CN111783545A - 一种基于生成对抗网络的煤矿无人机图像增强方法 - Google Patents
一种基于生成对抗网络的煤矿无人机图像增强方法 Download PDFInfo
- Publication number
- CN111783545A CN111783545A CN202010490445.8A CN202010490445A CN111783545A CN 111783545 A CN111783545 A CN 111783545A CN 202010490445 A CN202010490445 A CN 202010490445A CN 111783545 A CN111783545 A CN 111783545A
- Authority
- CN
- China
- Prior art keywords
- image
- generator
- discriminator
- aerial vehicle
- unmanned aerial
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 239000003245 coal Substances 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012549 training Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 23
- 230000004913 activation Effects 0.000 claims description 12
- 238000013507 mapping Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 31
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000012886 linear function Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,涉及一种基于生成对抗网络的煤矿无人机图像增强方法。其包括:步骤S1,获取煤矿无人机拍摄的清晰图像并对所获取图像进行处理,进而构建训练集;步骤S2,构建生成对抗网络,所构建的生成对抗网络包括生成器和判别器;步骤S3,固定判别器的参数对生成器进行训练;步骤S4、固定生成器的参数对判别器进行训练;步骤S5、重复步骤S3和S4,并根据损失函数更新生成器和判别器的参数,直至判别器将生成器生成的图像判别为清晰图像,则模型训练结束;步骤S6,将无人机拍摄的模糊图像经过处理后,输入训练好的生成器中,生成器输出的对应图像即作为增强后的清晰图像。本发明能够较佳地实现对无人机巡检图像的增强处理。
Description
技术领域
本发明涉及图像处理技术领域,具体地说,涉及一种基于生成对抗网络的煤矿无人机图像增强方法。
背景技术
近年来,随着无人机技术的飞速发展,出现了很多无人机巡检技术的应用,尤其是在煤矿领域,人工巡检的方式效率低、工作量大,而且受到煤矿地域的局限,存在很大的安全隐患。无人机巡检通过搭载的可见光摄像头、红外摄像头、激光雷达测距传感器等,代替巡线工人进行巡检工作,实现目标检测和目标识别等功能。但由于煤矿地域复杂的环境因素,导致无人机拍摄的图像存在噪声严重、细节丢失等问题,难以对图像中的小目标进行有效地检测和识别。因此,煤矿无人机的图像增强对于无人机巡检技术的广泛应用具有重大意义。
传统的图像增强的方法主要是通过直方图均衡化和拉普拉斯变换等增加图像的对比度,但这些方法没有考虑到图像中的上下文信息,无法获得真实的清晰的图像。
发明内容
本发明提供了一种基于生成对抗网络的煤矿无人机图像增强方法,其能够克服现有技术的某种或某些缺陷。
根据本发明的一种基于生成对抗网络的煤矿无人机图像增强方法,其包括如下步骤:
步骤S1,获取煤矿无人机拍摄的清晰图像并对所获取图像进行处理,进而构建训练集,训练集的单个元素为一二元组,该二元组中包含清晰图像和与该清晰图像对应的模糊图像;
步骤S2,构建生成对抗网络,所构建的生成对抗网络包括生成器和判别器;
步骤S3,固定判别器的参数,将训练集中的模糊图像输入生成器中,通过判别器判别生成器生成的图像是否清晰,实现对生成器的训练;
步骤S4,固定生成器的参数,将训练集中的清晰图像和生成器生成的图像分别输入判别器中,实现对判别器的训练;
步骤S5,重复步骤S3和步骤S4,并根据损失函数更新生成器和判别器的参数,直至判别器将生成器生成的图像判别为清晰图像,则模型训练结束;
步骤S6,将无人机拍摄的模糊图像经过处理后,输入训练好的生成器中,生成器输出的对应图像即作为增强后的清晰图像。
作为优选,步骤S1中,对所获取图像进行的处理包括如下步骤,
步骤S11,根据所获取图像,通过添加噪音的方式获取与相应清晰图像对应的模糊图像;
步骤S12,对相应清晰图像和对应的模糊图像的像素大小进行设定,进而形成训练集的单个元素。
作为优选,步骤S2中,生成器采用卷积神经网络,包括一个线性映射层和四个卷积层,每个卷积层的卷积核的大小均为5×5,线性映射和前三个卷积层的后面分别连接批归一化和ReLU激活函数,最后一个卷积层后面连接Tanh激活函数。
