論文の概要: Polarimetric image augmentation
- arxiv url: http://arxiv.org/abs/2005.11044v2
- Date: Fri, 10 Jul 2020 15:12:40 GMT
- ステータス: 処理完了
- システム内更新日: 2022-11-30 09:25:19.011017
- Title: Polarimetric image augmentation
- Title(参考訳): ポラリメトリック画像増強
- Authors: Marc Blanchon, Olivier Morel, Fabrice Meriaudeau, Ralph Seulin,
D\'esir\'e Sidib\'e
- Abstract要約: 反射鏡は都市環境における 自律的なナビゲーションを阻害します
本稿では,偏光データに適用した正規化拡張手法により,ディープラーニングモデルを強化することを提案する。
実世界データにおける非強化トレーニングと正規化トレーニングの間には,平均18.1%のIoU改善が観察されている。
- 参考スコア(独自算出の注目度): 0.7559720049837457
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Robotics applications in urban environments are subject to obstacles that
exhibit specular reflections hampering autonomous navigation. On the other
hand, these reflections are highly polarized and this extra information can
successfully be used to segment the specular areas. In nature, polarized light
is obtained by reflection or scattering. Deep Convolutional Neural Networks
(DCNNs) have shown excellent segmentation results, but require a significant
amount of data to achieve best performances. The lack of data is usually
overcomed by using augmentation methods. However, unlike RGB images,
polarization images are not only scalar (intensity) images and standard
augmentation techniques cannot be applied straightforwardly. We propose to
enhance deep learning models through a regularized augmentation procedure
applied to polarimetric data in order to characterize scenes more effectively
under challenging conditions. We subsequently observe an average of 18.1%
improvement in IoU between non augmented and regularized training procedures on
real world data.
- Abstract(参考訳): 都市環境におけるロボティクスの応用は、自律的なナビゲーションを妨げる特異な反射を示す障害にさらされる。
一方、これらの反射は高度に偏光化されており、この余分な情報はスペクトル領域を分割するのにうまく利用できる。
自然界では、偏光は反射または散乱によって得られる。
ディープ畳み込みニューラルネットワーク(DCNN)は優れたセグメンテーション結果を示しているが、最高のパフォーマンスを達成するには大量のデータが必要である。
データ不足は通常、拡張メソッドを使用することで克服される。
しかし、RGB画像とは異なり、偏光画像はスカラー(強度)画像ばかりでなく、標準拡張技術は簡単には適用できない。
本研究では,難易度条件下でのシーンをより効果的に特徴付けるために,偏光データに適用した正規化拡張手法によりディープラーニングモデルを強化することを提案する。
その後、実世界データにおける非強化トレーニングと正規化トレーニングの間に平均18.1%のIoU改善が観察された。
関連論文リスト
- Leveraging Neural Radiance Fields for Uncertainty-Aware Visual
Localization [56.95046107046027]
我々は,Neural Radiance Fields (NeRF) を用いてシーン座標回帰のためのトレーニングサンプルを生成することを提案する。
レンダリングにおけるNeRFの効率にもかかわらず、レンダリングされたデータの多くはアーティファクトによって汚染されるか、最小限の情報ゲインしか含まない。
論文 参考訳(メタデータ) (2023-10-10T20:11:13Z) - Improving Lens Flare Removal with General Purpose Pipeline and Multiple
Light Sources Recovery [69.71080926778413]
フレアアーティファクトは、画像の視覚的品質と下流のコンピュータビジョンタスクに影響を与える。
現在の方法では、画像信号処理パイプラインにおける自動露光やトーンマッピングは考慮されていない。
本稿では、ISPを再検討し、より信頼性の高い光源回収戦略を設計することで、レンズフレア除去性能を向上させるソリューションを提案する。
論文 参考訳(メタデータ) (2023-08-31T04:58:17Z) - Low-Light Image Enhancement with Illumination-Aware Gamma Correction and
Complete Image Modelling Network [69.96295927854042]
低照度環境は通常、情報の少ない大規模な暗黒地帯に繋がる。
本稿では,ガンマ補正の有効性を深層ネットワークのモデリング能力と統合することを提案する。
指数関数演算は高い計算複雑性をもたらすので、Taylor Series を用いてガンマ補正を近似することを提案する。
論文 参考訳(メタデータ) (2023-08-16T08:46:51Z) - Enhancing Low-Light Images Using Infrared-Encoded Images [81.8710581927427]
従来の芸術は、主にピクセルワイド・ロスを用いて可視光スペクトルで捉えた低照度画像に焦点を当てていた。
我々は,赤外線カットオフフィルタを除去することにより,低照度環境下で撮影された画像の可視性を高める新しい手法を提案する。
論文 参考訳(メタデータ) (2023-07-09T08:29:19Z) - Polarized Color Image Denoising using Pocoformer [42.171036556122644]
偏光カラー写真は、視覚的なテクスチャと1枚のスナップショットで対象のサージカル情報の両方を提供する。
指向性偏光フィルタアレイを用いることで、従来のカラー画像に比べて光子数とSNRが極めて低い。
クリーンな信号と正確な分極情報を同時に復元する学習に基づく手法を提案する。
論文 参考訳(メタデータ) (2022-07-01T05:52:14Z) - Physically-admissible polarimetric data augmentation for road-scene
analysis [4.972086627584208]
本研究では,大規模ラベル付き道路シーンデータセットを偏光領域に転送するCycleGANを提案する。
結果として制約されたCycleGANは公開され、誰でも独自の偏光画像を生成することができる。
論文 参考訳(メタデータ) (2022-06-15T10:04:43Z) - Invertible Network for Unpaired Low-light Image Enhancement [78.33382003460903]
本稿では,非可逆的ネットワークを活用して,前処理における低照度画像の強化と,非対向学習により逆向きに通常の照度画像の劣化を図ることを提案する。
対向的損失に加えて、トレーニングの安定性を確保し、より詳細な画像を保存するために、様々な損失関数を設計する。
低照度画像に対するプログレッシブ自己誘導強調処理を提案し,SOTAに対して良好な性能を示す。
論文 参考訳(メタデータ) (2021-12-24T17:00:54Z) - RADA: Robust Adversarial Data Augmentation for Camera Localization in
Challenging Weather [21.198320891744366]
ネットワークを混乱させることのできる最小限の画像摂動を学習するシステムであるRADを提案する。
本手法は, 未確認の気象条件において, SOTAの局部化モデルよりも最大2倍高い精度を達成できることを示す。
論文 参考訳(メタデータ) (2021-12-05T03:49:11Z) - FD-GAN: Generative Adversarial Networks with Fusion-discriminator for
Single Image Dehazing [48.65974971543703]
画像デハージングのためのFusion-Discriminator (FD-GAN) を用いた完全エンドツーエンドのジェネレータネットワークを提案する。
我々のモデルは、より自然でリアルなデハズド画像を生成することができ、色歪みは少なく、アーティファクトも少ない。
実験により, 提案手法は, 公開合成データセットと実世界の画像の両方において, 最先端の性能に達することが示された。
論文 参考訳(メタデータ) (2020-01-20T04:36:11Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。