低光圖像增強(Low-light image enhancement, LLIE)旨在提升低光環境下所采集圖像的感知質量。該領域的近期進展主要由深度學習方法(包含不同學習策略、網絡架構、損失函數、訓練數據等)主導。本文進行了係統性綜述以覆蓋更多角度的理解,涵蓋算法以及未解決問題。

為最大化驗證現有方法的泛化性能,我們提出了一個大尺度低光圖像與視頻數據,這些圖像/視頻采用不同的收集在不同亮度條件下拍攝所得。除此之外,我們首次提供了一個包含多種主流LLIE方法的在線平台,它可以通過用戶友好的交互方式重現不同方法的效果。除了在公開數據與本文所提數據上驗證所提方法定量與定性性能,我們還驗證了他們對於低光人臉檢測的性能。

該綜述、所提出的數據集以及在線平台可以作為進一步研究的參考資源,並促進該領域的進一步發展。所提平台與所收集的算法、數據集、評估準則等等均已公開到github,鏈接如下:

https://github.com/Li-Chongyi/Lighting-the-Darkness-in-the-Deep-Learning-Era-Open

本文主要有以下幾個方麵的特性:

"> 最新《 深度學習時代的低光圖像增強》綜述論文, - 專知VIP

本文是南開大學程明明與南洋理工大學Chen ChangeLoy等人關於深度學習時代的低光圖像增強的綜述。本文從低光圖像增強的數據集、網絡架構、損失函數、學習機製等不同角度對其進行了係統性的總數;為評估不同方法的泛化性與魯棒性還提出了一個大尺度低光圖像數據集;與此同時,針對低光圖像增強存在的挑戰以及未來有研究價值的方向進行了探討。強烈推薦給各位low-level領域的同學!

低光圖像增強(Low-light image enhancement, LLIE)旨在提升低光環境下所采集圖像的感知質量。該領域的近期進展主要由深度學習方法(包含不同學習策略、網絡架構、損失函數、訓練數據等)主導。本文進行了係統性綜述以覆蓋更多角度的理解,涵蓋算法以及未解決問題。

為最大化驗證現有方法的泛化性能,我們提出了一個大尺度低光圖像與視頻數據,這些圖像/視頻采用不同的收集在不同亮度條件下拍攝所得。除此之外,我們首次提供了一個包含多種主流LLIE方法的在線平台,它可以通過用戶友好的交互方式重現不同方法的效果。除了在公開數據與本文所提數據上驗證所提方法定量與定性性能,我們還驗證了他們對於低光人臉檢測的性能。

該綜述、所提出的數據集以及在線平台可以作為進一步研究的參考資源,並促進該領域的進一步發展。所提平台與所收集的算法、數據集、評估準則等等均已公開到github,鏈接如下:

https://github.com/Li-Chongyi/Lighting-the-Darkness-in-the-Deep-Learning-Era-Open

本文主要有以下幾個方麵的特性:

  • 本文首個係統而全麵的對基於深度學習的LLIE方法進行了綜述;
  • 本文提出一個包含不同收集在不同亮度條件下鎖舌的大尺度低光圖像/視頻數據集並用於評估現有方法的泛化性能;
  • 本文提供了一個包含多種主流LLE方法的在線平台,它可以讓用戶以更友好交互方式重現不同方法的效果。
成為VIP會員查看完整內容
0
18
0

相關內容

機器學習的一個分支,它基於試圖使用包含複雜結構或由多重非線性變換構成的多個處理層對數據進行高層抽象的一係列算法。

知識薈萃

精品入門和進階教程、論文和代碼整理等

更多

查看相關VIP內容、論文、資訊等

人體姿態估計的目的是通過圖像、視頻等輸入數據定位人體部位,構建人體表征(如人體骨架)。在過去的十年中,它受到了越來越多的關注,並被廣泛應用於人機交互、運動分析、增強現實和虛擬現實等領域。盡管最近開發的基於深度學習的解決方案在人體姿態估計方麵取得了很高的性能,但由於訓練數據不足、深度模糊和遮擋,仍然存在挑戰。本綜述論文的目的是通過對基於輸入數據和推理的解決方案進行係統的分析和比較,對最近基於深度學習的二維和三維姿態估計解決方案進行全麵的回顧。這項綜述涵蓋了自2014年以來的240多篇研究論文。此外,還包括了二維和三維人體姿態估計數據集和評估指標。本文總結和討論了現有方法在流行數據集上的定量性能比較。最後,對所涉及的挑戰、應用和未來的研究方向進行了總結。

