CN111860003A - 基于密集连接深度残差网络的图像去雨方法及系统 - Google Patents

基于密集连接深度残差网络的图像去雨方法及系统 Download PDF

Info

Publication number
CN111860003A
CN111860003A CN202010705395.0A CN202010705395A CN111860003A CN 111860003 A CN111860003 A CN 111860003A CN 202010705395 A CN202010705395 A CN 202010705395A CN 111860003 A CN111860003 A CN 111860003A
Authority
CN
China
Prior art keywords
dense
image
rain
residual
module
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202010705395.0A
Other languages
English (en)
Inventor
黄伟杰
王孝远
王琪琪
张涵
李玲玉
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Jinan
Original Assignee
University of Jinan
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Jinan filed Critical University of Jinan
Priority to CN202010705395.0A priority Critical patent/CN111860003A/zh
Publication of CN111860003A publication Critical patent/CN111860003A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06G—ANALOGUE COMPUTERS
    • G06G5/00—Devices in which the computing operation is performed by means of fluid-pressure elements
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了基于密集连接深度残差网络的图像去雨方法及系统，包括：将获取的待处理图像，输入到预先训练好的基于密集连接的深度残差网络中，输出雨痕图像；将雨痕图像与待处理图像进行作差处理，得到去除雨痕后的图像。

