi]]></description><category></category></item><item><title><![CDATA[Progressive Feature Fusion Networkfor Realistic Image Dehazing笔记及代码]]></title><link>https://blog.youkuaiyun.com/m0_46669342/article/details/123807093</link><guid>https://blog.youkuaiyun.com/m0_46669342/article/details/123807093</guid><author>m0_46669342</author><pubDate>Mon, 28 Mar 2022 21:38:52 +0800</pubDate><description><![CDATA[Progressive Feature Fusion Networkfor Realistic Image Dehazing笔记及代码
来源
Asian Conference on Computer Vision2018
CCF c类会议
摘要

提出一个端到端的网络结构
提出了一种基于渐进特征融合的U-Net类编码器-解码器网络，直接学习从观测到的模糊图像到无模糊图像的高度非线性变换函数（不依赖大气散射模型）。

提出的方法
本文提出了基于U-Net的渐进式网络，它由编码器、特征转换器、解码器三个模块组成]]></description><category></category></item><item><title><![CDATA[Multi-Scale Boosted Dehazing Network with Dense Feature Fusion笔记和代码]]></title><link>https://blog.youkuaiyun.com/m0_46669342/article/details/123807077</link><guid>https://blog.youkuaiyun.com/m0_46669342/article/details/123807077</guid><author>m0_46669342</author><pubDate>Mon, 28 Mar 2022 21:38:18 +0800</pubDate><description><![CDATA[Multi-Scale Boosted Dehazing Network with Dense Feature Fusion笔记和代码
本篇论文的主要创新点是SOS增强策略和密集特征融合，创新点均是从其他领域进行挖掘。
摘要


提出了一种基于U-Net结构的具有密集特征融合的多尺度增强去雾网络。


该方法基于增强反馈和误差反馈两种原理进行了设计，并证明了该方法适用于脱雾问题。


通过在该模型的解码器中加入增强-操作-减弱（SOS)的增强策略，开发了一个简单而有效的增强解码器来逐步恢复无雾图像。


为]]></description><category></category></item><item><title><![CDATA[Enhanced Pix2pix Dehazing Network阅读及代码笔记]]></title><link>https://blog.youkuaiyun.com/m0_46669342/article/details/123807056</link><guid>https://blog.youkuaiyun.com/m0_46669342/article/details/123807056</guid><author>m0_46669342</author><pubDate>Mon, 28 Mar 2022 21:37:46 +0800</pubDate><description><![CDATA[Enhanced Pix2pix Dehazing Network阅读及代码笔记
来源
CVPR2019
摘要

提出一个经过改进的pix2pix去雾网络（EPDN）。
EPDN由一个生成对抗网络组成，后面跟着一个增强器。
受视觉感知全局优先理论的启发，鉴别器引导生成器在粗尺度上创建伪真实图像，而跟随生成器的增强器需要在精细尺度上生成真实的去模糊图像。
增强器包含两个基于感受野模型的增强块，这增强了在颜色和细节上的脱雾效应。
从知觉的角度，引入了**知觉指数(PI)**来进行定量评价。

提出的方法
本文将]]></description><category></category></item><item><title><![CDATA[DehazeNet: An End-to-End System for Single Image Haze Removal笔记]]></title><link>https://blog.youkuaiyun.com/m0_46669342/article/details/123807028</link><guid>https://blog.youkuaiyun.com/m0_46669342/article/details/123807028</guid><author>m0_46669342</author><pubDate>Mon, 28 Mar 2022 21:37:03 +0800</pubDate><description><![CDATA[DehazeNet: An End-to-End System for Single Image Haze Removal笔记
摘要
现有方法使用各种先验法得到脱雾图像，而图像去雾的关键是估计输入图像的介质传输图（medium transmission map）。本文运用深度学习，建立了一个端对端的去雾系统DehazeNet进行介质传输图的估计，然后通过大气散射模型得到去雾的图像。DehazeNet以单个有雾图像为输入、介质传输图为输出。其网络层设计来体现在图像去模糊中已建立的假设/先验，其实就是使用max]]></description><category></category></item><item><title><![CDATA[《Deep Retinex Network for Single Image Dehazing》论文阅读]]></title><link>https://blog.youkuaiyun.com/m0_46669342/article/details/123806984</link><guid>https://blog.youkuaiyun.com/m0_46669342/article/details/123806984</guid><author>m0_46669342</author><pubDate>Mon, 28 Mar 2022 21:36:01 +0800</pubDate><description><![CDATA[《Deep Retinex Network for Single Image Dehazing》论文阅读
文章目录《Deep Retinex Network for Single Image Dehazing》论文阅读摘要前言基于先验的方法早期的先验方法基于retinex的方法引出
摘要
本文提出了一个基于Retinex算法的分解模型和一个端对端的神经网络，用于图像去模糊。使用该模型，将模糊图像分解成无雾霾的图像和有雾霾的残余图像。
基于原先的模型，本文设计了一个网络RDN（retinex dense ne]]></description><category></category></item><item><title><![CDATA[图像去雾领域经典论文及代码]]></title><link>https://blog.youkuaiyun.com/m0_46669342/article/details/123806959</link><guid>https://blog.youkuaiyun.com/m0_46669342/article/details/123806959</guid><author>m0_46669342</author><pubDate>Mon, 28 Mar 2022 21:35:11 +0800</pubDate><description><![CDATA[前言
随着图像处理技术和计算机视觉技术的蓬勃发展，对特殊天气下的场景检测和图像处理成为重要的研究方向。在雾天拍摄的图像容易受雾或霾的影响，导致图片模糊、对比度低以至于丢失图像重要信息。因此，需要对带雾图像进行去雾，处理图像信息，保证其他计算机视觉任务的正常运行。
图像去雾领域近几年的顶会顶刊
Single Image Ha#ze Removal Using Dark Channel Prior
何凯明大神的暗通道先验，图像去雾的开山之作。


论文地址：https://ieeexplore.ieee.org]]></description><category></category></item><item><title><![CDATA[单幅图像去雾算法研究综述]]></title><link>https://blog.youkuaiyun.com/m0_46669342/article/details/123806915</link><guid>https://blog.youkuaiyun.com/m0_46669342/article/details/123806915</guid><author>m0_46669342</author><pubDate>Mon, 28 Mar 2022 21:34:27 +0800</pubDate><description><![CDATA[来源
《计算机工程与应用》北大核心期刊，CSCD数据库。
影响因子：2.348
简介
图像去雾算法是以满足特定场景需求，突出图片细节并增强图片质量为目的的图像分析与处理方法。在雾霾天气下，造成了户外图像采集设备捕获的图像清晰度和对比度大幅下降，甚至会造成图像色彩偏移、细节大量丢失的现象。
从图像处理原理角度将算法分为三类：

基于物理模型
基于非物理模型
基于深度学习

基于物理模型的去雾算法考虑雾的成像原理，考虑光的散射和衰减然后建立模型。经典作就是何凯明大神等于2009年提出的基于暗原色先验的图像去雾算]]></description><category></category></item><item><title><![CDATA[YOLOv3训练数据集]]></title><link>https://blog.youkuaiyun.com/m0_46669342/article/details/123806690</link><guid>https://blog.youkuaiyun.com/m0_46669342/article/details/123806690</guid><author>m0_46669342</author><pubDate>Mon, 28 Mar 2022 21:31:07 +0800</pubDate><description><![CDATA[这是我第一次尝试用yolo v3训练自己的数据集，以此整理一下来清晰思路，自此便可熟练训练深度学习模型。
电脑配置
系统：Windows10
显卡：GTX 1660ti（6G）
CPU：九代i7
开发环境：pytorch+cuda+cudnn
本次我们使用的是VOC数据集，附下载链接：
https://pjreddie.com/projects/pascal-voc-dataset-mirror/
下载如图所示的前两行数据集。

下载后如图：

我们将其解压打开所在路径：

JPEGImages文件夹存放的]]></description><category></category></item></channel></rss>