通过强化学习转移Multiperspective光场的重建方法

文摘

与传统成像相比,光场包含了更全面的图像信息,提高图像质量。然而,光场重建的可用数据有限,严重影响的数据和重复计算的准确性和multiperspective光场重建的实时性能。解决这些问题,本文提出一种基于转移multiperspective光场重建方法强化学习。首先,建立了相似性度量模型。根据源域和目标域的相似度阈值,强化学习模型或转移学习模式的特点是自主选择。其次,强化学习模型建立。该模型使用可替换主体(即。,米ultiperspective) Q-learning to learn the feature set that is most similar to the target domain and the source domain and feeds it back to the source domain. This model increases the capacity of the source-domain samples and improves the accuracy of light field reconstruction. Finally, the feature transfer learning model is established. The model uses PCA to obtain the maximum embedding space of source-domain and target-domain features and maps similar features to a new space for label data migration. This model solves the problems of multiperspective data redundancy and repeated calculations and improves the real-time performance of maneuvering target recognition. Extensive experiments on PASCAL VOC datasets demonstrate the effectiveness of the proposed algorithm against the existing algorithms.

1。介绍

光场(1,2)4 d光线辐射场的参数表示包含在空间的位置和方向信息。换句话说,光场包含所有图片相同的对象在不同的立场,不同的角度。

光场可以用作目标图像的特征库。multiperspective光场是一个完整的光场代表由多个视角。捕获的目标信息的多通道融合是通过不同的观点之间的合作机制,最后,multiperspective光场的数据集。光场重建技术的快速发展,图书馆目标识别采用光场特性已被广泛研究领域的计算机视觉,模式识别,图像处理。在军事领域中,目标识别应用于反恐、导弹制导、搜索和救援,和目标监测的领空。在工业领域,目标识别是运用机器人导航、工业检测部分,生产线。在民事领域,目标识别应用于生物医药、智能交通、运动跟踪。模态知觉领域的计算机是一个通道,使用计算机技术模仿人类和机器连接物理世界。环境分割是利用计算机技术来段获得环境根据不同的类别。最后,正式分割图像的表示和描述被称为特征表示。 With the popularization of artificial intelligence technology, many learning methods have been widely investigated, for example, reinforcement learning [3),转移学习(4),和敌对的学习(5]。人工智能技术的成功应用在图像识别领域的只不过是深度学习(6]。近年来,研究人员通过卷积神经网络训练样本图像(7和其他深度学习模型,提高目标识别的准确性。

然而,复杂的计算过程严重影响目标识别的实时性和准确性。为了解决这个问题,本文提出了基于转移multiperspective光场重建方法强化学习,如图1。

将强化学习算法是免费的从大数据的约束和大样本训练。转移学习和强化学习选择独立根据相似性阈值基于标签的样本有限源域。

本文的主要贡献如下:(1)介绍了强化学习和学习算法转移到光场重建的面积。根据模型的相似性度量方法,强化学习和转移学习是自主选择。(2)multiperspective光场的重建方法,通过强化学习有效地减少了计算相似的数据传输在重建过程中,光场重建缩短了时间,提高了目标识别的实时性能。(3)本文进行了广泛的实验来评估该方法在目标识别的性能。实验结果表明,该方法优于现有方法。

本文的其余部分组织如下:部分2相关文献的概述。部分3描述了multiperspective表示和源领域建立光场,将强化学习算法,重建方法multiperspective光场基于强化学习转移。讨论了仿真实验部分4。最后,部分5本文总结道。

2。相关的工作

大数据的复杂的计算过程影响数据处理的实时性和准确性。许多研究人员提出了不同的优化算法。文献[8)提出了一种新颖的深度学习在野外属性预测框架。这个框架不仅大幅优于最先进的,但也揭示了学习脸上有价值的事实表示。文献[9- - - - - -11]提出了强化学习模型匹配行为数据来解释观察到的战略行为。结果表明,该方法比类似的方法更有效。转移的影响学习在某种程度上取决于之间的共同因素学习材料。文献[12- - - - - -14)消除类似的学习学习的培训需求的可转让的结构可伸缩图像识别任务,大大减少了训练参数和出错率,缩短了训练时间。在光场的面积,它是很难获得一个完整的光场。大量的数据和复杂的场景构建光场障碍。