Description

基于密集连接深度残差网络的图像去雨方法及系统
技术领域
本申请涉及图像处理技术领域，特别是涉及基于密集连接深度残差网络的图像去雨方法及系统。
背景技术
本部分的陈述仅仅是提到了与本申请相关的背景技术，并不必然构成现有技术。
雨天相机中拍摄的图像包含大量的雨痕信息会导致图像的背景信息高度模糊，进而影响人们观察的视觉效果或者后续算法的处理效果。深度残差网络通过捷径连接的方式解决了当网络层数变多时网络的准确度达到饱和然后急剧退化的问题，如今正广泛应用于计算机视觉的各个领域。
使用深度残差网络去除图像中的雨痕是研究的热点问题，发明人发现，现有的方法需要大量的正负样本(即带雨痕和不带雨痕的图像)来训练网络，使用较少的样本即可训练出去雨效果良好的方法是本领域的技术人员亟待解决的问题。
发明内容
为了解决现有技术的不足，本申请提供了基于密集连接深度残差网络的图像去雨方法及系统；首先用导向滤波器提取图像的细节信息生成细节图像，然后通过构建的多尺度深度残差网络训练细节图像，提取其中的雨痕信息形成负残差映射图，将带雨的图像与负残差映射图相加即可去除雨痕。
第一方面，本申请提供了基于密集连接深度残差网络的图像去雨方法；
基于密集连接深度残差网络的图像去雨方法，包括：
将获取的待处理图像，输入到预先训练好的基于密集连接的深度残差网络中，输出雨痕图像；
将雨痕图像与待处理图像进行作差处理，得到去除雨痕后的图像。
第二方面，本申请提供了基于密集连接深度残差网络的图像去雨系统；
基于密集连接深度残差网络的图像去雨系统，包括：
雨痕图像获取模块，其被配置为：将获取的待处理图像，输入到预先训练好的基于密集连接的深度残差网络中，输出雨痕图像；
去雨模块，其被配置为：将雨痕图像与待处理图像进行作差处理，得到去除雨痕后的图像。
第三方面，本申请还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述第一方面所述的方法。
第四方面，本申请还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成第一方面所述的方法。
第五方面，本申请还提供了一种计算机程序(产品)，包括计算机程序，所述计算机程序当在一个或多个处理器上运行的时候用于实现前述第一方面任意一项的方法。
与现有技术相比，本申请的有益效果是：
通过较少的正负样本即可训练出去除雨痕效果良好的神经网络，进而实现图像消除雨滴的功能。
本申请提出的方法设计网络能够在较少正负样本的情况下即可训练出去雨效果良好的网络，并且可以较好地保护背景图像中物体的细节信息。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为第一个实施例的方法流程图；
图2为第一个实施例的细节图像中包含雨痕信息；
图3为第一个实施例的每两个密集残差模块之间均进行连接示意图；
图4为第一个实施例的基于密集连接的深度残差网络结构示意图；
图5为第一个实施例的待处理图像实例；
图6为第一个实施例的去雨处理后的图像实例；
图7为第一个实施例的待处理图像实例；
图8为第一个实施例的去雨处理后的图像实例。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本申请本实施例中，“和/或”仅仅是一种描述关联对象的关联关系，表示可以存在三种关系。例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。另外，在本申请的描述中，“多个”是指两个或多于两个。
另外，为了便于清楚描述本申请实施例的技术方案，在本申请实施例中，采用了“第一”、“第二”等字样对功能和作用基本相同的相同项或相似项进行区分。本领域技术人员可以理解“第一”、“第二”字样并不对数量和执行次序进行限定，并且“第一”、“第二”等字样也并不限定一定不同。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
本实施例提供了基于密集连接深度残差网络的图像去雨方法；
如图1所示，基于密集连接深度残差网络的图像去雨方法，包括：
将获取的待处理图像，输入到预先训练好的基于密集连接的深度残差网络中，输出雨痕图像；
将雨痕图像与待处理图像进行作差处理，得到去除雨痕后的图像。
作为一个或多个实施例，所述将获取的待处理图像，输入到预先训练好的基于密集连接的深度残差网络中；步骤之前，还包括：
对获取的待处理图像进行高频信息特征提取。
进一步地，所述对获取的待处理图像进行高频信息特征提取，是采用高通滤波算法来实现的。
示例性的，所述对获取的待处理图像进行高频信息特征提取，是采用导向滤波器来实现的。
示例性的，输入负样本(带雨痕图像)X放入到导向滤波器中，得到低频图像信息XL，相应的高频图像信息可以通过X-XL获得，即细节图像，从图2可以看出细节图像中包含雨痕信息。
作为一个或多个实施例，如图4所示，所述基于密集连接的深度残差网络，网络结构具体包括：
依次连接的输入层、第一卷积层、第一批标准化层、第一密集残差模块、第二密集残差模块、第三密集残差模块、第四密集残差模块、第五密集残差模块、第六密集残差模块、第二卷积层、第二批标准化层、加法器和输出层；所述加法器的输入端还与输入层的输出端连接。
进一步地，所述第一密集残差模块、第二密集残差模块、第三密集残差模块、第四密集残差模块、第五密集残差模块和第六密集残差模块，内部结构均是一致的。
进一步地，所述第一密集残差模块，包括：
依次连接的卷积层、批量标准化层和激活函数层。
进一步地，所述第一密集残差模块、第二密集残差模块、第三密集残差模块、第四密集残差模块、第五密集残差模块和第六密集残差模块中，每个密集残差模块的卷积层的卷积尺度均是不一样的。
