Jove
Visualize
联系我们
JoVE
x logofacebook logolinkedin logoyoutube logo
关于 JoVE
概览领导团队博客JoVE 帮助中心
作者
出版流程编辑委员会范围与政策同行评审常见问题投稿
图书馆员
用户评价订阅访问资源图书馆顾问委员会常见问题
研究
JoVE JournalMethods CollectionsJoVE Encyclopedia of Experiments存档
教育
JoVE CoreJoVE BusinessJoVE Science EducationJoVE Lab Manual教师资源中心教师网站
使用条款与条件
隐私政策
政策

相关概念视频

您也可能阅读

相关文章

通过共同作者、期刊和引用图与本文相关的文章。

排序
Same author

A Study of Defect Detection Techniques for Metallographic Images.

Sensors (Basel, Switzerland)·2020
Same journal

Neuroimaging in schizophrenia: From group-average abnormalities to individualised circuit models.

Science progress·2026
Same journal

Clinical and mechanistic effects of GLP-1 receptor agonists in hidradenitis suppurativa and comorbidities.

Science progress·2026
Same journal

Association between serum albumin-to-globulin ratio and diabetic retinopathy: A cross-sectional study based on the 2001-2020 NHANES database.

Science progress·2026
Same journal

Prognostic value of the triglyceride-glucose index combined with glycemic variability for all-cause mortality in patients with sepsis: A retrospective cohort study.

Science progress·2026
Same journal

Asynchronous federated learning with partial weights aggregation for energy consumption forecasting.

Science progress·2026
Same journal

Prediction of laser welding molten pool light intensity distribution based on an artificial neural network.

Science progress·2026
查看所有相关文章

相关实验视频

Updated: Jul 2, 2025

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

537

通过使用扩展卷积的多尺度修改U-Net进行图像消除模糊.

Xiao-Pei Shi1, Song-Yih Lin2, Min-Lang Yang3

  • 1School of Foreign Studies, Shaoguan University, Guangdong, China.

Science progress
|February 24, 2024
PubMed
概括
此摘要是机器生成的。

本研究介绍了一种多尺度的U-Net深度学习模型,用于消除动作模糊的交通图像的模糊. 增强的网络有效地恢复了清晰的图像,改善了城市交通系统中的车辆识别.

关键词:
这就是U-Net.盲人消除模糊的方法扩张的卷积扩张的卷积.运动模糊模糊模糊多个尺度的多个尺度.

更多相关视频

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

2.8K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

401

相关实验视频

Last Updated: Jul 2, 2025

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications
03:31

Author Spotlight: Enhancement of Salient Object Detection for Smart Grid Applications

Published on: December 15, 2023

537
Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography
04:48

Application of Deep Learning-Based Medical Image Segmentation via Orbital Computed Tomography

Published on: November 30, 2022

2.8K
Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique
04:48

Swin-PSAxialNet: An Efficient Multi-Organ Segmentation Technique

Published on: July 5, 2024

401

科学领域:

  • 计算机视觉 计算机视觉
  • 深度学习 (Deep Learning) 是一种深度学习.
  • 图像处理 图像处理

背景情况:

  • 城市交通监控系统依赖于车牌识别,常常因快速行驶的车辆的运动模糊而受到阻碍.
  • 深度学习为图像消除模糊提供了潜力,以增强汽车信息提取.

研究的目的:

  • 开发一种有效的深度学习方法来消除动态运动模糊图像的模糊.
  • 提高城市交通监控中的车辆识别率.

主要方法:

  • 提出了一个多尺度修改的U-Net网络,采用扩展卷积.
  • 实施了可变缩放的代策略,以适应现实世界的模糊图像.
  • 利用多尺度架构和扩展卷积来增强特征学习和受感领域,而不会增加计算成本.

主要成果:

  • 拟议的方法在合成和真实运动模糊图像数据集上都表现出了有利的消除模糊效应.
  • 实验性比较显示了新的除技术对现有方法的有效性.

结论:

  • 扩展卷积的多尺度修改U-Net是一种有效的解决方案,用于在交通监控中消除运动模糊图像的模糊.
  • 拟议的方法提高了图像质量,从而提高了车辆信息检索和识别精度.