- 博客(26)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 ＜Trash to Treasure: Low-Light Object Detction via Decomposition-and-Aggeration＞论文阅读
低光场景的目标检测在过去几年引起了广泛的关注，一种主流且具有代表性的方案是引入增强子作为常规检测器的预处理。然而，由于增强子和探测子在任务目标上的差异，该范式无法发挥其最佳能力。在这项工作中，我们试图激发的潜力。与现有的工作不同，我们扩展了基于光照的增强子(我们新设计的或现有的)作为场景分解模块，其去除的光照被用作检测器中的辅助，以提取有利于检测的特征。然后使用语义聚合模块在上下文空间中进一步整合多尺度场景相关的语义信息。
2024-03-25 16:54:58
830
原创 ＜REAL-TIME TRAFFIC OBJECT DETCTION FOR AUTONOMOUS DRIVING＞论文阅读
随着计算机视觉的最新进展，自动驾驶迟早成为现代社会的一部分，然而，仍有大量的问题需要解决。尽管现代计算机视觉技术展现了优越的性能，他们倾向于将精度优先于效率，这是实时应用的一个重要方面。大型目标检测模型通常需要更高的计算能力，这是通过使用更复杂的机载硬件来实现的，对于自动驾驶来说，这些要求转化为燃料成本的增加，并最终导致里程的减少，此外，尽管有计算需求，但现有的目标检测器还远远不能满足实时性的要求。
2024-03-23 22:41:35
1097
原创 pth.tar的保存和读取
在PyTorch中，.pt、.pth和.pth.tar都是保存训练好的模型的文件格式。.pt是PyTorch1.6及以上版本中引入的保存格式，可以保存整个模型，包括模型结构、模型参数以及优化器状态等信息，是一个二进制文件。.pth是PyTorch旧版本中使用的模型文件格式，只保存了模型参数，没有保存模型和其他相关信息，是一个二进制文件。.pth.tar包括.pth文件以及其他信息，比如模型结构、优化器状态、超参数信息。
2024-01-04 10:45:27
676
原创 论文阅读＜Contrastive Learning-based Robust Object Detection under Smoky Conditions＞
目标检测是指有效地找出图像中感兴趣的目标，然后准确地确定它们的类别和位置。近年来，许多优秀的方法被开发出来，以提供强大的检测能力。然而，在恶劣天气如烟熏条件下，它们的性能可能会显著降低。在这篇论文基于对比下学习提出了一个鲁棒的烟雾图像目标检测算法。提出的算法由两个模块组成，对比学习模块(Contrast learning module)和目标的预测框第一个模块通过最大化同一烟雾图像的不同增强视图之间的一致性来学习表示向量，然后把这些特征送入第二个模块以生成bounding box。此外还提出了一个新颖的。
2023-12-30 22:32:48
1403
5
原创 论文阅读＜CF-YOLO: Cross Fusion YOLO for Object Detection in Adverse Weather.....＞
论文链接：https://arxiv.org/pdf/2309.08152.pdfhttps://arxiv.org/pdf/2206.01381.pdfhttps://arxiv.org/pdf/2309.08152.pdf代码链接：https://github.com/DiffPrompter/diff-prompter目前没有完整代码放出。 恶劣天气下的目标检测主要有以下三种解决方案：1）使用预处理(pre-processing)，例如image desnowing/deraining/
2023-12-25 20:20:28
1667
2
原创 YOLOv5代码解析——yolo.py
3、DetectionModel类继承自BaseModel类，用于构建模型，使用时定义了一个全局变量model指向这个类，在其他文件中使用时直接调用model。1、最主要的函数是parse_model，用于解析yaml文件，并根据解析的结果搭建网络。parse_model在DetectionModel的__init__函数中调用。2、Detect类用于构建最后的detect层，在parse_model函数中调用。yolo.py的主要功能是构建模型。
2023-12-24 21:48:21
489
1
原创 论文阅读＜TogetherNet:Bridging Image Restoration and Object Detection Together via Dynamic Enhancement L＞
雾霾、雨、雪等恶劣天气条件往往会降低采集图像的质量，导致在正常图像上训练的检测网络在这些场景中泛化性较差。在本文中，我们提出了一个有趣的问题- -如果将图像复原和目标检测相结合，可以提高尖端检测器在恶劣天气条件下的性能。为了回答这个问题，我们提出了一个有效但统一的检测范式，通过动态增强学习将这两个子任务连接起来，以识别不利天气条件下的物体，称为"联合网络"。与现有的直接将图像去雾/去雨作为预处理步骤的工作不同，我们考虑了多任务联合学习问题。
2023-12-22 16:37:16
843
原创 论文阅读＜SSDA-YOLO: SEMI-SUPERVISED DOMAIN ADAPTIVE YOLO FOR CROSS-DOMAIN OBJECT DETECTION＞
域自适应目标检测(Domain adaptive object detction, DAOD)旨在缓解跨域差异引起的迁移性能下降。但是当前DAOD主要使用的不是工业界首选的两阶段目标检测方法Faster R-CNN。在这篇论文中，提出了一种新的基于半监督域自适应YOLO ( SSDA-YOLO )的方法，通过将的单阶段强检测器YOLOv5与域自适应相结合来提高跨域检测性能。具体来说，我们将知识蒸馏框架与均值教师模型相结合，以辅助学生模型获取未标注目标领域的实例级特征。
2023-12-21 20:09:28
1025
原创 论文阅读＜MULTISCALE DOMAIN ADAPTIVE YOLO FOR CROSS-DOMAIN OBJECT DETECTION＞
域适应领域在解决许多应用中遇到的域迁移问题方面发挥了重要作用。这个问题是由于用于训练的源数据分布与实际测试场景中使用的目标数据分布之间的差异造成的。本文提出了一种新的多尺度域自适应YOLO ( MultiScale Domain Adaptive YOLO，MS-DAYOLO )框架，该框架在最近引入的YOLOv4目标检测器的不同尺度上使用多个域适应路径和相应的域分类器来生成域不变特征。我们使用流行的数据集来训练和测试我们提出的方法。
2023-12-20 10:47:21
1009
原创 论文阅读＜GDIP: Gated Differentiable Image Processing for Object-Detection in Adverse Conditions＞
在恶劣天气和光照条件下检测物体对于自动驾驶汽车的安全和持续运行至关重要，并且仍然是一个尚未解决的问题。我们提出了一个门控可微图像处理( GDIP )模块，一个域无关的网络结构，它可以插入现有的目标检测网络，并使用恶劣条件下的图像进行端到端的训练，例如在雾和低光照下捕获的图像。我们提出的GDIP块直接通过下游的目标检测损失来学习增强图像。这是通过学习多个同时操作的图像预处理( IP )技术的参数来实现的，它们的输出结合使用通过一种新颖的门控机制学习的权重。
2023-12-19 11:09:48
1103
4
原创 论文阅读＜Joint Correcting and Refinement for Balanced Low-Light Image Enhancement＞
低照度图像增强任务需要在亮度、颜色和光照之间进行适当的平衡。而现有的方法往往只关注图像的某一方面，而没有考虑如何关注这种平衡，这会造成颜色失真和过度曝光等问题，这严重影响了人类的视觉感知和高级视觉模型的性能。在这项工作中，提出了一种新颖的协同结构，可以更有效地平衡亮度、颜色和光照。具体而言，本文提出的方法，即所谓的联合校正和精化网络( Joint Correction and Refinement Network，JCRNet )，主要由三个阶段组成，以平衡增强的亮度、颜色和光照。
2023-12-17 20:07:04
1064
1
原创 论文阅读＜FourLLIE: Boosting Low-Light Image Enhancement by Fourier Frequency Information＞
近年来，傅立叶频率信息在低光图像增强（LLIE）中引起了广泛关注。有研究人员注意到，在傅立叶空间中，亮度劣化主要存在于幅度分量中，其余存在于相位分量中。通过结合傅里叶频率和空间信息，这些研究人员为 LLIE 提出了出色的解决方案。在这项工作中，我们进一步探索了振幅大小与亮度大小之间的正相关性，可以有效地利用它来提高傅里叶空间中低光图像的亮度。此外，我们发现傅里叶变换可以提取图像的全局信息，并且不会像MLP或Transformer那样引入大量的参数。出于此目的，提出了一种基于傅立叶的两阶段。
2023-12-10 15:28:02
371
原创 论文阅读＜Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement＞
该论文提出了一种新方法，即零参考深度曲线估计 (Zero-DCE)，该方法将光增强制定为使用深度网络进行图像特定曲线估计的任务。我们的方法训练了一个轻量级的深度网络 DCE-Net，去估计给定图像的动态范围调整的逐像素的高阶的曲线。曲线估计是专门设计的，考虑了像素值范围、单调性和可微性。Zero-DCE的吸引力在于其对参考图像的宽松假设，它在训练期间不需要任何配对或未配对的数据。这是通过一组精心制定的非参考损失函数实现的，这些损失函数隐含地衡量增强质量并驱动网络的学习。
2023-06-04 15:39:36
259
1
原创 ZERO-SHOT RESTORATION OF UNDEREXPOSED IMAGES VIA ROBUST RETINEX DECOMPOSITION 论文总结
目录一、论文主要内容二、RRDNet的工作流程三、损失函数1、Retinex重建损失2、纹理增强损失3、光照指导的噪声损失4、损失函数公式三、实验结果四、代码复现结果一、论文主要内容1、提出了RRDNet，不需要提前训练，相反，权重更新依赖于输入单张图像的内部优化，这样确保了在不同场景和多种光照条件下的泛化能力(generalization capability)。2、RRDNet有三个分支，可以预测光照(illumination)、反射率(refle..
2022-04-21 12:42:57
2884
原创 基于Pytorch的CIFAR10数据集训练与识别
一、CIFAR10数据集介绍CIFAR10数据集共有十个类别，分别是airplane、automobile、bird、cat、deer、dog、frog、horse、ship、truck二、模型训练模型代码：class Net(nn.Module): def __init__(self): super(Net, self).__init__() self.model = nn.Sequential( nn.Conv2d(3,
2021-11-28 21:54:15
1276
原创 安装与配置2020Android studio
1、从百度搜索Android，进入官网2、点击下载Android studio3、点击绿色的 Download Andriod Studio(如果无法下载，可以将右上角的语言换位English试试)4、下载后的文件，5、双击下载后的文件，进入安装界面，点击next6、全部打勾，点击next（默认全部打勾）7、选择合适的路径，点击next，然后install8、intall后点击next，finish（这里步骤不附图）9、选择第二个，点击O...
2021-09-19 17:48:43
747
原创 idea使用camunda-modeler代替actibpm进行activiti开发
idea2019之前idea2019.3之前的版本以及idea2020部分版本均可以使用actibpm插件，2019.3及以前直接在file->setting->plugins搜索actibpm下载使用。2019.3之后的可以在官网上下载actibpm然后打开idea->file->setting->plugins->install plugin from disk…,本地安装你所下载的actibpm插件的jar包idea2020以后的版本，使用camun
2021-05-06 19:44:00
3984
4
原创 idea2021安装教程
intellij IDEA下载安装教程IntelliJ IDEA 简称 IDEA，由 JetBrains 公司开发，是 Java 编程语言开发的集成环境，具有美观，高效等众多特点。在智能代码助手、代码自动提示、重构、J2EE 支持、各类版本工具（Git、SVN 等）、JUnit、CVS 整合、代码分析、创新的 GUI 设计等方面都有很好的应用。IntelliJ IDEA 提供了免费的社区版和付费的旗舰版。免费版只支持 Java 等为数不多的语言和基本的 IDE 特性，而旗舰版还支持 HTML，CSS，P
2021-04-10 20:20:40
11968
3
原创 eclipse写struts2架构的web时遇到404的错误
eclipse搭建struts2出错总结HTTP Status 404 - There is no Action mapped for namespace [/] and action name [] associated with context path [/day01].1.使用版本eclipse2021.03+tomcat8.0+struts2.5.26服务器报错首先考虑jdk版本和tomcat版本的兼容性，tomcat8.0最高支持jdk1.8其次第一次搭建一个struts2时，所使用的j
2021-04-08 23:37:35
328
原创 eclipse安装以及tomcat服务器安装
参考链接https://blog.csdn.net/sinat_40766770/article/details/905752331.官网下载镜像http://www.eclipse.org/downloads/这个是向eclipse捐款的，如果你有钱可以选择捐，并不是演奏求收费2.安装注：对于第一次安装的同学，电脑需要配置jdk。参考这个链接https://blog.csdn.net/konggu_youlan/article/details/79942800到下载目录找到eclipse
2021-04-08 15:42:39
200
原创 使用线程模拟解决银行排队叫号问题
使用线程模拟解决银行排队叫号问题。在银行中有一个叫号机，有一个10个座位的长椅，客户在叫号后如果无人在柜台前服务，就会去要求服务；如果柜台忙，则会找长椅入座；如果长椅满则会离开。要求显示输出叫号过程，分析程序运行状况，并对程序作出评估。程序思想定义两个信号量chair，call。使用sem_init()初始化信号量，分别赋值为11和2，因为使用sem_wait()时，值为-1就开始阻塞不能访问共享资源叫号服务和座位，call赋初值为2，可以实现一个线程访问另一个线程执行sem_wait()函数时，可
2020-12-25 19:37:16
1201
原创 求支付方法种数
实验要求编程求支付方法的种数：取1元，2元，5元纸币10张，付给18元，有几种办法？package helloworld;import java.util.Scanner;public class Helloworld { public static void main(String[] args) { // TODO code application logic here int i,j,k; int count; count
2020-12-08 14:08:32
767
原创 java打星星
实验要求输出时，只使用下面的语句：System.out.print(“ ”); //输出一个空格，并且不换行System.out.print(“”); //输出一个字符’’，并且不换行System.out.print(“+”); //输出一个字符’+’，并且不换行System.out.println(“”) //输出一个字符’’，并换行编写程序输出（注：在图形的中心处有一个加号’+’）：代码可以实现在水平方向移动以及任意行
2020-12-08 14:06:14
314
原创 使用gui实现“筛选法”求2～n以内的所有素数过程
使用gui实现“筛选法”求2～n以内的所有素数过程用“筛选法”求2～n以内的所有素数：先去掉2的倍数，再去掉3的倍数，再去掉4的倍数，…，依此类推，最后剩下的就是素数。试按GUI方式图示化求解过程。package work12;import java.awt.*;import java.awt.event.ActionEvent;import java.awt.event.ActionListener;import javax.swing.*;public class Work12 exten
2020-12-08 13:56:22
562
原创 编写Java上机实验的GUI应用程序
**编写Java上机实验的GUI应用程序**创建一个GUI应用程序，用于转换若干种货币。提供给用户一个JTextArea以用于输入数量。同时还应提供给用户一种选择源货币名称和目的货币名称的途径。同时为自己的测试设置至少三种不同的货币名称及转换汇率。下面展示完整 代码。import javax.swing.*;import java.awt.*;import java.awt.event.*;import...
2020-10-26 15:14:04
605
java界面设计.rar
2020-12-25
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人