进一步地，如图3所示，所述第一密集残差模块、第二密集残差模块、第三密集残差模块、第四密集残差模块、第五密集残差模块和第六密集残差模块中，每两个密集残差模块之间均进行连接。
示例性的，所述每两个密集残差模块之间均进行连接，包括：
L1+L2，L1+L3，L1+L4，L1+L5，L1+L6，L2+L3，L2+L4，L2+L5，L2+L6，L3+L4，L3+L5，L3+L6，L4+L5，L4+L6，L5+L6。
进一步地，如图3所示，第一密集残差模块的批量标准化层的输出端，还分别与第三密集残差模块的批量标准化层的输入端、第四密集残差模块的批量标准化层的输入端、第五密集残差模块的批量标准化层的输入端、和第六密集残差模块的批量标准化层的输入端连接；
进一步地，第二密集残差模块的批量标准化层的输出端，还分别与第四密集残差模块的批量标准化层的输入端、第五密集残差模块的批量标准化层的输入端、和第六密集残差模块的批量标准化层的输入端连接；
进一步地，第三密集残差模块的批量标准化层的输出端，还分别与第五密集残差模块的批量标准化层的输入端、和第六密集残差模块的批量标准化层的输入端连接；
进一步地，第四密集残差模块的批量标准化层的输出端，还分别与第六密集残差模块的批量标准化层的输入端连接。
作为一个或多个实施例，所述基于密集连接的深度残差网络，工作原理具体包括：卷积层获得图像的特征信息，批量标准化层使得数据归一化输出，所述第一密集残差模块、第二密集残差模块、第三密集残差模块、第四密集残差模块、第五密集残差模块和第六密集残差模块依次连接且交替连接，能够获得提取更多的图像特征。激活函数层选用Relu激活函数。
作为一个或多个实施例，所述预先训练好的基于密集连接的深度残差网络，具体的训练步骤包括：
构建基于密集连接的深度残差网络；
构建训练集，所述训练集包括带雨图像和带雨图像对应场景的不带雨图像；
将带雨图像和带雨图像对应场景的不带雨图像进行作差，获取带雨图像对应的雨痕图像；
将带雨图像作为基于密集连接的深度残差网络的输入值，将带雨图像对应的雨痕图像作为基于密集连接的深度残差网络的输出值；对基于密集连接的深度残差网络进行训练，得到训练好的基于密集连接的深度残差网络；
由于基于密集连接的深度残差网络的任意两个密集残差模块之间存在连接关系，所以，前一个密集残差模块提取的特征被传输给下一个与其连接的密集残差模块，前一个密集残差模块提取的特征提取的特征在剩余密集残差模块之间得到了共享，进而实现了特征的扩充，实现了特征的重复利用。
应理解的，以往的方法通过增加样本实现特征的扩充，雨痕在样本中的表现一般是不同的粗细和不同的密集程度，本申请设计的密集残差块是任意两层相连使得后一层获取了前面各个层提取的特征图，实现了特征的重复利用，通过这种密集连接实现了雨痕特征的不同粗细和不同密集的效果，可以大大较少所需要样本的数量。
示例性的，所述训练集包括1000幅带雨图像和1000幅带雨图像对应场景的不带雨图像。
使用1000张带雨痕和不带雨痕的图像对网络进行训练，带雨痕图像作为输入，不带雨痕的图像作为真值，将网络得到的估计值与真值之间作差平方即可得到损失函数，通过梯度下降法反向更新网络参数训练网络。
示例性的，使用1000张带雨痕和不带雨痕的图像对网络进行训练，带雨痕图像作为输入，不带雨痕的图像作为真值，将网络得到的估计值与真值之间作差平方即可得到损失函数
Figure BDA0002594553020000081
其中F(·)表示密集残差网络的输出，N表示图像的总数目1000，Xi-XiL表示第i个样本的细节图像，Xi表示第i个样本，XiL表示导向滤波器输出的低频图像，Yi表示正样本，不带雨痕的图像，通过梯度下降法反向更新网络参数训练网络。
测试的图片放入训练好的网络即可实现去雨功能。
如图5、图6、图7和图8所示，实验结果表明本申请提出的方法设计网络能够在较少正负样本的情况下即可训练出去雨效果良好的网络，并且可以较好地保护背景图像中物体的细节信息。
实施例二
本实施例提供了基于密集连接深度残差网络的图像去雨系统；
基于密集连接深度残差网络的图像去雨系统，包括：
雨痕图像获取模块，其被配置为：将获取的待处理图像，输入到预先训练好的基于密集连接的深度残差网络中，输出雨痕图像；
去雨模块，其被配置为：将雨痕图像与待处理图像进行作差处理，得到去除雨痕后的图像。
此处需要说明的是，上述雨痕图像获取模块和去雨模块对应于实施例一中的步骤，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
上述实施例中对各个实施例的描述各有侧重，某个实施例中没有详述的部分可以参见其他实施例的相关描述。
所提出的系统，可以通过其他的方式实现。例如，以上所描述的系统实施例仅仅是示意性的，例如上述模块的划分，仅仅为一种逻辑功能划分，实际实现时，可以有另外的划分方式，例如多个模块可以结合或者可以集成到另外一个系统，或一些特征可以忽略，或不执行。
实施例三
本实施例还提供了一种电子设备，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述实施例一所述的方法。
应理解，本实施例中，处理器可以是中央处理单元CPU，处理器还可以是其他通用处理器、数字信号处理器DSP、专用集成电路ASIC，现成可编程门阵列FPGA或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
实施例四
本实施例还提供了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例一所述的方法。
以上所述仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

