2013_ICCV_Efficient Image Dehazing with Boundary Constraint and Contextual Regularization
2014-02-19 19:55
344 查看
算法步骤:
step 1: 估计大气光A
本算法是通过对有雾图像的每个颜色通道进行局部最小值滤波,得到三个暗通道图像,然后把每个暗通道图像中的最大值作为大气光值A的相应通道的灰度值。
step 2: 边界约束
step 3: 邻域约束
step 4: 根据分离变量的方法来解目标函数并得到透射率t
step 5: 去雾
正则化大概有两个功能:
1,从模型修正上看,起了一个trade-off作用,用于平衡学习过程中两个基本量,名字诸如bias-variance、拟合能力-泛化能力、损失函数-推广能力、经验风险-结构风险等等;
2,从模型求解上看,正则化提供了一种唯一解的可能,众所周知,光用最小二乘拟合可能出现无数组解,加个L1或L2正则化项能有唯一解。
什么是损失,什么是正则;什么是L1,什么是L2。一会儿是L1正则,一会儿是L2损失。总结:L1或者L2就是某种范数(线性代数和矩阵的基本概念),既可以用于损失又可以用于正则化参数。损失是衡量预测值和真实值的差异,正则是控制所求参数的量级。
Meng的官网
L1-norm Regularization
深入理解拉格朗日乘子法(Lagrange Multiplier) 和KKT条件
Lagrange Multiplier Method
Variable Splitting(变量分裂)
机器学习讲座总结-北航-互联网应用下的大规模在线学习算法(四)-为什么要正则化
病态问题
香港中文大学_去模糊
正则化代码
step 1: 估计大气光A
本算法是通过对有雾图像的每个颜色通道进行局部最小值滤波,得到三个暗通道图像,然后把每个暗通道图像中的最大值作为大气光值A的相应通道的灰度值。
step 2: 边界约束
step 3: 邻域约束
step 4: 根据分离变量的方法来解目标函数并得到透射率t
step 5: 去雾
正则化大概有两个功能:
1,从模型修正上看,起了一个trade-off作用,用于平衡学习过程中两个基本量,名字诸如bias-variance、拟合能力-泛化能力、损失函数-推广能力、经验风险-结构风险等等;
2,从模型求解上看,正则化提供了一种唯一解的可能,众所周知,光用最小二乘拟合可能出现无数组解,加个L1或L2正则化项能有唯一解。
什么是损失,什么是正则;什么是L1,什么是L2。一会儿是L1正则,一会儿是L2损失。总结:L1或者L2就是某种范数(线性代数和矩阵的基本概念),既可以用于损失又可以用于正则化参数。损失是衡量预测值和真实值的差异,正则是控制所求参数的量级。
Meng的官网
L1-norm Regularization
深入理解拉格朗日乘子法(Lagrange Multiplier) 和KKT条件
Lagrange Multiplier Method
Variable Splitting(变量分裂)
机器学习讲座总结-北航-互联网应用下的大规模在线学习算法(四)-为什么要正则化
病态问题
香港中文大学_去模糊
正则化代码
相关文章推荐
- 深度学习入门笔记:Fast Image Search with Deep Convolutional Neural Networks and Efficient Hashing Codes
- (原)Show, Attend and Translate: Unsupervised Image Translation with Self-Regularization and Attention
- Image Reflection with jQuery and MooTools Example实现图片半透明渐变倒影效果
- ICCV Tutorial on Sparse Coding and Dictionary Learning for Image Analysis
- Efficient Salient Region Detection with Soft Image Abstraction笔记
- Show, Attend and Tell: Neural Image Caption Generation with Visual Attention
- Bit-Scalable Deep Hashing with Regularized Similarity Learning for Image Retrieval and Person Re-ide
- 《Close the Loop: Joint Blind Image Restoration and Recognition with Sparse Representation Prior》阅读笔记
- 论文笔记 A Large Contextual Dataset for Classification,Detection and Counting of Cars with Deep Learning
- Learning Spatial Regularization with Image-level Supervisions for Multi-label Image Classification
- FollowMe: Efficient Online Min-Cost Flow Tracking with Bounded Memory and Computation
- Image Processing for Dummies with C# and GDI+ Part 3 - Edge Detection Filters
- (转)Image Segmentation with Tensorflow using CNNs and Conditional Random Fields
- 论文阅读理解 - Semantic Image Segmentation With Deep Convolutional Nets and Fully Connected CRFs
- [Yii Framework] How to develop an extension with image, css and js
- READING NOTE: Learning Spatial Regularization with Image-level Supervisions for Multi-label ...
- [Java FX 2] Stage with rounded corners and background image
- Image Processing for Dummies with C# and GDI+ Part 2 - Convolution Filters
- Problem with WinRM on Exchange 2013 Management Shell and Exchange Toolbox on a new exchange 2013 with CAFE and BE on single server installation
- Classification with an edge: Improving semantic image segmentation with boundary detection