许多研究人员提出了光场重建的概念,利用光场的稀疏重构的未知信息从本地已知信息的目标。Cai et al。15)提出了一个基于multiperspective重建的目标识别方法,从多个角度的光场数据融合和一致性的平均观测。实验显示了解决大规模复杂问题的鲁棒性和可靠性与多个代理的协作。文献[16- - - - - -18)利用小波变换和多分辨率分析的特性,有效抑制窗口影响重建结果。

重建效率提高。在[19),光场成像用于低强度照明条件下解决水下成像问题。通过使用深度卷积神经网络,光场的散射问题是有效地解决。通过结合与结构照明光场成像以执行multiperspective深度测量,提出了许多光场重建方法(20.- - - - - -23]。相应灵活的校正策略是为了确定每个光场光的映射系数,使有效的三维重建。角超限分辨方法(24- - - - - -26)是用来捕获通过稀疏光场相机阵列。它利用压缩传感重建收集密集的光场。

目标识别是计算机视觉领域的一个重要的应用。文献[4)提出了一种结合目标跟踪方法与深度学习和学习的偏好。这个方法解决问题在目标跟踪目标的位置和大小的变化。它有效地发现视频的每一帧的目标对象。文献[16]介绍了光场重建技术领域的目标识别。该方法使用采样图像重建光场图像,最后测试其有效性在目标识别领域。

总之,许多研究人员已经有用的改进优化光场重建算法。此外,他们成功地深度学习引入光场重建。然而,仍然有问题:(1)副本处理大量数据的约束实时目标识别的性能和(2)仍然是一个挑战来获得所需的数据重建完整的光场。

3所示。该方法

3.1。光场的Multiperspective表示

光场的乐高玩具推土机的斯坦福大学图书馆作为重量图表示 ,一个给定的图像。的节点图像的像素,光场域社区结构的选择,域的重量吗 。定义每个视图字段阈值 ,那么最低泛化功能是 在哪里是标准的灰色梯度阈值的区域,是一个随机参数,是一个加权函数。具体的参数被添加到阈值,即。,米在imizing functional calculation of the segmentation smooth approximation伽玛函数的 。让的灰度值输入地图在每个光场。

本文介绍了图像分割的凸表示成multiperspective光场重建(27]。该地区在上面的公式是由标签功能 。的二元函数 相当于multilabel函数。最后,标记功能从这些连续的函数:

因此,光场模型分为很多方面,如图2。

可替换主体(即。,米ultiperspective) method is used to perceive the environment for establishing the source domain, which is also called the instinctive database. It sets the basic action ability for the agent so that the agent is capable of environment interaction and trial-and-error action without training. The multiagent method integrates the collected environmental information and finally completes the establishment of the source domain. According to the content of the environment, the perceptual environment is modeled to train the image. After the image dataset training is completed, the image information is subject to modal analysis. The image is segmented into different categories based on its threshold [28- - - - - -31日]。目前,大多数细分方法是基于基于像素SoftMax分类。描述的像素点之间的关系是一个二元函数。通过关系,同样的标签被分配到相似的像素和不同的标签被分配到像素有较大差距,以便有效地分割图像边界。

代表的分数像素属于的类别 。像素的概率由将SoftMax类中包含的图像输出功能: 在哪里代表光场图像分割的结果从一个视角。从多个角度捕获的光场图像规范化,信息融合和特征从多个角度完成:

分裂体添加一个标签,标签设置叫做源域,如图3。本文提出的分割方法允许更大范围的图像和提高打下良好的基础光场重建的能力。

3.2。将强化学习算法

重复的处理大量的数据约束实时目标识别的性能。本文将强化学习算法来实现一个代理自主选择学习模式与分析的能力,判断,决策和执行。目标样本被遍历源域中的多个角度,和相应的学习策略根据阈值选择的相似度量模型。如果相似度小于阈值,进行强化学习。的决定是由少量的已知信息调整和环境互动反馈,最后,标记样本是迭代标记样本。新标签样本添加到源域,和样本大小的源域是改善环境的认知能力和不断扩大scene-understanding能力。如果相似度大于或等于阈值,目标域样本直接由功能转移学习方法。该方法有效地减少了交互的数量和时间的源域和目标域样本确保目标识别的实时性能。