Claims (10)

1.基于密集连接深度残差网络的图像去雨方法，其特征是，包括：
将获取的待处理图像，输入到预先训练好的基于密集连接的深度残差网络中，输出雨痕图像；
将雨痕图像与待处理图像进行作差处理，得到去除雨痕后的图像。
2.如权利要求1所述的方法，其特征是，所述将获取的待处理图像，输入到预先训练好的基于密集连接的深度残差网络中；步骤之前，还包括：
对获取的待处理图像进行高频信息特征提取。
3.如权利要求2所述的方法，其特征是，所述对获取的待处理图像进行高频信息特征提取，是采用高通滤波算法来实现的。
4.如权利要求1所述的方法，其特征是，所述基于密集连接的深度残差网络，网络结构具体包括：
依次连接的输入层、第一卷积层、第一批量标准化层、第一密集残差模块、第二密集残差模块、第三密集残差模块、第四密集残差模块、第五密集残差模块、第六密集残差模块、第二卷积层、第二批标量准化层、减法器和输出层；所述减法器的输入端还与输入层的输出端连接。
5.如权利要求4所述的方法，其特征是，所述第一密集残差模块、第二密集残差模块、第三密集残差模块、第四密集残差模块、第五密集残差模块和第六密集残差模块，内部结构均是一致的。
6.如权利要求5所述的方法，其特征是，所述第一密集残差模块，包括：
所述第一密集残差模块、第二密集残差模块、第三密集残差模块、第四密集残差模块、第五密集残差模块和第六密集残差模块中，每两个密集残差模块之间均进行连接。
7.如权利要求1所述的方法，其特征是，所述预先训练好的基于密集连接的深度残差网络，具体的训练步骤包括：
构建基于密集连接的深度残差网络；
构建训练集，所述训练集包括带雨图像和带雨图像对应场景的不带雨图像；
将带雨图像和带雨图像对应场景的不带雨图像进行作差，获取带雨图像对应的雨痕图像；
将带雨图像作为基于密集连接的深度残差网络的输入值，将带雨图像对应的雨痕图像作为基于密集连接的深度残差网络的输出值；对基于密集连接的深度残差网络进行训练，得到训练好的基于密集连接的深度残差网络；
由于基于密集连接的深度残差网络的任意两个密集残差模块之间存在连接关系，所以，前一个密集残差模块提取的特征被传输给下一个与其连接的密集残差模块，前一个密集残差模块提取的特征提取的特征在剩余密集残差模块之间得到了共享，进而实现了特征的扩充，实现了特征的重复利用。
8.基于密集连接深度残差网络的图像去雨系统，其特征是，包括：
雨痕图像获取模块，其被配置为：将获取的待处理图像，输入到预先训练好的基于密集连接的深度残差网络中，输出雨痕图像；
去雨模块，其被配置为：将雨痕图像与待处理图像进行作差处理，得到去除雨痕后的图像。
9.一种电子设备，其特征是，包括：一个或多个处理器、一个或多个存储器、以及一个或多个计算机程序；其中，处理器与存储器连接，上述一个或多个计算机程序被存储在存储器中，当电子设备运行时，该处理器执行该存储器存储的一个或多个计算机程序，以使电子设备执行上述权利要求1-7任一项所述的方法。
10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-7任一项所述的方法。
CN202010705395.0A 2020-07-21 2020-07-21 基于密集连接深度残差网络的图像去雨方法及系统 Pending CN111860003A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010705395.0A CN111860003A (zh) 2020-07-21 2020-07-21 基于密集连接深度残差网络的图像去雨方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010705395.0A CN111860003A (zh) 2020-07-21 2020-07-21 基于密集连接深度残差网络的图像去雨方法及系统

Publications (1)

Publication Number Publication Date
CN111860003A true CN111860003A (zh) 2020-10-30

