相关实验视频
Updated: Jan 14, 2026
10:56
Long-term Behavioral Tracking of Freely Swimming Weakly Electric Fish
Published on: March 6, 2014
13.0K
LAMSNN:可学习的自适应调制用于在水下图像增强网络中抑制工件
Jinxin Shao1, Haosu Zhang2, Jianming Miao2
1School of Ocean Engineering and Technology, Sun Yat-sen University, Tangqi Road, Xiangzhou District, Zhuhai, 519000, Guangdong, China; College of Information Technology, Eastern Liaoning University, No. 325 Wenhua Road, Yuanbao District, Dandong, 118000, Liaoning, China.
概括
本研究介绍了LAMSNN,这是一个新的框架,可以通过使用尖端神经网络 (SNN) 提高水下图像质量. LAMSNN有效地减少了文物,改善了SNN在海洋应用中的性能.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 神经网络的神经网络的神经网络
背景情况:
- 水下图像增强 (UIE) 对海洋应用至关重要,但面临着光学退化带来的挑战.
- 尖端神经网络 (SNN) 为IEU提供了能源效率,但在生成任务中遭受了文物和性能差距.
研究的目的:
- 引入LAMSNN (尖端神经网络可学习适应调制),这是一个新的框架,以提高基于SNN的UIE质量.
- 为了抑制尖端诱导的文物,并提高SNNs在生成IE任务中的有效性.
主要方法:
- 开发了LAMSNN,具有可学习的自适应调制策略,与直接输出预测有所不同.
- 实现了自适应输入调制 (AIM),使用网络衍生特征 (K,B) 进行亲属转换.
- 在AIM中集成的动态Tanh (DyT) 通过可学习的缩放因子 (α) 进行自适应控制.
主要成果:
- LAMSNN显著减少了UIE中的尖端诱导的文物.
- 与最先进的人工神经网络 (ANN) 方法相比,实现了具有竞争力的图像增强质量.
- 保持了SNN固有的计算优势.
结论:
- 通过抑制文物,LAMSNN有效地提高了基于SNN的UIE质量.
- 适应式调制策略显示出在生成视觉中增强SNN能力的巨大潜力.
- 该框架证明了SNN对于高质量的IEU的可行性,与传统的ANN竞争.