3.2.1之上。相似性度量模型的建立

感知哈希算法是一个映射的关键数据在数字图像到一个短序列长度。根据机器视觉的反应图像在不同的环境中,感知哈希算法依赖于场景的相似性给对应的散列值(32]。摘要相似性度量的感知哈希算法用于自主选择学习强化学习和转移。具体方法如下:(1)观察图像被multiperspective之上预处理,图像大小调整 。(2)特征提取是进行multiperspective形象 ,和特征向量 得到了,代表了一种特征点向量图。矩阵的压缩特性是通过总结multiperspective特性矩阵:

摘要特征聚类分析用于量化 ,和图像信息映射到根据特征聚类阈值0或1 。最后,哈希值是获得。

我们使用的汉明距离来判断图像之间的相似性从多个角度根据上面的散列值。让multiperspective形象 ,然后图像和特征之间的汉明距离环境信息是 。然后,multiperspective图像的相似度模型

最后,本文设置相似性阈值τ。当图像特征值小于τ,模型测定特性并不相似的选择和强化学习算法;当图像特征值大于或等于τ,模型测定特性是相似的和转移学习算法被选中。

3.2.2。强化学习算法

强化学习应该努力做一个判断,调整前行为与环境的互动过程中,然后完成目标的识别的样本连续迭代。假设每一步的强化学习相应的观察,和可以执行的行动支持少量的标签样本源域。每一步的实现需要结合先前的操作和观察采取行动(33]。然后,给出强化学习的具体步骤如下。为了简化描述,定义以下符号:(1) 是相应的观测图像目标和环境交互时一步 。(2) 执行的动作观察吗 ,在哪里所有行为的集合在强化学习规则。(3) 执行一个动作之后所获得的反馈信息吗在观察下 。 在哪里是集所有的反馈来自步骤和结束时间γ监督预算代表计算能力和时间的限制。此外,该状态在特定的时间是 。然后,强化学习的主要思想是实现优化学习的态函数迭代的基础上采取行动问则: 在哪里是学习速率,和相对应的状态和操作步骤吗 ,分别为,是时差。的行动可以执行的 。国家行动价值函数得到最优控制策略下的迭代次数趋于无穷时,每个州和最佳执行策略的总结了。最后,选择最优的策略执行的动作在某种状态是期望值最大化: 在哪里是环境,后状态执行一个动作 ,和是所有可能的行动的国家吗 。上面的公式使用期望来分析国家行动功能和使用价值 估计国家行动的功能。在强化学习问网络实现了参数升级通过最小化目标函数。 在这里, 的概率分布状态和行为 ,和相对应的目标输出吗k迭代和由

让所有学科评估结果。如果目标函数得到的主题在不同约束越小,主题应该得到一个更大的奖励: 在哪里代表了适应度函数的最优状态kth迭代和是一个积极的常数;目标函数的值越小,越大回报价值。在本文中,基于以前的经验学习,提示下一个目标环境交互 。假设的步数的强化学习和经验是评论的集合 。我们喂回源域,增加已知样本的数据量在源域。因此,行为状态行动的价值转移强化学习算法改变了 。 是转移的特性学习强化学习算法,那么一步的状态呢在转会强化学习 。最后,修改后的方程之间的相互作用得到强化学习的目标环境:

红色框代表从多个角度捕获目标信息。从每个角度捕获当地信息初步判断直升机或飞机,和目标信息和环境不断相互作用的结论,目标是一个战士。我们将新标签样本输入源域在强化学习,不断更新源领域示例数据,扩大标签样本大小,和改善环境的认知能力和scene-understanding能力,如图4。

3.2.3。迁移学习算法

multiperspective形象是作为目标域。通过比较源域中的标签样本,特征选择转移方法转移学习识别multiperspective的环境样品(34,35]。让源域后强化学习 。由多个视角捕获的信息是目标域 。作为继续增加,将会有越来越多在类似于 。为了避免重复计算相似的特性数据,本文采用主成分分析基于迁移学习算法。众所周知,是学习功能;然后,和代表和数据特性,分别。没有标记的数据在映射到特征空间来获得一个新的表示形式 。转移学习,最佳的学习状态是最低预期风险。因此,最优模型提出了学习目标域: 在哪里的概率是在目标域和边缘分布 损失函数。当 ,上面的模型是优化提高泛化能力的转移学习目标域:

根据概率分布函数的源域和目标域,它们之间的最大嵌入空间可以得到:

为了获得最优特征值在最大嵌入空间中,我们使用内核矩阵和代表特征矩阵在源和目标域的数据。在本节中,的 矩阵变换用于内核矩阵映射到米维空间获得合成核矩阵如下:

然后,相应的内核矩阵之间的价值和是

学习地图数据转移和通过计算得到和 。

转移目标特性的学习是地图标记样本图像从每个角度在目标域和标记样本源域的共同特征子空间在同一时间。通过标签样本之间的特征比较源域和目标域,目标被认为是一个战士。这种方法减少了计算和识别样本的识别在目标域,和具体流程如图5。总之,转让的具体方法显示了强化学习算法1。

3.2.4。基于转移Multiperspective光场重建方法强化学习

根据multiperspective表示模型的建立,multiperspective光场重建使用转移强化学习算法。是一个原始的光场图像 射线成像网格。每张图片代表的光线到达表面的显微镜头成像,这是不同的 职位的主要镜头,如图6。

原始图像是由一系列的像素,每个微透镜成像。由于孔径有限,每个显微镜头有一定的视野,在不同的微透镜之间有一定的视差。 在哪里 是光场参数从目标飞机吗和衰减的因素是由于光学光环效应。multiperspective特征信息融合和功能学习介绍了强化学习转移到光场重建进程。然后,点成像函数可以获得在任何飞机让 。

根据不同场景的相似度阈值,本文算法自动选择不同的传输模式强化学习(即。、转让学习和强化学习)来重建multiperspective光场。基于该算法,可以得到图像的频域信息4 d multiperspective光场的傅里叶变换。然后中心片和逆小波变换用于获取每个角度的重建光场图像,如图7。

4所示。实验结果和分析

帕斯卡VOC提供了一组标准的优秀的图像识别和分类的数据集。其中,VOC2007数据集包含9963个标记图像,包括火车、燃料消耗、和测试,总共有24640标记对象。的VOC2012 VOC2007数据集的数据集是一个升级版本,共有11530张图片。VOC2012数据集分为20个类别,如人、鸟、狗、飞机和汽车。为了确保实验的客观性和说服力,训练集样本用于动物检测、车辆检测、和人类检测6800图像的像素大小 。测试集样本1200图像的像素大小 。本文选择检测率作为衡量工作表现的统计显著性检验分析。检测率是指识别目标和背景之间的比例在识别窗口中。我们使用TensorFlow Windows 10系统的实验仿真。仿真计算一个小服务器上运行v4 e5 - 2630 CPU, 2.2 GHz的主要频率和32 GB的内存。multiperspective光场重建方法训练模型网络结构如图8。

本节选择几个具有代表性的数据来描述和分析目标识别。目标识别的实验数据分为三类:动物,车辆,和人类。测试数据排序的数量根据目标和场景的复杂性。同时本文中的算法确定目标与现有的RPN [36),快R-CNN [37有人知道由罗9000),38],SSD [39],R-CNN [40)算法。

图9显示了测试的动物样本数据集,包括绵羊、鸟,马,狗。在羊识别结果中,我们可以看到,该算法具有良好的结果在第二,第三,第五测试。它包括目标遮挡和远距离小目标。在鸟类识别结果,我们可以看到从第五测试数据,证明本文算法具有准确确定图中每个目标。这表明该算法适用于多目标的识别。在马识别结果,我们可以从第三个测试数据得出该算法可以有效地避免光线问题对目标识别的影响。在狗识别结果,我们可以看到算法的有效性在多目标识别结果的第四和第五测试数据。从表1,可以看出平均算法的识别精度检测的动物数据集是78%,高于其他算法。

图10显示了测试集样本的车辆,包括日常车辆,如飞机、轮船、和汽车。第四测试数据的飞机,它是反映当地所有算法不太健壮的目标信息识别在杂乱的背景下。然而,该算法识别尽可能多的目标比其他算法。在第二个飞机的测试数据,该算法有效地解决了光线不足的问题。然而,在船的识别结果,第五次测试数据是由于海上雾大,和所有算法不认识遥远的目标。它可以看到从摩托车和汽车的识别结果,当目标严重重叠,本文中提到的其他算法不能准确地识别它们。从表2,可以看出平均算法的识别精度检测的车辆数据集是76.9%,高于其他算法。