//www.webtourguide.com/paper/7459265d2fbd81f9b91bf0f7b461bcc7

成為VIP會員查看完整內容
0
26
1

The Elements of End-to-end Deep Face Recognition: A Survey of Recent Advances

人臉識別是計算機視覺領域中最基本、最長期存在的研究課題之一。隨著深度卷積神經網絡和大規模數據集的發展,深度人臉識別取得了顯著的進展,並在實際應用中得到了廣泛的應用。以自然圖像或視頻幀作為輸入,端到端深度人臉識別係統輸出人臉特征進行識別。為了實現這一目標,整個係統通常由三個關鍵要素構建:人臉檢測、人臉預處理和人臉表示。人臉檢測在圖像或幀中定位人臉。然後,對人臉進行預處理,將人臉標定為標準視圖,並將其裁剪為標準化像素大小。最後,在人臉表示階段,從預處理後的人臉中提取識別特征進行識別。深度卷積神經網絡滿足了這三個要素。摘要隨著深度學習技術的蓬勃發展,端到端深度人臉識別技術的能力得到了極大的提高,本文對端到端深度人臉識別技術中各個方麵的最新進展進行了綜述。首先,我們介紹端到端深度人臉識別的概述,如前所述,它包括人臉檢測、人臉預處理和人臉表示。然後,我們分別回顧了基於深度學習的每個元素的進展,包括許多方麵,如最新的算法設計、評估指標、數據集、性能比較、存在的挑戰和未來的研究方向。我們希望這一調查可以為我們更好地理解端到端人臉識別的大圖和更係統的探索帶來有益的想法。

https://arxiv.org/abs/2009.13290

成為VIP會員查看完整內容
0
55
0

當前的深度學習研究以基準評價為主。如果一種方法在專門的測試集上有良好的經驗表現,那麼它就被認為是有利的。這種心態無縫地反映在連續學習的重現領域,在這裏研究的是持續到達的基準數據集。核心挑戰是如何保護之前獲得的表示,以免由於迭代參數更新而出現災難性地遺忘的情況。然而,各個方法的比較是與現實應用程序隔離的,通常通過監視累積的測試集性能來判斷。封閉世界的假設仍然占主導地位。假設在部署過程中,一個模型保證會遇到來自與用於訓練的相同分布的數據。這帶來了一個巨大的挑戰,因為眾所周知,神經網絡會對未知的實例提供過於自信的錯誤預測,並在數據損壞的情況下崩潰。在這個工作我們認為值得注意的教訓來自開放數據集識別,識別的統計偏差以外的數據觀測數據集,和相鄰的主動學習領域,數據增量查詢等預期的性能收益最大化,這些常常在深度學習的時代被忽略。基於這些遺忘的教訓,我們提出了一個統一的觀點,以搭建持續學習,主動學習和開放集識別在深度神經網絡的橋梁。我們的結果表明,這不僅有利於每個個體範式,而且突出了在一個共同框架中的自然協同作用。我們從經驗上證明了在減輕災難性遺忘、主動學習中查詢數據、選擇任務順序等方麵的改進,同時在以前提出的方法失敗的地方展示了強大的開放世界應用。****

成為VIP會員查看完整內容
0
55
2

深度學習利用多個處理層來學習具有多個層次特征的數據表示。自2014年以來,隨著Deepface和DeepID方法的突破,這一新興技術已經重塑了人臉識別的研究領域。從那時起,深度人臉識別(FR)技術,利用層次結構學習區分的人臉表示,已經極大地提高了最先進的性能,並培養了許多成功的現實世界的應用。在這篇論文中,我們提供了一個全麵深度學習人臉識別綜述。首先,我們總結了在快速發展的深度FR方法中提出的不同的網絡結構和損耗函數。其次,相關的人臉處理方法被分為兩個類:“一對多增強”和“多對一歸一化”。然後,對常用的模型訓練和評價數據庫進行了總結和比較。第三,對跨因素場景、異質場景、多媒體場景和行業場景進行了深入分析。最後,指出了現有方法的潛在不足和未來的發展方向。

成為VIP會員查看完整內容
0
42
0

在海量大數據的幫助下,深度學習在許多領域都取得了顯著的成功。但是,數據標簽的質量是一個問題,因為在許多現實場景中缺乏高質量的標簽。由於帶噪標簽嚴重降低了深度神經網絡的泛化性能,從帶噪標簽中學習(魯棒訓練)已成為現代深度學習應用的一項重要任務。在這個綜述中,我們首先從監督學習的角度來描述標簽噪聲的學習問題。接下來,我們提供了對46種最先進的魯棒訓練方法的全麵回顧,所有這些方法根據其方法上的差異被歸類為7組,然後係統地比較用於評價其優越性的6種屬性。然後,總結了常用的評價方法,包括公共噪聲數據集和評價指標。最後,我們提出了幾個有前景的研究方向,可以作為未來研究的指導。

https://arxiv.org/abs/2007.08199

成為VIP會員查看完整內容
0
61
0

論文題目:Salient Object Detection in the Deep Learning Era: An In-Depth Survey

論文摘要:作為計算機視覺中的一個重要問題,圖像中的顯著目標檢測(SOD)近年來得到了越來越多的研究。最近在超氧化物歧化酶方麵的進展主要是基於深度學習的解決方案(稱為深超氧化物歧化酶)。為了便於深入理解深層SODs,本文提供了一個全麵的綜述,涵蓋了從算法分類到未解決的開放問題的各個方麵。特別是,我們首先從網絡結構、監控級別、學習範式和對象/實例級別檢測等不同角度對深度超氧化物歧化酶算法進行了綜述。在此基礎上,總結了現有的SOD評價數據集和指標體係。然後,在前人工作的基礎上,認真編寫了一個完整的SOD方法的基準測試結果,並對對比結果進行了詳細的分析。另外,通過構造一個新的具有豐富屬性標注的SOD數據集,研究了不同屬性下的SOD算法的性能,這在以前的研究中是很少的。我們首次在現場進一步分析了deep-SOD模型的魯棒性和可轉移性。我們還研究了輸入擾動的影響,以及現有SOD數據集的通用性和硬度。最後,討論了超氧化物歧化酶存在的問題和挑戰,並指出了未來可能的研究方向。

成為VIP會員查看完整內容
Salient Object Detection in the Deep Learning Era An In-Depth Survey.pdf
0
33
2

論文題目:Deep Learning in Video Multi-Object Tracking: A Survey

論文摘要:多目標跟蹤(MOT)的問題在於遵循序列中不同對象(通常是視頻)的軌跡。 近年來,隨著深度學習的興起,提供解決此問題的算法得益於深度模型的表示能力。 本文對采用深度學習模型解決單攝像機視頻中的MOT任務的作品進行了全麵的調查。 確定了MOT算法的四個主要步驟,並對這些階段的每個階段如何使用深度學習進行了深入的回顧。 還提供了對三個MOT數據集上提出的作品的完整實驗比較,確定了表現最好的方法之間的許多相似之處,並提出了一些可能的未來研究方向。

成為VIP會員查看完整內容
0
65
3

題目:Deep Learning in Video Multi-Object Tracking: A Survey

簡介:多對象跟蹤(MOT)的問題在於遵循序列中不同對象(通常是視頻)的軌跡。 近年來,隨著深度學習的興起,提供解決此問題的算法得益於深度模型的表示能力。 本文對采用深度學習模型解決單攝像機視頻中的MOT任務的作品進行了全麵的調查。 確定了MOT算法的四個主要步驟,並對這些階段的每個階段如何使用深度學習進行了深入的回顧。 還提供了對三個MOTChallenge數據集上提出的作品的完整實驗比較,確定了表現最好的方法之間的許多相似之處,並提出了一些可能的未來研究方向。

成為VIP會員查看完整內容
DEEP LEARNING IN VIDEO MULTI-OBJECT TRACKING.pdf
0
34
4
小貼士
相關資訊
圖像修複研究進展綜述
專知
5+閱讀 · 3月9日
深度多模態表示學習綜述論文,22頁pdf
專知
10+閱讀 · 2020年6月21日
人臉識別研究取得進展
中科院之聲
4+閱讀 · 2019年3月26日
基於深度學習的圖像超分辨率最新進展與趨勢【附PDF】
人工智能前沿講習班
10+閱讀 · 2019年2月27日
人臉識別技術全麵總結:從傳統方法到深度學習
機器之心
8+閱讀 · 2019年2月10日
業界 | 圖像識別的未來:機遇與挑戰並存
大數據文摘
4+閱讀 · 2018年11月21日
從0到1,這篇深度學習綜述送給你!
機器學習算法與Python學習
20+閱讀 · 2018年6月13日
相關論文
Wensheng Xia,Ying Li,Lan Zhang,Zhonghai Wu,Xiaoyong Yuan
0+閱讀 · 6月18日
Xiao Luo,Daqing Wu,Chong Chen,Minghua Deng,Jianqiang Huang,Xian-Sheng Hua
0+閱讀 · 6月18日
On the training of sparse and dense deep neural networks: less parameters, same performance
Lorenzo Chicchi,Lorenzo Giambagli,Lorenzo Buffoni,Timoteo Carletti,Marco Ciavarella,Duccio Fanelli
0+閱讀 · 6月17日
Bernd Illing,Jean Ventura,Guillaume Bellec,Wulfram Gerstner
0+閱讀 · 6月16日
Yizeng Han,Gao Huang,Shiji Song,Le Yang,Honghui Wang,Yulin Wang
26+閱讀 · 2月10日
Wei Chen,Yu Liu,Weiping Wang,Erwin Bakker,Theodoros Georgiou,Paul Fieguth,Li Liu,Michael S. Lew
12+閱讀 · 1月27日
Self-labelling via simultaneous clustering and representation learning
Yuki Markus Asano,Christian Rupprecht,Andrea Vedaldi
3+閱讀 · 2019年11月26日
Deep learning for cardiac image segmentation: A review
Chen Chen,Chen Qin,Huaqi Qiu,Giacomo Tarroni,Jinming Duan,Wenjia Bai,Daniel Rueckert
14+閱讀 · 2019年11月9日
Kaiming He,Georgia Gkioxari,Piotr Dollár,Ross Girshick
7+閱讀 · 2018年1月24日
Uri Shaham,Kelly Stanton,Henry Li,Boaz Nadler,Ronen Basri,Yuval Kluger
8+閱讀 · 2018年1月10日
Top