Infrared and Visible Image Fusion using a Deep Learning Framework解析
摘要
提出的方法首先讲图像分解为基础部分和细节内容,基础部分加权平均融合,细节内容使用深度学习网络提取多层特征。然后使用l1范数和加权平均策略生成多个候选的融合的细节内容。然后使用最大选择策略生成融合的细节内容。最后,用基础部分和融合内容生成最终的融合图像。代码地址:https://github.com/hli1221/imagefusion deeplearning
1.引言
还是同样的配方,说一下过去的几去融合的常用方法,然后引出作者提出的方法。
作者的方法是用加权平均融合基础部分。细节内容是先用神经网络提取多层特征,然后对于每一层特征使用softmax操作获得权重图,然后可以得到一幅融合的细节内容。在多层特征上都用这个,就可以获得多个融合的细节内容,然后用最大选择策略就能选取一幅最好的融合细节内容,然后把细节与基础部分放一起就能重构最终的融合图。
2.深度学习框架的风格迁移
先讲了风格迁移从单张图单个风格到多张图单个风格再到多张图多种风格的转换。然后引出多层特征的概念,这里用到了VGG19的特征。
3.提出的融合方法
源图表示为,将源图分解为
和
,代表基础与细节部分。基础部分由以下优化问题获得:
分别表示水平和垂直的梯度操作。 本文λ=5。
细节内容如下式:
本文提出的融合框架如图1:
A基础部分的融合
基础部分的融合如式:
论文中的都为0.5。
B细节内容的融合
细节的融合如图2:
设表示第k张细节内容图被VGG19的第i层提取的特征,m表示特征图的通道数。
表示VGG网络的一个层,i为1到4,分别表示relu_1_1,relu_2_1,relu_3_1,relu_4_1。
代表
在位置
处的,它是M维向量。策略的流程如图3:
这个策略之气遇到过,直接看公式就知道怎么算了:
本文的r=1。然后
由于文中由多层特征,而每层特征的尺寸是不一样的,所以计算出来的的尺寸也不一样,所以要上采样到输入细节内容图的大小,变成
:
因为采取了四层特征,最终会形成四对
对于每对权重,初始融合图如下计算:
而最终融合图如下,对于式子的max操作,不知道是什么意思:
C重构
D提出方法的总结
1.分解为基础与细节部分
2.基础部分加权平均融合
3.细节部分多层融合策略融合
4.直接相加重构
Infrared and Visible Image Fusion using a Deep Learning Framework解析相关推荐
- 【读论文】DIVFusion: Darkness-free infrared and visible image fusion
[读论文]DIVFusion: Darkness-free infrared and visible image fusion 介绍 网络结构 SIDNet 损失函数 TCEFNet GRM(梯度保持 ...
- 【读论文】Self-supervised feature adaption for infrared and visible image fusion
Self-supervised feature adaption for infrared and visible image fusion 介绍 小知识 常用的两类用于图像融合的神经网络架构 红外融 ...
- An infrared and visible image fusion algorithm based on ResNet‑152
An infrared and visible image fusion algorithm based on ResNet‑152 学习笔记 文章日期2021.9 摘要: 经过红外线和可见光融合的图 ...
- Infrared and visible image fusion using total variation model(采用全变差模型的红外与可见光图像的融合)
由于研究需要,在非专业学习的基础上对<Infrared and visible image fusion using total variation model>进行了翻译,有翻译不对之处 ...
- 2021.11.02--Estimating motorway traffic states with data fusion and physics-informed deep learning
Estimating motorway traffic states with data fusion and physics-informed deep learning 摘要 交通状况估计是交通工程 ...
- 1.3读论文笔记:M. Raissi a等人的Physics-informed neural networks:A deep learning framework for solving forw..
Physics-informed neural networks: A deep learning framework for solving forward and inverse problems ...
- 【论文导读】- E-LSTM-D: A Deep Learning Framework for Dynamic Network Link Prediction(动态网络链接预测)
文章目录 论文信息 摘要 论文贡献 问题定义 动态网络 动态网络链接预测 E-LSTM-D 框架 Encoder–Decoder结构 1. 编码器(Encoder) 2. 解码器(Decoder) 堆 ...
- Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic
IJCAI 2018,大体思路:使用Kipf & Welling 2017的近似谱图卷积得到的图卷积作为空间上的卷积操作,时间上使用一维卷积对所有顶点进行卷积,两者交替进行,组成了时空卷积块, ...
- DeepGBM: A Deep Learning Framework Distilled by GBDT for Online Prediction Tasks
DeepGBM: A Deep Learning Framework Distilled by GBDT for Online Prediction Tasks 论文链接:https://dl.acm ...
最新文章
- 安装Ubuntu时,遇到自定义交换空间swap大小设置问题
- mathematica在linux上运行,Mathematicamatlab的linux版的安装
- 填坑-十万个为什么?(13)
- MyBatis总结七:动态sql和sql片段
- 计算机三四级网络技术,全国计算机等级考试四级网络技术论述题真题3
- linux下利用nohup后台运行jar文件包程序
- Activiti 学习笔记记录(2016-8-31)
- 一个简单的DDraw应用程序2
- 为VS2010添加背景图
- java jmail_jmail和javamail的区别
- JS将阿拉伯数字翻译成中文的大写数字、JS将数字转换为大写金额(整理)
- signature=eccf62e7a0495066ee494ebfc791f8cc,测试帖,勿进
- 第三方支付线上产品分析
- python怎么算二元一次方程_用python解决高数所有计算题--sympy求解极限、积分、微分、二元一次方程等...
- 3D格式转换工具HOOPS Exchange最全技术指南(三):4大功能特征与典型使用场景
- Oracle表中序列号的添加
- 爬取6.6w+豆瓣电影之后,分析他们的故事
- C/C++ 算法分析与设计:递归(年龄问题)
- 南核目录2020pdf_最新版CSSCI来源期刊目录及增减变化!
- 报错解决:form表单提交存入数据库出现中文乱码
热门文章
- Vue - 本地上传 Excel 文件页面表格预览(配合 ElementUI / 带分页)
- 在线播放音乐AVPlayer的使用
- MATLAB解决工业机器人建模笔记——atan2函数MATLAB实现
- [乐意黎原创]PHP启用session后抛 session_start(): open(/var/lib/php/session/sess_... 的解决办法
- easyui 复选框 onClickRow事件与onSelect事件与onCheck事件
- 笔记本卡顿不流畅是什么原因_简单解决电脑不流畅经常卡顿问题,非常有用快点看看...
- dell服务器安装系统不识别键鼠,戴尔电脑八代CPU装win7鼠标键盘不能用|win10改win7鼠标键盘用不了...
- eNSP第二篇:Eth-trunk,链路聚合,常用命令,二层链路聚合和三层链路聚合
- Linux的Vim文本编辑器
- linux 移除、加载SATA盘