零参考深度曲线估计(zero-reference deep curve estimation,Zero-DCE)虽然整体调整了图像的亮度,但却忽略了区域曝光和噪声过大的问题。针对上述问题,提出了一种更有效的基于照明曲线估计的低光图像增强方法,解决了不同曝光程度下,增...零参考深度曲线估计(zero-reference deep curve estimation,Zero-DCE)虽然整体调整了图像的亮度,但却忽略了区域曝光和噪声过大的问题。针对上述问题,提出了一种更有效的基于照明曲线估计的低光图像增强方法,解决了不同曝光程度下,增强后图像亮度不均匀、存在过度曝光区域的问题,改善了增强后图像噪声的问题。在原有的U-Net基础上引入上采样块和残差网络,利用上采样块将不同层次的特征图进行融合,使得网络能够保留更多的原始图像信息,然后通过残差连接确保特征在传递过程中不会丢失,以此来更大程度地保留原有特征。加入各向异性扩散,在减轻图像噪声的同时保留边缘和结构细节。最后在非参考损失中引入通道一致性损失,抑制过度曝光区域。在MEF数据集上进行了视觉比较实验,在DICM、LIME、LOL、MEF数据集上进行了定量和定性实验。实验结果表明,该方法的SSIM值和PSNR值均取得较好结果。展开更多
近年来,零样本工业过程故障诊断方法逐渐受到关注.针对传统嵌入模型在零样本故障诊断中表现不佳的问题,提出一种基于语义增强型深度自编码器(semantic-enhanced deep autoencoder, SEDAE)的零样本故障诊断算法.首先,给出一种基于语义属...近年来,零样本工业过程故障诊断方法逐渐受到关注.针对传统嵌入模型在零样本故障诊断中表现不佳的问题,提出一种基于语义增强型深度自编码器(semantic-enhanced deep autoencoder, SEDAE)的零样本故障诊断算法.首先,给出一种基于语义属性空间三元组损失约束的投影域偏移消除方法,提升模型知识迁移的能力.然后,将三元组损失函数约束引入深度自编码器,自动提取已见类别语义特征,实现了已见类别语义知识与先验语义信息之间的最优映射.在此基础上,在语义空间使用最近邻方法确定新样本所属的类别.田纳西伊斯曼过程(Tennessee-Eastman process, TEP)仿真结果表明,所提零样本故障诊断方法准确率相较传统方法提升7.11%,在广义零样本故障诊断中也取得满意的结果.展开更多
文摘零参考深度曲线估计(zero-reference deep curve estimation,Zero-DCE)虽然整体调整了图像的亮度,但却忽略了区域曝光和噪声过大的问题。针对上述问题,提出了一种更有效的基于照明曲线估计的低光图像增强方法,解决了不同曝光程度下,增强后图像亮度不均匀、存在过度曝光区域的问题,改善了增强后图像噪声的问题。在原有的U-Net基础上引入上采样块和残差网络,利用上采样块将不同层次的特征图进行融合,使得网络能够保留更多的原始图像信息,然后通过残差连接确保特征在传递过程中不会丢失,以此来更大程度地保留原有特征。加入各向异性扩散,在减轻图像噪声的同时保留边缘和结构细节。最后在非参考损失中引入通道一致性损失,抑制过度曝光区域。在MEF数据集上进行了视觉比较实验,在DICM、LIME、LOL、MEF数据集上进行了定量和定性实验。实验结果表明,该方法的SSIM值和PSNR值均取得较好结果。
