三、反射上去燥
四、結論
傳送門：
retinex模型假設把影象分解為反射率和光照兩部分。在本文中，我們收集了乙個包含低/正常光影象對的低光資料集(lol)，並提出了乙個基於該資料集的深度retinex-net，包括用於分解的decom-net和用於照明調節的enhance-net。
可以用下邊的公式來表示：
r為反射率，i為光照，◦為element-wise乘法
整個增強過程分為三個階段：分解、調整和重構。然後用s_normal和s_low作為輸入，分別估計出r_normal、i_normal和r_low、i_low。
第一階段是分解階段，用子網decom將輸入影象分解為反射率和光照。具 體步驟如下：
① 使用乙個3x3卷積層從輸入影象提取特徵；
② 用幾個relu為啟用函式的3x3卷積層將rgb影象對映為反射率和光照；
③ 再用乙個3x3卷積從特徵空間投射出r和i；
④最後使用sigmoid函式將r和i約束在[0,1]的範圍內。
損失函式由三部分組成：具體公式如下：
其中λir和λis表示用於平衡反射率一致性和光照平滑度的係數
重構損失lrecon：
恆定反射率損失lir：
光照平滑度損失lis：
∇h為包括∇h(水平)和∇v(垂直)的梯度，λg為平衡結構意識強度的係數
第二階段是調解階段，用enhance_net對光照進行分級調整。如果有m個上取樣模組
① 每個塊提取乙個c通道特徵圖；
② 通過最近鄰插值將這些特徵按不同的尺度調整到最終尺度，並將它們連線到乙個cxm通道特徵圖；
③ 通過1*1的卷積層，將連線的特徵簡化為c通道；
④ 使用3x3卷積層重建光照i。
損失函式由重建損失lreon和光照平滑損失lis兩部分組成
重建損失lreon：
光照平滑度損失lis：
1. 資料集
資料集包括兩類：真實的攝影對和從原始影象合成對
真實拍攝的影象：500對微光/正常光資料集，且包括了很多不同的場景，還是用了三步法來消除資料集中影象對之間的不對準
原圖合成的影象：
收集公共mef、npe、lime、dicm、vv1、fusion資料集270張弱光影象將影象轉換為ycbcr通道，計算y通道的直方圖。
從raise[4]中採集1000張raw影象作為normal-light影象，計算ycbcr中y通道的直方圖。
由下圖可見，合成影象的光照分布與弱光影象匹配。
2. 實驗設定
首先對分解網路和增強網路進行訓練，然後利用帶反向傳播的隨機梯度下降(sgd)端到端對網路進行微調。
2. 實驗結果
我們的解壓網路能夠從文字區域和平滑區域兩組不同光照條件下的影象中提取出基本一致的反射率。弱光影象的反射率與正常光影象的反射率相似，只是在真實場景**現了黑暗區域的放大雜訊。另一方面，照明貼圖描繪了影象上的亮度和陰影。與我們的結果相比，lime在反射率上留下了很多光照資訊。
我們將我們的retinx-net與四種最先進的方法進行了比較，包括基於去霧的方法(dehz)、自然度保留增強演算法(npe)、同時反射和光照估計演算法(srie)[8]和基於光照圖估計的方法(lime)。
從每乙個紅色矩形中可以看出，我們的方法在不過度**的情況下，充分地提高了隱藏在暗亮度下的物體的亮度，這得益於基於學習的影象分解方法和多尺度定製光照貼圖。與lime相比，我們的結果沒有部分過度暴露(看看靜物中的葉子和室外的葉子)。與dehz相比，這些物體沒有暗邊，dehz受益於加權電視損失條款(見街道上房屋的邊緣)。
採用bm3d作為視神經網路去噪操作。由於雜訊在反射率上被不均勻地放大，我們使用相對照明策略。我們比較了我們的聯合去噪視網膜網與兩種方法，一種是lime去噪後處理；另一種是jed，一種最近的聯合微光增強去噪方法。如圖7所示，使用retinex-net可以更好地保留細節，而lime和jed則模糊了邊緣。
本文提出了一種深度retinex分解方法，該方法可以在不考慮反射率和光照分解的真實情況下，以資料驅動的方式學會將觀測影象分解為反射率和光照。介紹了光照的後續光增強和反射率的去噪操作。對分解網路和微光增強網路進行端到端訓練。實驗結果表明，該方法具有良好的影象分解效果和良好的增強效果。
資料增強 自動駕駛中的資料增強
本文摘取了matt cooper對自動駕駛資料增強的一些看法。文章的核心觀點是，針對特定的模型必須分析確定特定的資料增強器，不能把增強器技術黑箱使用，否在會產生過擬合。問題起源 作者在實習的時候實現乙個資料增強器，以改進物件檢測工作。這其中，一種簡單的技術被稱為裁剪正則化。簡而言之，就是在輸入影象中...
增強輸出的電路
發射極跟隨著輸入訊號 基極電位 進行工作。訊號從發射機取出，而且沒有集電極負載電阻rc。改變rl的值和改變re的值是一樣的。並且ve的電位只受vb的影響。確定電源 選擇電晶體 電晶體集電極損耗的計算 決定發射級電阻re的方法 偏置電路的設計 去頂耦合電容c1 c4 輸入阻抗 r1 r2 輸出阻抗 0...
pytorch的資料增強
在利用pytorch進行深度學習的時候，經常是在固定的資料集上進行epoch次訓練，常用 如下所示 import torch import torch.nn as nn from torchvision import datasets,transforms transform list transf...