Family

ID=73000722

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010705395.0A Pending CN111860003A (zh) 2020-07-21 2020-07-21 基于密集连接深度残差网络的图像去雨方法及系统

Country Status (1)

Country Link
CN (1) CN111860003A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113326837A (zh) * 2021-06-17 2021-08-31 郑州大学 基于深度学习的飞机挂架检测方法以及终端设备
CN115389376A (zh) * 2022-10-28 2022-11-25 佛山科学技术学院 基于层析滤纸采样的静态煤泥浮选图像灰分检测方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110838095A (zh) * 2019-11-06 2020-02-25 广西师范大学 一种基于循环密集神经网络的单幅图像去雨方法和系统
CN111062892A (zh) * 2019-12-26 2020-04-24 华南理工大学 一种基于复合残差网络和深层监督的单幅图像去雨方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110838095A (zh) * 2019-11-06 2020-02-25 广西师范大学 一种基于循环密集神经网络的单幅图像去雨方法和系统
CN111062892A (zh) * 2019-12-26 2020-04-24 华南理工大学 一种基于复合残差网络和深层监督的单幅图像去雨方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GUOQIANG CHAI: "Recursive modified dense network for single-image deraining", 《JOURNAL OF ELECTRONIC IMAGING》, pages 1 - 13 *
XUEYANG FU等: "Removing Rain from Single Images via a Deep Detail Network", 《2017 IEEE CONFERENCE ON COMPUTER VISION AND PATTERN RECOGNITION (CVPR)》, pages 1 - 9 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113326837A (zh) * 2021-06-17 2021-08-31 郑州大学 基于深度学习的飞机挂架检测方法以及终端设备
CN113326837B (zh) * 2021-06-17 2022-11-01 郑州大学 基于深度学习的飞机挂架检测方法以及终端设备
CN115389376A (zh) * 2022-10-28 2022-11-25 佛山科学技术学院 基于层析滤纸采样的静态煤泥浮选图像灰分检测方法

Similar Documents

Publication Publication Date Title
CN110826418B (zh) 脸部特征提取方法及装置
CN111860003A (zh) 基于密集连接深度残差网络的图像去雨方法及系统
CN110245621B (zh) 人脸识别装置及图像处理方法、特征提取模型、存储介质
CN114266894A (zh) 一种图像分割方法、装置、电子设备及存储介质
CN110619316A (zh) 人体关键点检测方法、装置和电子设备
CN111754531A (zh) 图像实例分割方法和装置
CN111067522A (zh) 大脑成瘾结构图谱评估方法及装置
CN107909554A (zh) 图像降噪方法、装置、终端设备及介质
CN112801906A (zh) 基于循环神经网络的循环迭代图像去噪方法
CN110782385A (zh) 一种基于深度学习的图像水印的去除方法
CN110782406A (zh) 一种基于信息蒸馏网络的图像去噪方法及装置
CN115908995A (zh) 数字仪表读数的识别方法、装置、电子设备及存储介质
CN111340025A (zh) 字符识别方法、装置、计算机设备和计算机可读存储介质
CN111368602A (zh) 人脸图像模糊程度评价方法、装置、可读存储介质及设备
CN111126248A (zh) 一种遮挡下的车辆识别方法及装置
CN111814682A (zh) 人脸活体检测方法及装置
CN115689947A (zh) 一种图像锐化的方法、系统、电子装置和存储介质
CN111681244B (zh) 叶片图像分割方法、系统、设备及存储介质
JP7454568B2 (ja) 情報処理方法、情報処理装置及びプログラム
CN114037858A (zh) 一种基于泰勒展开的图像分类网络层剪枝方法
CN107274377B (zh) 一种图像非本地滤波的方法及装置
CN112949731A (zh) 基于多专家模型的目标检测方法、装置、存储介质及设备
CN107545548B (zh) 基于受限玻尔兹曼机的置换混叠图像盲分离方法及系统
CN111027670A (zh) 特征图处理方法、装置、电子设备及存储介质
CN115761464B (zh) 一种水下机器人作业环境与状态的评估方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination