underwater专题

UVALIVE 5000 Underwater Snipers(二分+贪心)

二分答案 贪心判断 // whn6325689// Mr.Phoebe// http://blog.csdn.net/u013007900#include <algorithm>#include <iostream>#include <iomanip>#include <cstring>#include <climits>#include <comple

【论文阅读】Multi-AUV Collaborative Data Collection Algorithm Based on Q-Learning in Underwater Acoustic S

文章目录 论文基本信息摘要1.引言2.相关工作A. 基于聚类算法的数据采集算法B. 基于AUV轨迹规划的数据采集算法 3.网络和通信模型A. 网络模型B. 问题描述C. 通信模式 4.THE QL-DGA ALGORITHMA. Overview of the QL-DGAB. Node Clustering PhaseC. AUV Task AllocationD. AUV Path Pl

【文献阅读】1-Underwater object detection using Invert Multi-Class Adaboost with deep learning

使用多反转级Adaboost算法实现水下目标检测 摘要关键词背景创新点方法实验结论与不足参考 摘要 本文提出了一种新新的水下目标识别算法,基于深度学习的Sample-WeIghted hyPEr Network (SWIPENet) 神经网络,加上新的样本加权损失函数Invert Multi-Class Adaboost (IMA) 进行样本重新加权的识别方法。 关键词

图像复原--Color Balance and Fusion for Underwater Image Enhancement

图像复原–Color Balance and Fusion for Underwater Image Enhancement 参考链接: (建议先阅读原论文和参考链接内容,本文纯属记录性质) https://blog.csdn.net/qq_43287277/article/details/104901501 https://github.com/fergaletto/Color-Balanc

【水下图像增强】Enhancing Underwater Imagery using Generative Adversarial Networks

原始题目Enhancing Underwater Imagery using Generative Adversarial Networks中文名称使用 GAN 增强水下图像发表时间2018年1月11日平台ICRA 2018来源University of Minnesota, Minneapolis MN文章链接https://arxiv.org/abs/1801.04011开源代码官方:http

U-Shape Transformer for Underwater Image Enhancement(用于水下图像增强的U型Transformer)总结

背景 现有的水下数据集或多或少存在图像数量少、水下场景少、甚至不是真实场景等缺点,限制了数据驱动的水下图像增强方法的性能。此外,水下图像在不同颜色通道和空间区域的衰减不一致也没有统一的框架。 贡献 1)提出了一种处理 UIE 任务的新型 U 型Transformer,其中基于Transformer设计的通道和空间注意机制能够有效消除色彩伪影和偏色。 2)设计了一种新颖的多色彩空间损失函数,

Contrastive Semi-supervised Learning for Underwater Image Restoration via Reliable Bank(论文阅读)

解决问题: • 缺乏真实数据; • 数据量有限; 存在问题:(naive mean-teacher method-baseline) • 当教师的预测错误时,训练中使用的一致性损失可能会失效; • 使用 L1 距离可能导致网络过拟合错误标签,产生确认偏差; 提出方法:Semi-supervised Underwater Image Restoration (Semi