没有合适的资源?快使用搜索试试~ 我知道了~
首页2018年水下AI研究综述:深度学习检测与图像恢复
2018年水下AI研究综述:深度学习检测与图像恢复
需积分: 0 0 下载量 142 浏览量
更新于2024-06-30
收藏 1.17MB PDF 举报
"基于水下人工智能的科研前沿进展,主要关注了两个关键领域。首先,研究者徐文伟和沙里里里·马马茨纳探讨了水下鱼类深度学习在清洁能源监控中的应用。他们利用深度学习模型Yolo,针对现实世界中的水下视频数据集训练模型,以自动识别鱼类,从而监测海洋和河流中涡轮机对生态环境的影响。模型的平均精度MAP达到0.5392,但测试结果显示,需要针对新的数据集进行特别训练,以确保模型的泛化能力。他们强调了在处理现实世界多样化的数据集时,训练模型的适应性是关键。 其次,Danaberman等人提出了一种新的方法,利用危险线和定量数据集恢复水下图像的色彩。传统的水下图像处理受到颜色失真和对比度低的困扰,因为光线在水中的衰减因波长而异,且与地面图像的衰减规律不同。他们的方法考虑了多种水体类型的光谱特性,通过估计全局参数(如蓝红、蓝绿通道的衰减比)来简化问题,实现单个图像的去色化。这种方法能够在不知道水体类型的情况下,根据色彩分布自动选择最合适的恢复结果。他们通过收集不同位置和属性的水下图像,验证了这种方法的有效性。 这两项研究展示了水下人工智能在环境保护和图像处理领域的最新进展,对于提升水下设备的智能化操作和数据分析能力具有重要意义。未来的研究将可能进一步优化算法性能,提高数据处理效率,并探索更多应用场景,如水下生态监测、自动化搜索与救援等。"
资源详情
资源推荐
![](https://csdnimg.cn/release/download_crawler_static/86315704/bg10.jpg)
湖泊
;
佛罗达的个
;
和巴巴多斯天和夜间的珊瑚礁
,
验
证所建议的法的稳健性和准确性。少
2018
9
10
提交
;
最初宣布
2018
9
。
22.
主地辆的外场建模
作 者
:jason moulton, nare karapetyan, alberto quetini li ,
ioannis rekleitis
摘要
:
在有强的的情况下操作是野外机技术中个
特别具有挑战性的问题。在多数机操作中
,
机没有牢
固地接地
,
如空中、地和下
,
将最的外假定为标准作业程
序。在平凡的存在下动的第个动作是模拟及其对机
运动的影响。在这项作中
,
个治地辆
(asv),
在同
的和流的湖泊和河流上运
,
收集和电流测与廉价的定
制传感套件设置
,
并产个模型的场。建模过程考虑到深
度、和电流测以及
gps
的
asv
轨迹。在这项作中
,
我们
提出种法
, asv
建个环境图
,
在斯过程中集成的
,
深度和电流测收集在表。我们在真正的
jetyak asv
上进
泛的实验试验。来同位置的实验结果验证所提出的
建模法。少
2018
9
9
提交
;
最初宣布
2018
9
。
23.
基于分数多尺度的去散堡
![](https://csdnimg.cn/release/download_crawler_static/86315704/bg11.jpg)
作者
:uche a. nnolim
摘
:
本介绍种基于多尺度融合的单图像去散算法的结果
,
该算法也可于下图像的增强。此外
,
该算法还设计常快
速的操作和最的运时。该案在去噪和下图像增强两
都现有算法快
,
适于数字硬件的实现。结果表明
,
与献
中的其他算法相
,
这两类图像的结果多致
,
效果也很好。少
2018
8
29
提交
;
最初宣布
2018
8
。
24.
下有源体声系统的多尺度
cnn
体声和图案去除技术
作者
:kazuto ichimaru, ryo furukawa, hiroshi kawasaki
摘要
:
捕捉下环境动态场景的需求正在迅速增加。源体声适
于捕捉动态场景
,
但该技术法恢复具有纹表或规则
反射的形状。在我们的系统中
,
我们在体相机对中添加个
图案投影仪
,
以在对象上增强纹。要在下环境下使
该系统
,
需要解决个问题
,
即折射、波动和泡扰。此外
,
由
于物体的表受到泡、投影图案等的扰
,
这些噪和图案应
从捕获的图像中删除
,
以恢复原始纹。为解决这些问题
,
我们
提出三种法
;
种与深度相关的标定法
--
卷积神经络
(cnn)-
体法和基于
cnn
的纹恢复法。个与深度相关的校准
是我们的分析
,
以找到可接受的深度范围
,
通过中投影进近
似
,
以找到定的标深度进校准。就
cnn
体声
,
与普
![](https://csdnimg.cn/release/download_crawler_static/86315704/bg12.jpg)
通的
cnn
为基础的体声法同的是
,
这些法考虑折射
或泡等强扰动
,
我们设计个新的
cnn
架构
,
于使多
尺度信息进体声匹配
,
其的是对这种情况进鲁棒性扰。
最后
,
我们提出种多尺度的泡法和种
cnn
来恢
复原始纹的投影图案去除法。实验结果证明我们的法与
最先进技术的较是有效的。此外
,
重建活游被证明
,
以确认我
们的技术的可性。少
2018
8
24
提交
;
最初宣布
2018
8
。
25.
洋环境下的驱动辆定位法
作 者
:tauhidul alam, gregory murad reis, leonardo
bobadilla, ryan n. smith
摘要
:
在空间变化的洋环境中
,
动的辆适合期部署
和数据收集。然
,
这些辆需要其期轨道中的内在传感来
估计其位置
(
状态
)
。在以往的研究中
,
主潜通常使视觉
和范围传感进主状态估计。在内在传感和持续部署的启发
下
,
我们研究种名为漂移的廉价和驱动漂流辆的定位
问题
(
状态估计
)
。本提出种本体感知传感
(
即指南
针
)
观测的漂泊者定位法。我们通过洋模型预测建给定
区域内的流模式
,
建随机运动模型
,
并分析持续的流
为。考虑到漂泊者在区域内柱特定深度和流模式的初始部
署状态的分布
,
我们的法在给定深度发现吸引及其瞬态群
,
![](https://csdnimg.cn/release/download_crawler_static/86315704/bg13.jpg)
作为的持久为流。根据流和隐藏尔可夫模型的持久为
,
成系指南针观测的漂泊者最可能的局部轨迹。我们基于
洋模型预测数据的仿真结果证实我们提出的定位法的良好
性能
,
在漂泊者的期轨迹中
,
状态估计的误差率很低。少
2018
8
15
提交
;
最初宣布
2018
8
。
26.
使空间模式复进通信
:
潜、挑战和视
作者
:abderrahmen trichili, ki-hong park , mourad zghal , boon
s.ooi , mohamed-slim alouini
摘要
:
为满传输容益增的需求
,
采时间、极化和波
复案。空间作为通信系统的个新维度
,
最近被认为
是种解决未来带宽问题的通技术。我们回顾空间作为
通信应的额外由度的潜
,
包括由空间光学、光纤安装、
下线光链、上互连、数据中室内连接、射频和声学通
信。我们关注轨道动
(oam)
模式
,
并同样确定与空间模式的
每种应和通信中的特定
oam
模式有关的挑战。最后
,
我们讨
论这新兴技术的前景。少
2018
8
8
提交
;v1
于
2018
8
7
提交
;
最初宣布
2018
8
。
27.
任意分布稀疏信号的渐近最优估计算法
![](https://csdnimg.cn/release/download_crawler_static/86315704/bg14.jpg)
作者
:
崇
,
,
周圆
摘
:
本提出种适于多种线通信系统的稀疏信号估计
算法
,
特别是未来毫波和下通信系统。该算法仅是渐近最
优的
,
且对稀疏信号零项的分布具有鲁棒性。然后推导出其
上限和下限
,
并证明该算法的均误差
(mse)
可以在信噪
(snr)
为限或零时接近最均误差
(mmse)
界。数值模拟验
证我们的论分析
,
并表明该算法的收敛速度快于现有算法
,
如
tsr-dft
、
amp
等
.
2018
7
18
提交
;
最初宣布
2018
7
。
28.
深层神经络评估下视频中的类丰度
作者
:ranju mandal, rod m. connolly, thomas a. schlacherz ,
bela stantic
摘要
:
洋物学家正在迅速采下视频来评估类的多样性
和丰度。处视频
,
供类分析师化是耗时和劳动密集型
的。视频的动处可以来实现标的成本和时间的式。其
的是建个准确可靠的类探测和识别系统
,
这对于个
主的机平台常重要。然
,
这项任务涉及许多挑战
(
如复
杂的背景、变形、低分辨率和光传播
)
。近来深度神经络的发
展导致标检测和识别在实时场景中的发展。介绍种端到
端深度学习的建筑
,
该体系表现优于最先进的法
,
也是种在
剩余143页未读,继续阅读
![docx](https://img-home.csdnimg.cn/images/20210720083331.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://csdnimg.cn/download_wenku/file_type_ask_c1.png)
![](https://profile-avatar.csdnimg.cn/e0fdb61cbfd64e3b880ac74ae45ab000_weixin_35734209.jpg!1)
销号le
- 粉丝: 32
- 资源: 289
上传资源 快速赚钱
我的内容管理 展开
我的资源 快来上传第一个资源
我的收益
登录查看自己的收益我的积分 登录查看自己的积分
我的C币 登录后查看C币余额
我的收藏
我的下载
下载帮助
![](https://csdnimg.cn/release/wenkucmsfe/public/img/voice.245cc511.png)
最新资源
- AirKiss技术详解:无线传递信息与智能家居连接
- Hibernate主键生成策略详解
- 操作系统实验:位示图法管理磁盘空闲空间
- JSON详解:数据交换的主流格式
- Win7安装Ubuntu双系统详细指南
- FPGA内部结构与工作原理探索
- 信用评分模型解析:WOE、IV与ROC
- 使用LVS+Keepalived构建高可用负载均衡集群
- 微信小程序驱动餐饮与服装业创新转型:便捷管理与低成本优势
- 机器学习入门指南:从基础到进阶
- 解决Win7 IIS配置错误500.22与0x80070032
- SQL-DFS:优化HDFS小文件存储的解决方案
- Hadoop、Hbase、Spark环境部署与主机配置详解
- Kisso:加密会话Cookie实现的单点登录SSO
- OpenCV读取与拼接多幅图像教程
- QT实战:轻松生成与解析JSON数据
资源上传下载、课程学习等过程中有任何疑问或建议,欢迎提出宝贵意见哦~我们会及时处理!
点击此处反馈
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035711.png)
![](https://img-home.csdnimg.cn/images/20220527035111.png)
安全验证
文档复制为VIP权益,开通VIP直接复制
![](https://csdnimg.cn/release/wenkucmsfe/public/img/green-success.6a4acb44.png)