作为优选,判别器采用卷积神经网络,包括四个卷积层和一个线性映射层,每个卷积层的卷积核的大小均为5×5,第一个卷积层后面连接LReLU激活函数,其后的三个卷积层后面分别连接批归一化和LReLU激活函数。
作为优选,步骤S3中,采用误差反向传播算法,固定判别器的参数,最小化生成器的损失函数。
作为优选,步骤S4中,采用误差反向传播算法,固定生成器的参数,最小化判别器的损失函数。
通过本发明的方法使得:
1、能够通过煤矿无人机获取巡检的目标图像,并对目标图像进行预处理,然后将预处理后的图像输入到生成对抗网络中进行处理,从而能够较佳地通过生成对抗网络对煤矿无人机获取的图像进行增强处理,故能够有效地提高煤矿无人机巡检场景下的模糊图像质量,使得生成的图像细节更加丰富;
2、通过建立训练集对生成对抗网络进行训练,可较佳地对生成器和判别器的参数进行确定,从而能够较佳地实现对煤矿无人机获取巡检获取的新图像进行增强处理;
3、通过在生成对抗网络的训练过程中引入均方误差惩罚和梯度惩罚函数,使得最终训练完成后的模型在对新采集图像进行处理时,能够针对所拍摄的图像存在的亮度、对比度低和图像模糊等问题,生成的细节更加丰富的增强图像。
附图说明
图1为实施例1中的煤矿无人机图像增强方法的流程示意图;
图2为实施例1中的生成对抗网络的模型示意图;
图3为实施例1中的生成器的模型示意图;
图4为实施例1中的判别器的模型示意图;
图5为实施例1中的煤矿无人机图像增强方法的效果图。
具体实施方式
为进一步了解本发明的内容,结合附图和实施例对本发明作详细描述。应当理解的是,实施例仅仅是对本发明进行解释而并非限定。
实施例1
结合图1和2所示,本实施例提供了一种基于生成对抗网络的煤矿无人机图像增强方法,其包括如下步骤:
步骤S1,获取煤矿无人机拍摄的清晰图像并对所获取图像进行处理,进而构建训练集,训练集的单个元素为一二元组,该二元组中包含清晰图像和与该清晰图像对应的模糊图像;
步骤S2,构建生成对抗网络,所构建的生成对抗网络包括生成器和判别器;
步骤S3,固定判别器的参数,将训练集中的模糊图像输入生成器中,通过判别器判别生成器生成的图像是否清晰,实现对生成器的训练;
步骤S4、固定生成器的参数,将训练集中的清晰图像和生成器生成的图像分别输入判别器中,实现对判别器的训练;
步骤S5、重复步骤S3和步骤S4,并根据损失函数更新生成器和判别器的参数,直至判别器将生成器生成的图像判别为清晰图像,则模型训练结束;
步骤S6,将无人机拍摄的模糊图像经过处理后,输入训练好的生成器中,生成器输出的对应图像即作为增强后的清晰图像。
通过本实施例中的方法,能够通过煤矿无人机获取巡检的目标图像,并对目标图像进行预处理,然后将预处理后的图像输入到生成对抗网络中进行处理,从而能够较佳地通过生成对抗网络对煤矿无人机获取的图像进行增强处理,故能够有效地提高煤矿无人机巡检场景下的模糊图像质量,使得生成的图像细节更加丰富。
其中,生成对抗网络包括生成器和判别器,生成器负责从随机噪声图像和模糊图像中生成新的图像,判别器负责区分生成图像和清晰图像。通过建立训练集对生成对抗网络进行训练,可较佳地对生成器和判别器的参数进行确定,从而能够较佳地实现对煤矿无人机获取巡检获取的新图像进行增强处理。
本实施例中,训练集包括10000张由煤矿无人机拍摄的清晰图片以及根据该10000张清晰图片加入噪音获取的模糊图片。
本实施例的步骤S1中,对所获取图像进行的处理包括如下步骤,
步骤S11、根据所获取图像,通过添加噪音的方式获取与相应清晰图像对应的模糊图像;
步骤S12、对相应清晰图像和对应的模糊图像的像素大小进行设定,进而形成训练集的单个元素。
本实施例中,通过步骤S11的处理,能够将已经获取的清晰图像通过添加随机噪音的方式获取与相应清晰图像对应的模糊图像,从而能够较佳地获取训练集;通过步骤S12的处理,能够将所有图像处理成相同像素大小,故能够较佳地便于后续的图像处理。
本实施例中,步骤S12中将图片的像素大小处理为64×64。
结合图3所示,本实施例的步骤S2中,生成器采用卷积神经网络,包括一个线性映射层和四个卷积层,每个卷积层的卷积核的大小均为5×5,线性映射和前三个卷积层的后面分别连接批归一化和ReLU激活函数,最后一个卷积层后面连接Tanh激活函数。
本实施例的生成器中,线性映射层采用Linear函数,卷积层采用Deconv函数,批归一化函数为BN函数。
结合图4所示,判别器采用卷积神经网络,包括四个卷积层和一个线性映射层,每个卷积层的卷积核的大小均为5×5,第一个卷积层后面连接LReLU激活函数,其后的三个卷积层后面分别连接批归一化和LReLU激活函数。
本实施例的判别器中,线性映射层采用Linear函数,卷积层采用Conv函数,批归一化函数为BN函数。
本实施例的步骤S3中,采用误差反向传播算法,固定判别器的参数,最小化生成器的损失函数。从而能够较佳地实现对生成器的训练。
本实施例的步骤S4中,采用误差反向传播算法,固定生成器的参数,最小化判别器的损失函数。从而能够较佳地实现对判别器的训练。
本实施例中,在生成器的损失函数中引入均方误差惩罚,以使得生成图像更接近对应的清晰图像,其误差惩罚函数为pG=||G(z|x)-y||2。其中,G为生成器模型,z为随机噪声,x为模糊图像,y为清晰图像。
本实施例中,通过在生成对抗网络的训练过程中引入均方误差惩罚和梯度惩罚函数,使得最终训练完成后的模型在对新采集图像进行处理时,能够针对所拍摄的图像存在的亮度、对比度低和图像模糊等问题,生成的细节更加丰富的增强图像。
本实施例的步骤S6中,对无人机拍摄的模糊图像的处理主要为将图像大小裁剪为预定的像素大小,本实施例中为64×64的像素大小。
更具体地,本实施例的生成对抗网络的参数设置为,训练过程中批大小batchsize为32,生成器和判别器的卷积核大小为5×5,步长为2。对生成器和判别器的训练过程采用Adam优化器,生成器的学习率为0.0001,判别器的学习率为0.0005,噪声的维度为100。
结合图5所示,是本实施例的图像增强方法的效果图。其中,左图为无人机拍摄的原始模糊图像,右图为经过生成对抗网络图像增强后的清晰图像。由图可得,本发明的基于生成对抗网络的图像增强方法在图像清晰度和真实度方面都有很好的效果。
以上示意性的对本发明及其实施方式进行了描述,该描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。所以,如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (8)
1.一种基于生成对抗网络的煤矿无人机图像增强方法,其包括如下步骤:
步骤S1,获取煤矿无人机拍摄的清晰图像并对所获取图像进行处理,进而构建训练集,训练集的单个元素为一二元组,该二元组中包含清晰图像和与该清晰图像对应的模糊图像;
步骤S2,构建生成对抗网络,所构建的生成对抗网络包括生成器和判别器;
步骤S3,固定判别器的参数,将训练集中的模糊图像输入生成器中,通过判别器判别生成器生成的图像是否清晰,实现对生成器的训练;
步骤S4,固定生成器的参数,将训练集中的清晰图像和生成器生成的图像分别输入判别器中,实现对判别器的训练;
步骤S5,重复步骤S3和步骤S4,并根据损失函数更新生成器和判别器的参数,直至判别器将生成器生成的图像判别为清晰图像,则模型训练结束;
步骤S6,将无人机拍摄的模糊图像经过处理后,输入训练好的生成器中,生成器输出的对应图像即作为增强后的清晰图像。
2.根据权利要求1所述的一种基于生成对抗网络的煤矿无人机图像增强方法,其特征在于:步骤S1中,对所获取图像进行的处理包括如下步骤,
步骤S11,根据所获取图像,通过添加噪音的方式获取与相应清晰图像对应的模糊图像;
步骤S12,对相应清晰图像和对应的模糊图像的像素大小进行设定,进而形成训练集的单个元素。
3.根据权利要求1所述的一种基于生成对抗网络的煤矿无人机图像增强方法,其特征在于:步骤S2中,生成器采用卷积神经网络,包括一个线性映射层和四个卷积层,每个卷积层的卷积核的大小均为5×5,线性映射和前三个卷积层的后面分别连接批归一化和ReLU激活函数,最后一个卷积层后面连接Tanh激活函数。
4.根据权利要求1所述的一种基于生成对抗网络的煤矿无人机图像增强方法,其特征在于:判别器采用卷积神经网络,包括四个卷积层和一个线性映射层,每个卷积层的卷积核的大小均为5×5,第一个卷积层后面连接LReLU激活函数,其后的三个卷积层后面分别连接批归一化和LReLU激活函数。
5.根据权利要求1所述的一种基于生成对抗网络的煤矿无人机图像增强方法,其特征在于:步骤S3中,采用误差反向传播算法,固定判别器的参数,最小化生成器的损失函数。
6.根据权利要求1所述的一种基于生成对抗网络的煤矿无人机图像增强方法,其特征在于:步骤S4中,采用误差反向传播算法,固定生成器的参数,最小化判别器的损失函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010490445.8A CN111783545A (zh) | 2020-06-02 | 2020-06-02 | 一种基于生成对抗网络的煤矿无人机图像增强方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010490445.8A CN111783545A (zh) | 2020-06-02 | 2020-06-02 | 一种基于生成对抗网络的煤矿无人机图像增强方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111783545A true CN111783545A (zh) | 2020-10-16 |
Family
ID=72753314
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010490445.8A Pending CN111783545A (zh) | 2020-06-02 | 2020-06-02 | 一种基于生成对抗网络的煤矿无人机图像增强方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111783545A (zh) |
Cited By (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668529A (zh) * | 2020-12-31 | 2021-04-16 | 神思电子技术股份有限公司 | 一种菜品样本图像增强识别方法 |
CN113487504A (zh) * | 2021-07-01 | 2021-10-08 | 天津大学 | 基于生成对抗网络的水下灰度偏振图像复原方法 |
CN113534837A (zh) * | 2021-07-06 | 2021-10-22 | 深圳市科卫泰实业发展有限公司 | 基于生成对抗网络的无人机飞行状态融合控制***及控制方法 |
US11403069B2 (en) | 2017-07-24 | 2022-08-02 | Tesla, Inc. | Accelerated mathematical engine |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US11487288B2 (en) | 2017-03-23 | 2022-11-01 | Tesla, Inc. | Data synthesis for autonomous control systems |
CN115310361A (zh) * | 2022-08-16 | 2022-11-08 | 中国矿业大学 | 基于wgan-cnn煤矿井下粉尘浓度预测方法和*** |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
US11665108B2 (en) | 2018-10-25 | 2023-05-30 | Tesla, Inc. | QoS manager for system on a chip communications |
US11681649B2 (en) | 2017-07-24 | 2023-06-20 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US11734562B2 (en) | 2018-06-20 | 2023-08-22 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11748620B2 (en) | 2019-02-01 | 2023-09-05 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US11790664B2 (en) | 2019-02-19 | 2023-10-17 | Tesla, Inc. | Estimating object properties using visual image data |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US11841434B2 (en) | 2018-07-20 | 2023-12-12 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US11893774B2 (en) | 2018-10-11 | 2024-02-06 | Tesla, Inc. | Systems and methods for training machine models with augmented data |
US12014553B2 (en) | 2019-02-01 | 2024-06-18 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110264424A (zh) * | 2019-06-20 | 2019-09-20 | 北京理工大学 | 一种基于生成对抗网络的模糊视网膜眼底图像增强方法 |
WO2020103171A1 (zh) * | 2018-11-21 | 2020-05-28 | 北京大学深圳研究生院 | 用于图像去模糊的Bi-Level优化方法 |
-
2020
- 2020-06-02 CN CN202010490445.8A patent/CN111783545A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020103171A1 (zh) * | 2018-11-21 | 2020-05-28 | 北京大学深圳研究生院 | 用于图像去模糊的Bi-Level优化方法 |
CN110264424A (zh) * | 2019-06-20 | 2019-09-20 | 北京理工大学 | 一种基于生成对抗网络的模糊视网膜眼底图像增强方法 |
Non-Patent Citations (2)
Title |
---|
ZHANG GUOBIN 等: ""A Classification method for adaptive relay protection setting system Based on clustering analysis"", 《PROCEEDINGS OF 2011 INTERNATIONAL CONFERENCE ON ADVANCED POWER SYSTEM AUTOMATION AND PROTECTION(APAP 2011)》, 16 October 2011 (2011-10-16) * |
裴慧坤 等: ""基于生成对抗网络的无人机图像去模糊方法"", 《地理空间信息》, vol. 17, no. 12, 31 December 2019 (2019-12-31), pages 4 - 8 * |
Cited By (29)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US12020476B2 (en) | 2017-03-23 | 2024-06-25 | Tesla, Inc. | Data synthesis for autonomous control systems |
US11487288B2 (en) | 2017-03-23 | 2022-11-01 | Tesla, Inc. | Data synthesis for autonomous control systems |
US11681649B2 (en) | 2017-07-24 | 2023-06-20 | Tesla, Inc. | Computational array microprocessor system using non-consecutive data formatting |
US11893393B2 (en) | 2017-07-24 | 2024-02-06 | Tesla, Inc. | Computational array microprocessor system with hardware arbiter managing memory requests |
US11403069B2 (en) | 2017-07-24 | 2022-08-02 | Tesla, Inc. | Accelerated mathematical engine |
US11409692B2 (en) | 2017-07-24 | 2022-08-09 | Tesla, Inc. | Vector computational unit |
US11797304B2 (en) | 2018-02-01 | 2023-10-24 | Tesla, Inc. | Instruction set architecture for a vector computational unit |
US11561791B2 (en) | 2018-02-01 | 2023-01-24 | Tesla, Inc. | Vector computational unit receiving data elements in parallel from a last row of a computational array |
US11734562B2 (en) | 2018-06-20 | 2023-08-22 | Tesla, Inc. | Data pipeline and deep learning system for autonomous driving |
US11841434B2 (en) | 2018-07-20 | 2023-12-12 | Tesla, Inc. | Annotation cross-labeling for autonomous control systems |
US11636333B2 (en) | 2018-07-26 | 2023-04-25 | Tesla, Inc. | Optimizing neural network structures for embedded systems |
US11562231B2 (en) | 2018-09-03 | 2023-01-24 | Tesla, Inc. | Neural networks for embedded devices |
US11983630B2 (en) | 2018-09-03 | 2024-05-14 | Tesla, Inc. | Neural networks for embedded devices |
US11893774B2 (en) | 2018-10-11 | 2024-02-06 | Tesla, Inc. | Systems and methods for training machine models with augmented data |
US11665108B2 (en) | 2018-10-25 | 2023-05-30 | Tesla, Inc. | QoS manager for system on a chip communications |
US11816585B2 (en) | 2018-12-03 | 2023-11-14 | Tesla, Inc. | Machine learning models operating at different frequencies for autonomous vehicles |
US11537811B2 (en) | 2018-12-04 | 2022-12-27 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11908171B2 (en) | 2018-12-04 | 2024-02-20 | Tesla, Inc. | Enhanced object detection for autonomous vehicles based on field view |
US11610117B2 (en) | 2018-12-27 | 2023-03-21 | Tesla, Inc. | System and method for adapting a neural network model on a hardware platform |
US11748620B2 (en) | 2019-02-01 | 2023-09-05 | Tesla, Inc. | Generating ground truth for machine learning from time series elements |
US12014553B2 (en) | 2019-02-01 | 2024-06-18 | Tesla, Inc. | Predicting three-dimensional features for autonomous driving |
US11567514B2 (en) | 2019-02-11 | 2023-01-31 | Tesla, Inc. | Autonomous and user controlled vehicle summon to a target |
US11790664B2 (en) | 2019-02-19 | 2023-10-17 | Tesla, Inc. | Estimating object properties using visual image data |
CN112668529A (zh) * | 2020-12-31 | 2021-04-16 | 神思电子技术股份有限公司 | 一种菜品样本图像增强识别方法 |
CN113487504A (zh) * | 2021-07-01 | 2021-10-08 | 天津大学 | 基于生成对抗网络的水下灰度偏振图像复原方法 |
CN113534837A (zh) * | 2021-07-06 | 2021-10-22 | 深圳市科卫泰实业发展有限公司 | 基于生成对抗网络的无人机飞行状态融合控制***及控制方法 |
CN113534837B (zh) * | 2021-07-06 | 2024-03-22 | 深圳市科卫泰实业发展有限公司 | 基于生成对抗网络的无人机飞行状态融合控制***及控制方法 |
CN115310361A (zh) * | 2022-08-16 | 2022-11-08 | 中国矿业大学 | 基于wgan-cnn煤矿井下粉尘浓度预测方法和*** |
CN115310361B (zh) * | 2022-08-16 | 2023-09-15 | 中国矿业大学 | 基于wgan-cnn煤矿井下粉尘浓度预测方法和*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783545A (zh) | 一种基于生成对抗网络的煤矿无人机图像增强方法 | |
CN112288658B (zh) | 一种基于多残差联合学习的水下图像增强方法 | |
CN108108746B (zh) | 基于Caffe深度学习框架的车牌字符识别方法 | |
CN107529650B (zh) | 闭环检测方法、装置及计算机设备 | |
CN110348475B (zh) | 一种基于空间变换的对抗样本增强方法和模型 | |
CN111126412B (zh) | 基于特征金字塔网络的图像关键点检测方法 | |
CN109509156B (zh) | 一种基于生成对抗模型的图像去雾处理方法 | |
CN111783551B (zh) | 基于贝叶斯卷积神经网络的对抗样本防御方法 | |
CN110222604B (zh) | 基于共享卷积神经网络的目标识别方法和装置 | |
CN112668522B (zh) | 一种人体关键点与人体掩码联合检测网络及方法 | |
CN110136162B (zh) | 无人机视角遥感目标跟踪方法及装置 | |
CN110097522B (zh) | 一种基于多尺度卷积神经网络的单幅户外图像去雾方法 | |
CN111241924B (zh) | 基于尺度估计的人脸检测及对齐方法、装置、存储介质 | |
CN111860414A (zh) | 一种基于多特征融合检测Deepfake视频方法 | |
CN108734677B (zh) | 一种基于深度学习的盲去模糊方法及*** | |
CN112766062B (zh) | 一种基于双流深度神经网络的人体行为识别方法 | |
CN112766315A (zh) | 一种用于测试人工智能模型鲁棒性的方法和*** | |
Phan et al. | Adversarial imaging pipelines | |
CN116524183A (zh) | 一种基于多任务适配器微调的伪装目标检测方法 | |
CN112215766B (zh) | 一种图像复原与图像增强相融合的图像去雾方法及其卷积网络 | |
CN114021704A (zh) | 一种ai神经网络模型的训练方法及相关装置 | |
CN110136164B (zh) | 基于在线透射变换、低秩稀疏矩阵分解去除动态背景的方法 | |
CN109493279B (zh) | 一种大规模无人机图像并行拼接方法 | |
CN116612355A (zh) | 人脸伪造识别模型训练方法和装置、人脸识别方法和装置 | |
CN116188930A (zh) | 一种基于融合事件相机的场景识别方法及*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |