亚洲欧美日韩国产成人,日韩中文字幕无码va免费

內容簡介

　　模糊作為常見的圖像退化方式之一，如何感知模糊、處理模糊注定是一個十分重要的課題，圖像非聚焦模糊處理技術應運而生。深度學習技術的發(fā)展使圖像非聚焦模糊處理性能愈發(fā)強大，在各類應用場合中逐漸發(fā)揮重要作用。本書總結了作者及團隊多年來圖像非聚焦模糊處理技術的研究成果，比較了該領域的最新進展情況，列舉了圖像非聚焦模糊智能處理方案與其應用，具有實踐指導意義，有助于為讀者樹立對非聚焦模糊智能處理的全面認識，進一步理論研究和實際應用的基礎。

作者簡介

　　趙文達，副教授，博士生導師。研究方向包括多模態(tài)圖像分析，如圖像融合、目標檢測、識別等。在包括 CVPR，ECCV，AAAI 等本領域頂級會議，以及 IEEE TPAMI，IEEE TIP，IEEE TNNLS，IEEE TMM， IEEE TGRS，IEEE TCSVT 等本領域頂級期刊上發(fā)表學術論文40余篇。獲得 IEEE MMTC 2020 Best Conference Paper Award，山東省科技進步一等獎。目前擔任中國人工智能學會智能融合專業(yè)委員會副秘書長，中國指揮與控制學會青年工作委員會委員，中國指揮與控制學會多域態(tài)勢感知與認知專委會委員。

圖書目錄

目錄
第1章緒論 1
1.1 圖像非聚焦模糊處理的目的和意義 1
1.2 圖像非聚焦模糊處理中的相關基本概念 2
1.2.1 非聚焦模糊圖像的定義及類別 2
1.2.2 圖像非聚焦模糊智能處理中的深度學習技術 2
1.2.3 圖像非聚焦模糊智能處理 4
1.3 圖像非聚焦模糊處理的設計要求和評估指標 4
1.3.1 圖像非聚焦模糊處理的設計要求 4
1.3.2 圖像非聚焦模糊處理的評估指標 5
1.4 圖像非聚焦模糊處理技術的研究歷史及現狀 7
1.4.1 非聚焦模糊檢測 7
1.4.2 非聚焦模糊圖像去模糊 8
1.5 本書的研究范圍和概覽 9
參考文獻 11
第2章多尺度特征學習的圖像非聚焦模糊檢測 14
2.1 引言 14
2.2 級聯(lián)映射殘差學習網絡 15
2.2.1 方法背景 15
2.2.2 級聯(lián)映射殘差學習模型 16
2.2.3 模型訓練 22
2.2.4 實驗 23
2.3 圖像尺度對稱協(xié)作網絡 30
2.3.1 方法背景 30
2.3.2 圖像尺度對稱協(xié)作模型 32
2.3.3 模型訓練 36
2.3.4 實驗 36
2.4 小結 42
參考文獻 42
第3章深度集成學習的圖像非聚焦模糊檢測 46
3.1 引言 46
3.2 深度交叉集成網絡 46
3.2.1 方法背景 46
3.2.2 深度交叉集成網絡模型 48
3.2.3 模型訓練 52
3.2.4 實驗 52
3.3 自適應集成網絡 56
3.3.1 方法背景 56
3.3.2 自適應集成網絡模型 58
3.3.3 模型訓練 63
3.3.4 實驗 64
3.4 小結 69
參考文獻 70
第4章強魯棒圖像的非聚焦模糊檢測 74
4.1 引言 74
4.2 多層級蒸餾學習的全場景非聚焦模糊檢測 74
4.2.1 方法背景 74
4.2.2 多層級蒸餾學習的全場景非聚焦模糊檢測模型 77
4.2.3 模型訓練 82
4.2.4 實驗 83
4.3 基于MRFT的非聚焦模糊檢測攻擊 89
4.3.1 方法背景 89
4.3.2 基于MRFT的非聚焦模糊檢測攻擊模型 90
4.3.3 模型訓練 94
4.3.4 實驗 95
4.4 小結 102
參考文獻 102
第5章弱監(jiān)督學習的圖像非聚焦模糊檢測 106
5.1 引言 106
5.2 基于RCN的弱監(jiān)督焦點區(qū)域檢測 107
5.2.1 方法背景 107
5.2.2 RCN結構 109
5.2.3 模型訓練 112
5.2.4 實驗 112
5.3 基于雙對抗性鑒別器的自生成非聚焦模糊檢測 120
5.3.1 方法背景 120
5.3.2 雙對抗性鑒別器的網絡結構 122
5.3.3 模型訓練 124
5.3.4 實驗結果與分析 124
5.4 小結 128
參考文獻 128
第6章弱監(jiān)督非聚焦圖像去模糊 132
6.1 引言 132
6.2 對抗促進學習的非聚焦去模糊 132
6.2.1 方法背景 132
6.2.2 對抗促進學習的非聚焦去模糊模型 134
6.2.3 模型訓練 138
6.2.4 實驗 138
6.3 非聚焦檢測攻擊的圖像去模糊 142
6.3.1 方法背景 142
6.3.2 圖像去模糊模型 144
6.3.3 模型訓練 146
6.3.4 實驗 148
6.4 小結 154
參考文獻 155
第7章多聚焦圖像融合的非聚焦圖像去模糊 159
7.1 引言 159
7.2 聯(lián)合多級深度監(jiān)督卷積神經網絡 159
7.2.1 方法背景 159
7.2.2 多級深度監(jiān)督網絡模型 161
7.2.3 模型訓練 164
7.2.4 實驗 164
7.3 深度蒸餾多聚焦圖像融合網絡 172
7.3.1 方法背景 172
7.3.2 深度蒸餾多聚焦圖像融合框架 174
7.3.3 模型訓練 177
7.3.4 實驗 178
7.4 小結 182
參考文獻 183
第8章圖像非聚焦模糊智能處理的實際應用 187
8.1 引言 187
8.2 圖像非聚焦模糊檢測的應用 187
8.2.1 自動對焦系統(tǒng) 187
8.2.2 計算攝影“人像模式” 190
8.2.3 圖片重定向 191
8.2.4 自動駕駛目標檢測 193
8.2.5 多孔材料缺陷檢測 194
8.3 非聚焦圖像去模糊的應用 195
8.3.1 視頻目標跟蹤系統(tǒng) 195
8.3.2 虛擬現實技術 196
8.3.3 無人探測設備應急救援系統(tǒng) 198
8.3.4 醫(yī)學內窺鏡系統(tǒng) 199
8.3.5 光學顯微鏡系統(tǒng) 200
8.4 小結 201
參考文獻 202
第9章回顧、建議與展望 205
9.1 引言 205
9.2 研究成果回顧 205
9.2.1 非聚焦模糊檢測的研究成果 205
9.2.2 非聚焦圖像去模糊的研究成果 205
9.2.3 非聚焦圖像智能處理技術的應用 206
9.3 問題與建議 206
9.3.1 訓練數據集的制約問題 206
9.3.2 模型規(guī)模和計算開銷的問題 207
9.3.3 網絡模型的問題 207
9.4 研究方向展望 207
9.4.1 多任務結合的聯(lián)合訓練 207
9.4.2 通用性非聚焦模糊處理大模型 208
9.4.3 與前沿應用結合的特化研究 208
9.5 小結 2