本文假设 ,这证明没有区别同一目标识别的两种方法。 ,这证明是有区别的两种方法,确定相同的目标。在这些关系,现有算法和代表代表了本文算法。为了验证本文算法的有效性,我们将显著性水平为国际通用的水平 。也就是说,置信区间为95%。样品 ,和 。因此,标准差的意思是 ,和统计 。

我们设置置信区间为95%,样本类别 。因此,统计学意义的基准测试是2.447。从图可以看出(11日)和11 (b),其他的统计显著性检验指标算法和本文算法在高于2.447。然后,我们可以判断这个假设。有统计上显著的差异我们的算法和其他算法在动物和车辆数据集。

图12显示了人类样本的测试数据集,包括男人,女人和孩子。在男性的识别结果,第二和第五测试数据显示没有物理干扰项。因此,我们的算法,算法,项和SSD算法识别错误第二次测试数据。第四测试数据,然而,运动阻塞问题是有效地解决和目标都是正确地识别。在女性的识别结果,我们的算法成功区分男性在第四测试数据。因为第五测试数据有很多任务,单个字符的特征并不明显。因此,本文中提到的算法有不同的目标识别过程中的错误。在婴儿的识别结果,所有算法准确地确定在第一次和第二次测试数据。在第三和第四个测试数据,SSD算法和R-CNN算法识别对象以外的目标。然而,在第五测试数据,所有算法无法准确确定因为现场太复杂和目标很小。 As can be seen from Table3,当检测婴儿的数据集时,识别率的RPN算法和本文算法的同时达到71.4%。数据集在男性和女性的数据集,本文算法的识别精度为72.5%,高于其他算法。

因为人类的数据集的样本类别 ,统计学意义的基准测试是2.776。从图可以看出13和表3,的准确性提出了目标识别算法在人工数据集是72.5%,高于RPN和R-CNN快。然而,统计显著性检验指标低于基线。这说明假设检验是有效的,该算法的识别结果在本文中并不显著不同的打印和快速R-CNN算法。相比YOLO 9000意思,SSD和R-CNN算法,算法的统计显著性检验指标摘要更高。这表明本文算法有明显的差异和他们。

基于目标识别的实验结果和统计显著性检验分析,本文算法充分反映了目标识别的多角度的优点。在目标识别中,边界框,越大越不准确的目标识别结果。当探测目标的任何特性,该算法使用几个小红框标签。因此,上述目标识别结果验证了该算法的有效性。

5。结论

复制目标数据的处理和缺乏必需的数据影响的准确性和实时性重建完整的光场。针对这些问题,本文提出了强化学习方法转移multiperspective光场重建。根据相似度阈值,强化学习学习可以选择独立或转让。我们的算法有效地解决了重复相同的数据,缩短了时间的计算multiperspective光场重建。实验结果表明,将强化学习算法比其它算法在目标识别。在实验中,本文算法的识别效率使得它不适合在雾蒙蒙的环境中识别。在未来的工作中,我们将介绍GAN转移学习。我们将使用氮化镓生成数据的特征,增强数据处理模糊图像,提高目标识别的准确性。

数据可用性

数据集包含机密信息,比如飞机的性能参数模型和不能被释放。

的利益冲突

作者宣称没有利益冲突。

确认

这项工作得到了国家自然科学基金(61703143)、河南省科技项目(192102310260),河南大学的年轻骨干教师培训项目(2017 ggjs123),新乡城市和科技重大专项项目(ZD18006)。

引用

1. a . Gershun“光场”,在应用数学的研究,18卷,不。1 - 4,51 - 151,1939页。视图:出版商的网站|谷歌学术搜索
2. Levoy m和p•汉拉罕“光场渲染,”计算机图形学与交互式会议技术,卷2,不。3,31-42,1996页。视图:谷歌学术搜索
3. 美国帕沙克、l . Pulina和a . Tacchella”验证和修复安全控制策略的强化学习,”应用智能,48卷,不。4、886 - 908年,2017页。视图:出版商的网站|谷歌学术搜索
4. s . j .锅和杨问:“调查转移学习”,IEEE工程知识和数据,22卷,不。10日,1345 - 1359年,2010页。视图:出版商的网站|谷歌学术搜索
5. l . Tran殷x, x,“分表示学习GAN pose-invariant人脸识别,”《IEEE计算机视觉与模式识别会议(CVPR)火奴鲁鲁,页1283 - 1292年,美国,2017年7月,你好。视图:谷歌学术搜索
6. 庞,j·j·德尔因为o . Luaces z Yu和j . Diez”深度学习和偏好学习对象跟踪:一个综合的方法,”神经处理信件卷,47号3、859 - 876年,2017页。视图:出版商的网站|谷歌学术搜索
7. 任,k .他、r . Girshick和j .太阳,“快R-CNN:对与地区建议网络实时目标检测,”IEEE模式分析与机器智能,39卷,不。6,1137 - 1149年,2017页。视图:出版商的网站|谷歌学术搜索
8. z . Liu·罗x王et al .,“深度学习面对属性在野外,”《IEEE计算机视觉国际会议Las conde,页3730 - 3738年,智利,2015年12月。视图:谷歌学术搜索
9. a . Kangasraasio和s . Kaski“逆强化学习从汇总数据,”机器学习,卷107,不。8 - 10,1517 - 1535年,2018页。视图:出版商的网站|谷歌学术搜索
10. y邹,t·刘,刘和f .太阳,“基于强化学习混合车辆跟踪,实时能源管理”应用能源卷,171年,第382 - 372页,2016年。视图:出版商的网站|谷歌学术搜索
11. s . j . Gershman和n . d .寒鸦”,在人类和动物强化学习和情景记忆:一个综合框架,“年度回顾的心理学,卷68,不。1,第128 - 101页,2017。视图:出版商的网站|谷歌学术搜索
12. b . Zoph诉Vasudevan j . Shlens et al .,“学习转移体系结构可伸缩图像识别”学报2018年IEEE / CVF计算机视觉与模式识别会议,页8697 - 8710,盐湖城犹他,美国,2018年6月。视图:出版商的网站|谷歌学术搜索
13. n . a . Goussies s Ubalde, m . Mejail“转移学习决定森林手势识别,”机器学习研究杂志》上,15卷,不。1,第3690 - 3667页,2017。视图:谷歌学术搜索
14. a . Van Opbroek伊·m·a . m . w . Vernooij和m . de Bruijne”转移学习提高监督图像分割在成像协议,”IEEE医学成像,34卷,不。5,1018 - 1030年,2015页。视图:出版商的网站|谷歌学术搜索
15. l . Cai·罗·g·周et al .,“机动目标识别方法基于多角度光场重建,”国际期刊的分布式传感器网络,15卷,不。8、1 - 12,2019页。视图:出版商的网站|谷歌学术搜索
16. g .周,c .温家宝,j .高”对象识别基于光场的重建,”学报2015年国际会议上评估、检测和信息融合(ICEDIF)哈尔滨,页82 - 87年,中国,2015年1月。视图:谷歌学术搜索
17. 朱y, r, r . et al .,“空间复用傅里叶变换的图像重建,在鬼成像通过稀疏约束”光学表达,26卷,不。3、2181 - 2190年,2018页。视图:谷歌学术搜索
18. c .太阳,y, b . Wang k .杨和z的歌,“高分辨率ISAR成像,基于稀疏重建机动目标”信号处理卷,108年,第548 - 535页,2015年。视图:出版商的网站|谷歌学术搜索
19. h·t·h·卢y Li Uemura Kim和s . Serikawa”低照度水下光场图像重建使用深卷积神经网络,”未来一代计算机系统卷,82年,第148 - 142页,2018年。视图:出版商的网站|谷歌学术搜索
20. 彭z Cai, x, x, z高,”雷校正和相位映射structured-light-field 3 d重建,”光学表达,26卷,不。6,7598 - 7613年,2018页。视图:出版商的网站|谷歌学术搜索
21. l . j .张你们,问:张先生,j·l·王”三维物体表面重建基于摄像机标定和筛选,“应用力学和材料卷,719 - 720,1191 - 1197年,2015页。视图:出版商的网站|谷歌学术搜索
22. j . j . Chen侯,L.-P。洲”,光场的压缩与disparity-guided稀疏编码基于结构关键的观点,“IEEE图像处理,27卷,不。1,第324 - 314页,2018。视图:出版商的网站|谷歌学术搜索
23. z Cai,刘x, x彭et al .,“普遍phase-depth映射在一个结构化的光场,”应用光学卷,57号1、26 - 32,2018页。视图:出版商的网站|谷歌学术搜索
24. d . c . Schedl c Birklbauer, o . Bimber”视图插值优化采样的光场使用本地词典,“计算机视觉和图像理解卷,168年,第103 - 93页,2018年。视图:出版商的网站|谷歌学术搜索
25. k . y . Wang f . Liu, g .侯z太阳,和t . Tan“LFNet:递归卷积神经网络小说双向光场图像超分辨率”IEEE图像处理,27卷,不。9日,第4286 - 4274页,2018年。视图:出版商的网站|谷歌学术搜索
26. 周,y元,l·苏x叮,j·王,“多帧超分辨率重建方法基于光场角图像,”光学通信卷,404年,第195 - 189页,2017年。视图:出版商的网站|谷歌学术搜索
27. m . Cuth o . f . k . Kalenda, p . Kaplicky“等距表示lipschitz-free空间凸域的有限维空间,”Mathematika,卷63,不。2、538 - 552年,2017页。视图:出版商的网站|谷歌学术搜索
28. j . Lieman-Sifry m . Le f·刘,萨尔,d .黄金,”FastVentricle:心脏分割与硅谷动力,”心脏的功能成像和建模施普林格,柏林,德国,2017年。视图:出版商的网站|谷歌学术搜索
29. e . Shelhamer j .长,t·达雷尔“完全卷积网络语义分割,”IEEE模式分析与机器智能,39卷,不。4、640 - 651年,2017页。视图:出版商的网站|谷歌学术搜索
30. h .能剧,美国在香港,汉族,“学习反褶积网络语义分割”《IEEE计算机视觉国际会议Las conde,页1520 - 1528年,智利,2015年12月。视图:谷歌学术搜索
31. 诉Badrinarayanan, a·肯德尔和r . Cipolla”Segnet:深卷积encoder-decoder架构对于图像分割,“IEEE模式分析与机器智能,39卷,不。12日,第2495 - 2481页,2017年。视图:出版商的网站|谷歌学术搜索
32. x l . Chen, t·徐h .旷,李问:“把信号检测在夜间CNN探测器和感知哈希跟踪、”IEEE智能交通系统,18卷,不。12日,第3314 - 3303页,2017年。视图:出版商的网站|谷歌学术搜索
33. c . Distante a Anglani, f . Taurisano”目标达到利用视觉信息和q学习控制器,”自主机器人,9卷,不。1,每周,2000页。视图:出版商的网站|谷歌学术搜索
34. b·萨哈Gupta, d . Phung而美国Venkatesh来说,“多个任务转移学习小样本大小,”知识和信息系统,46卷,不。2、315 - 342年,2016页。视图:出版商的网站|谷歌学术搜索
35. m . Mehdipour勇士,b . Yanikoglu和e . Aptoula“植物鉴别转移学习使用深层神经网络通过优化参数,“Neurocomputing卷,235年,第235 - 228页,2017年。视图:出版商的网站|谷歌学术搜索
36. 任,k .他、r . Girshick和j .太阳,“快R-CNN:对与地区建议网络实时目标检测,”IEEE模式分析与机器智能,39卷,不。6,1137 - 1149年,2017页。视图:出版商的网站|谷歌学术搜索
37. 在r . Girshick“快速R-CNN。《IEEE计算机视觉国际会议Las conde,页1440 - 1448年,智利,2015年12月。视图:谷歌学术搜索
38. j . Redmon和a·哈蒂”Yolo 9000:意思更好,更快,更强”《IEEE计算机视觉与模式识别会议火奴鲁鲁,页6517 - 6525年,美国,2017年7月,你好。视图:谷歌学术搜索
39. d . w . Liu Anguelov, d . Erhan et al .,“SSD:单身MultiBox探测器拍摄,”欧洲计算机视觉的诉讼,页21-37、拉斯维加斯、NV,美国,2015年。视图:谷歌学术搜索
40. r . Girshick j . Donahue t Darrelland et al .,“丰富的特性为目标检测和语义细分层次,”学报2014年IEEE计算机视觉与模式识别会议哥伦布,页580 - 587年,哦,美国,2014年6月。视图:出版商的网站|谷歌学术搜索

版权

版权©2020 Lei Cai et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。