您的位置:首页 > 资讯 > 特种机器人 > 企业动态 > 正文

开源 | Deep SESR 搞定水下机器人视觉增强与超分辨率

2020-06-23 17:15 性质:转载 作者:赛蜗牛 来源:CNNer 阅读:15
免责声明:无人系统网(www.youuvs.com)尊重合法版权,反对侵权盗版。(凡是我网所转载之文章,文中所有文字内容和图片视频之知识产权均系原作者和机构所有。文章内容观点,与本网无关。如有需要删除,敬请来电商榷!)
论文地址:http://arxiv.org/pdf/2002.01155v1.pdf代码:https://github.com/xahidbuffon/deep-sesr.来源:明尼苏达大学论文名称:Simultaneous Enhancement a...

论文地址:

http://arxiv.org/pdf/2002.01155v1.pdf

代码:https://github.com/xahidbuffon/deep-sesr.

来源:明尼苏达大学

论文名称:Simultaneous Enhancement and Super-Resolution of Underwater Imageryfor Improved Visual Perception

原文作者:Md Jahidul Islam

为解决水下机器人视觉的同步增强与超分辨率(simultaneous enhancementand super-resolution,SESR)问题,本文提出了Deep SESR模型,为近实时应用提供了一种有效的解决方案。在本文中Deep SESR是一种residual-in-residual network-based的生成模型,可以学习在2、3或4个更高的空间分辨率下恢复感知图像质量。我们通过制定一个多模态目标函数来监督模型的训练,该函数解决了特定颜色的水下颜色退化、缺失图像清晰度和高层次特征表示损失的问题。它还监督学习图像中突出的前景区域,进而引导网络学习全局对比度增强。本文中还设计了端到端的训练方式,在共享的层次特征空间上联合学习显著性预测和SESR,从而实现快速推理。此外,提出了第一个方便大规模的SESR学习的数据集——UFO-120,包含了1500多个训练样本和120个样本的基准测试集。通过对UFO-120和其他标准数据集进行深入的实验评估,证明了Deep SESR在水下图像增强和超分辨率方面优于现有的解决方案。同时,我们也验证了DeepSESR在几个测试用例(具有不同光谱和空间退化水平的水下图像,以及具有不可见的自然物体的陆地图像)中的泛化性能。最后,我们分析了Deep SESR在单板部署中的计算可行性,并展示了它在水下机器人视觉导航中的操作优势。

下面是论文具体框架结构以及实验结果:

上一页12

网友评论
文明上网,理性发言,拒绝广告

相关资讯

热点资讯
推荐图文

关注官方微信

手机扫码看新闻