2109 тюнинг фото: Запрашиваемая страница не найдена! | Тюнинг-Дизайн


0
Categories : Разное

Содержание

Коричневое с черным – можно: тюнинг ВАЗ-2109

Коричневое с черным сочетать в костюме нельзя, говорят нам стереотипы. Но ведь и сажать резину на диск «домиком» тоже нельзя – но если бы так не стали делать, стиль stance просто не сформировался бы. А если бы Алексей не соединил стэнс, строгий черный кузов и благородно-коричневый салон, перед нашими глазами не предстала бы эта «девятка».

Замысел

Этот ВАЗ-2109 1988 года выпуска – первый автомобиль Алексея, реэкспортный хэтчбек изначально красного цвета, слегка облагороженный дилерскими «допами». Например, на автомобиле еще тогда, в конце восьмидесятых, были установлены очистители фар, пепельница для задних пассажиров и коробка передач с нестандартной главной парой. По сути, дальнейшая концепция доработок, возникшая на много лет позже, стала продолжением этих мелочей. Целью Алексея было занижение по канонам стэнса, сохранение стокового кузова, но добавление в автомобиль редких дилерских опций, интересных колес и доработка салона с использованием более качественных материалов.

Снаружи

Редкие и интересные «допы» выискивать в образе не приходится. Конечно, первым бросается в глаза тот факт, что «девятка» радикально занижена, но затем взгляд цепляется за нестандартные детали. Прежде всего это оригинальная передняя оптика Hella Morette – объект воздыханий для многих, кто дорабатывает Самары. Двигаясь вдоль борта, далее отмечаешь зеркала Hagus, верхний спойлер и спойлер на крышку багажника фирмы Pheba.

Также из зарубежных дилерских опций можно заметить габариты в бамперах, которые устанавливались дилерами для американского и канадского рынка. На переднем бампере установлена «губа» – но уже не олдскульная, а новодельная, собственного изготовления. Ну а стоит автомобиль на колесных дисках Bridgestone TR-S 1981 года (которые были расширены до 8,5 дюймов спереди и 9 дюймов сзади) с шинами Continental ContiSportContact размерности 195/40 R14.

Кузов, с завода бывший красным, перекрашен в черный цвет.

Техника

LADA Samara довольно сложно поддается занижению, особенно в передней части. Для этого приходмтся резать, переваривать и дорабатывать многие элементы, без чего не обошлось и здесь. В итоге для комфортного передвижения на столь низком автомобиле двигатель поднят на 8 сантиметров, так как на Самарах он изначально расположен очень низко и даже при небольшом занижении уже доставляет проблемы. «Лифт» двигателя выполнен за счет новых нестандартных опор.

Кроме того, пришлось поднять все крепления подвески, убрать стабилизатор, усилить оба лонжерона, изменить форму внутренних арок сзади, поставить проставки под шаровые и выполнить множество других, более мелких доработок. Для спокойствия установлена более прочная самодельная защита двигателя. Сам мотор оставлен стандартный 1,3-литровый, даже поршневая осталась нетронутой. А вот выпуск немного изменен: установлен «паук» 4-2-1 и прямоточный выхлоп на 51-й трубе, но со стоковым глушителем.

Стойки сделаны на заказ: они дают занижение в 140 мм. И да, здесь применены именно обычные короткие стойки, подвеска собрана без «винтов». Развал теперь составляет минус 6 градусов на передней оси и минус 7 градусов на задней. Финальные работы по подвеске включали в себя выставление хорошего фитмента (положения колеса относительно арки).

Внутри

Салон «девятки» должен был сохранить заводской вид, но приобрести «налет роскоши». Коричневый тон для этого оказался как нельзя кстати, особенно в сочетании с деревом, которого сюда добавили изрядно. Но для начала была выполнена полная шумоизоляция.

На эту «основу» Алексей начал добавлять как новые элементы, так и старые, но получившие новое воплощение. К примеру, спереди появились полуковши Recaro, а задний диван позаимствован от Honda. Все это перешито в кожу – как и накладка торпедо, и вставки в карты дверей. В потолке установлены дилерские часы. Деревянные акценты включают в себя руль Momo Futura, быстросъемный японский переходник для руля, деревянную ручку рычага КП Porsche и особенный фетиш Алексея – специально изготовленные деревянные ручки открывания дверей и насадку на ручник.

Из не бросающегося в глаза можно отметить солнцезащитные козырьки с зеркалами и подсветкой от Мерседеса Е-класса. Как мы помним, идеей было собрать автомобиль на родных запчастях и дилерских допах, но эти козырьки оказались практически полностью аналогичны стоку по форме и размеру – пришлось только сделать проводку и новые крепления.

Багажник, разумеется, не остался пустым: здесь собрана вполне типовая инсталляция – пара больших трехполосных динамиков, сабвуфер и пара усилителей, а также фальшпол из ламината.

Эксплуатация

Изначально это был автомобиль на каждый день. В какой-то момент жизни даже рабочий. Но сейчас «девятка», конечно, стала машиной выходного дня. На ней Алексей в основном путешествует по различным стенс-мероприятиям, а по городу передвигается крайне редко. Причина вполне прозрачна: это занижение, в целом машина пребывает в отличном техническом состоянии и без проблем преодолевает большие расстояния собственным ходом. Зимой автомобиль не эксплуатируется.

Планы

Тюнинг, как известно, не заканчивается, а лишь приостанавливается. Но соображения по установке новых заводских опций еще есть: в частности, в планах найти родной кондиционер.

Кроме того, будут и общие доработки: к примеру, изменение элементов салона, установка люка, шейвинг подкапотного пространства. Планов и идей много, но для реализации остаются самые интересные. Так что после межсезонья девятка непременно удивит тусовку чем-то новым.

Берегите глаза: Подборка фото «колхозного» автотюнинга — 13

В сегодняшнем выпуске нелепого автотюнинга вы увидите ВАЗ-2109 с задней частью от Audi Q7, ВАЗ-2104 любителя фильмов «Форсаж», тюнинг монетками, огромные выхлопные трубы на ВАЗ-2106 и многое другое. Не забывайте посмотреть предыдущую часть, если вы её по какой-то причине пропустили.

Пример беспощадного российского тюнинга. ВАЗ-2109 получил элементы задней части от Audi Q7. В частности, фонари и часть бампера явно позаимствованы у этого кроссовера. Результат не просто ужасный, он отвратительный. Как и сама идея, собственно…

Попытка превращение заднеприводных «Жигулей» в спортивный автомобиль в 99% случаев обречены на провал, особенно, когда у вас недостаточно бюджета для покупки дорогих импортных деталей. Но подобные проекты, созданные «на коленке» продолжают появляться в огромных количествах.

Вы только посмотрите на него. Парень явно потратил много времени, чтобы сделать уникальный обвес своими руками и превратить седан в купе. Особенно забавляет задняя часть с расширенными колесными арками, отсутствием бамперов и выхлопной трубы.

Владелец этого ВАЗ-2108 долго думал, куда же ему деть коллекцию старых монет. И не нашел ничего лучше, как обклеить ими кузов автомобиля. Странное и совершенно безумное решение, которое заставляет усомниться в адекватности автолюбителя.

А как вам такая «четверочка»? Владелец, видимо, боготворит Пола Уокера и каждый раз пересматривает фильмы «Форсаж» перед сном. Иначе что еще могло его заставить установить ламбо-двери и странный обвес на старенький универсал?

Вы вообще узнаете ВАЗ-2109 в столь суровом самодельном обвесе? Да, кто-то явно очень сильно заморочился, чтобы его автомобиль превратился в космолет. Особенно поражает передняя часть со странным нагромождением элементов на капоте.

Это Skoda Fabia с кузовом универсал. И нет, она не сгорела в пожаре. Это просто тюнинг такой. Немного недоделанный еще. Владелец автомобиля решил полностью переделать внешность автомобиля и использовал для этого картон и что-то вроде шпаклевки.

Сколько автомобилей вы насчитаете в этом Франкенштейне на колесах? Передняя часть — от «Нивы», задняя — от ВАЗ-2106. Крышу удлинили с помощью части крышной панели еще от одних «Жигулей»! В итоге получилось какое-то странное безумие, которое даже если покрасить в один цвет будет выглядеть ужасно.

Иногда нужно вовремя остановиться, чтобы тебя не посчитали психом. Вы только посмотрите, какие огромные выхлопные трубы установил владелец этого ВАЗ-2106. Из чего он их сделал, из ведер?

Тюнинг автомобилей Peugeot — всегда спорное решение. Автомобили получаются странными и неуклюжими. Вы можете убедиться в этом сами, посмотрев на этот Peugeot 407 в черно-красных тонах. Он получил стандартные тюнинг опции, но стал выглядеть, как шут гороховый.

Кто-то решил превратить прекрасный кабриолет Jaguar XK в Cadillac 60-х годов. Автомобиль получил пару массивных плавников, которые ставились на Кадиллаки того времени. Результат? То ли Бэтмобиль, то ли полная нелепость.

Вы же все наслышаны о полнейшем безвкусии владельцев автомобилей Honda, когда дело касается тюнинга? Вы только посмотрите, что сделал со своей машиной этот парнишка. Что за фигню он приспособил на крышу?

Как бы грустно на ни было, но это — Ferrari, который получил совершенно нелепый тюнинг. Неужели внешность итальянского суперкара кому-то могла показаться слишком скучной, чтобы превратить его в подобную мерзость с торчащими плавниками и выступающими крыльями?

Подпишись на наш Telegram-канал

★ Фото ваз 2109 тюнинг | Информация

Пользователи также искали:

своими руками в домашних условиях, двигателя, бпан, обои на телефон, на рабочий стол, обои на айфон, тюнинг ваз 2109, фото ваз 21099, тюнинг ваз 2109 своими руками в домашних условиях, ваз 2109 тюнинг двигателя, фото ваз 2109 бпан, ваз 2109 обои на телефон, ваз 2109 фото на рабочий стол, ваз 2109 обои на айфон, картинки по запросу, ваз 2109 тюнинг, ваз 2109, тюнинга, тюнинг 2109, фото тюнинга ваз 2109, тюнинг ваз, ваз 2109 тюнинг фото, фото тюнинга ваз, тюнинг, фото тюнинг 2109, фото тюнинга, ваз, фото, фотографии, тюнинг ваз тюнинг,

Сервис объявлений OLX: сайт объявлений в Украине

Без фото

Кривой Рог, Центрально-Городской

Сегодня 03:25

1 450 грн.

Договорная

Черновцы Сегодня 03:23

Попасная Сегодня 03:23

Продам Lg spirit

Телефоны и аксессуары » Мобильные телефоны / смартфоны

550 грн.

Договорная

Константиновка Сегодня 03:22

Киев, Шевченковский Сегодня 03:22

Чернигов Сегодня 03:22

iPhone 12 64 gb black

Телефоны и аксессуары » Мобильные телефоны / смартфоны

25 000 грн.

Договорная

Киев, Дарницкий Сегодня 03:22

Мариуполь Сегодня 03:21

Без фото

Бухгалтер

Бизнес и услуги » Финансовые услуги / партнерство

Белая Церковь Сегодня 03:21

Тюнинг для автомобиля ВАЗ 2109 — Рамблер/авто

В случае с автомобилем ВАЗ 2109 тюнинг является одним из главных способов его совершенствования. Хоть история автомобиля ВАЗ 2109 длится уже не одно десятилетие, эта машина по сей день считается очень неплохим образцом и одной из наиболее тюнингуемых марок, собранных на данном автомобильном заводе.

1 Главные причины популярности данной марки

Главные факторы такой популярности — это легкость в обслуживании, дешевизна и своеобразная актуальность данной модели автомобиля, ведь очень просто тюнинг ВАЗ 2109 своими руками.

Есть три главных этапа совершенствования автомобиля. Первым делом можно взяться за ходовые характеристики автомобиля, в том числе начать с тормозных колодок, подвески, а уже затем приступить к совершенствованию трансмиссии и двигательных элементов, включая систему подачи топлива и другие механизмы.

Автомобиль ВАЗ 2109Рекомендуем ознакомиться

Тюнинг салона Лада Калина — чудесное превращение «серой мышки»

Ремонт брелков автосигнализации — все просто

Автосигнализация с автозапуском — последнее слово в мире противоугонных систем

Видеорегистратор Advocam — надежный помощник в пути!

Устанавливаем расширители арок на «Ниву Шевроле» своими руками

Следующим этапом развития автомобиля может стать установка новейших светодиодных фар (включая и те, что крепятся сзади), буферных конструкций в задней и передней части кузова, эксперименты с капотом для увеличения аэродинамических свойств автомобиля и придания оригинальности его экстерьеру.

В последнюю очередь проводится тюнинг внутренней отделки салона машины. В случае проведения всех трех этапов тюнинга можно достичь главного результата: оригинального, мощного и экономичного автомобиля. Перед тем как осуществлять данные этапы, можно просмотреть для ВАЗ 2109 фото с уже сделанным тюнингом.

2 Тюнинг внутренней отделки автомобиля

Чуть ли не самой важной частью внутренней отделки в салоне автомобиля считается его передняя часть, где расположена приборная панель. Панели приборов на различных модификациях ВАЗ похожи, однако на модель 2109 возможно установить не только те запчасти и приборы, которые рекомендованы к использованию на ВАЗ 2109. При этом стоит помнить, что от правильного установления панели приборов зависит хорошая работа печки и других элементов. Тюнинг салона ВАЗ 2109 — это весьма ответственное мероприятие, но тем не менее его можно совершить своими руками, не прибегая к помощи специалистов.

Новая приборная панель

Еще одна важная часть отделки салона машины — это обивка внутреннего интерьера. Для нее можно использовать различные материалы, в том числе кожу и дерево.

Следует сказать, что заводской вариант обивки не обладает эстетической привлекательностью, кроме того, он за весьма короткое время приходит в негодность. Сделать салон уютным можно своими руками, выбрав оттенок, фактуру и тип материала обивки в соответствии со своими вкусами и желаниями. Тюнинг салона проводится чаще всего летом, чтобы избежать перепадов температуры.

3 Крепление элементов обшивки салона

Чтобы прикрепить элементы обивки друг к другу, можно применять обыкновенный клей на основе хлоропренового каучука или специальный клеящий состав в виде аэрозоля, а для фиксации пластмассовых фрагментов — однокомпонентные герметики. Чтобы закрепить материалы правильным образом и не оставить вмятин и складок, можно успешно применять генератор раскаленного пара.

При использовании парогенератора материал станет более пластичным и гибким, что увеличит шанс правильной усадки. Следует закрепить карпетный материал по краю в продольном разрезе обивки, а потом применить паровой генератор — он позволит правильно приклеить эту часть материала. После этого необходимо оставить его до полного высыхания, а когда это произойдет, останется приклеить целиком весь кусок. Это можно сделать самостоятельно.

Крепление карпетного материалаПри этом необходимо помнить о том, что карпет — весьма недолговечный материал, он потеряет презентабельный внешний вид буквально через один — два года из-за катышков. Как раз из-за этого специалисты советуют использовать более современные материалы.

Для тюнинг верхней части салона понадобится совершить следующие действия:

Убрать прошлый потолок, до этого нужно снять пластиковые украшения на стойках, рукоятки, крышки, кнопки и светодиоды.

Намазать потолок специальным клеящим раствором, подождать примерно четверть часа и намазать опять. После этого нужно прижать карпетный материал сверху и по бокам.

Данная конструкция должна быть заклеена по всей плоскости. Ее нужно оставить сохнуть, скрепив временными зажимами.

После того как пройдет 1 день, можно начать вырезать нужные для установки дополнительного оборудования отверстия.

4 Тюнинг экстерьера автомобиля

Кузов — это наиболее заметная часть автомобиля. Его необычный внешний вид притягивает внимание других водителей и пешеходов. Самый обыкновенный тюнинг кузова — это монтирование аэродинамических обтекателей на авто. Такое улучшение является сравнительно недорогим и безвредным тюнингом, который ни в коем случае не ухудшит характеристики авто, в отличие от «глубокого» тюнинга. Если есть желание поменять расцветку кузова, то необходимо обязательно помнить о том, что эту процедуру надо будет отметить в соответствующих органах государственной регистрации.

Аэродинамические обтекатели автоНекоторые автомобилисты опасаются проводить такие манипуляции с оттенком своей машины, но, как показывает практика, тут нет ничего сложного. Классический цвет белый ВАЗ 2109 будет выглядеть весьма привлекательно с эстетической точки зрения, но действительно оригинальным кузов сделает его покраска в вишнево-золотистый цвет. Нельзя забывать, что при покраске возникнут новые сложности: масштаб проводимых работ, высокая цена краски и невозможность последующей полировки. После покраски можно установить под обтекатели подсветку на основе неона.

5 Тюнинг двигателя ВАЗ 2109

Прежде чем начать процесс тюнинг двигателя, специалисты советуют провести регулировку или тюнинг тормозных колодок и трансмиссии.

Уже затем можно начинать работы в самой сложной части автомобиля — в двигателе. Тюнинг ВАЗ 21099, ВАЗ 2109 и прочих похожих модификаций ВАЗ в этой части авто выглядит одинаково, поскольку все эти машины, как правило, имеют двигатель ВАЗ 21083. Самый большой объем, которого можно добиться при тюнинг данной модели двигателя, составляет 1,6 литра. Если увеличить данный показатель хотя бы до 1,7, то двигатель может перегреться и даже воспламениться.

Тюнинг двигателя ВАЗ 21099При совершенствовании двигателя существует возможность вставки коленчатого вала с облегченной конструкцией, специальных кованых оригинальных поршней с молибденовым или хромированным напылением, а также облегченных поршневых осей с особыми геометрическими насечками. Крышка блока цилиндров может быть заменена на подобную, взятую от другого подходящего авто.

Также есть возможность поставить 16-клапанную крышку блока цилиндров. Специалисты также советуют сменить клапаны на более легкие и установить распределяющий вал с обработкой входящих и исходящих потоков.

Заводские опоры двигателя можно сменить на такие же, но с увеличенной мощностью. После таких манипуляций можно увеличить наибольшую скорость автомобиля до 190 километров в час и сделать машину мощнее, получив показатель сверх имеющегося вплоть до 100 л. с.

Тюнинг карбюратора является одним из важнейших процессов при улучшении характеристик автомобиля.

Перед данным процессом нужно вытащить карбюратор из автомобиля. После этого необходимо вычистить карбюратор от грязевого и пылевого налета (это важно, поскольку загрязнение может оказаться в топливных скважинах или камерах). Верхушку карбюратора надо отделить от дна и удалить потеки бензина из смесительной камеры (с помощью клизмы или шприца), а на финишном этапе подготовки вычистить все части карбюратора от пыли. На этом завершается самая важная часть работ, обеспечивающих полный тюнинг 2109.

Читайте НАС ВКонтакте

Тюнинг карбюратора ВАЗ 2109 | Мир Автомобилей


Для чего нужно делать тюнинг карбюратора ВАЗ 2109? Ответ очевиден — для увеличения мощности и динамики. Конечно лучше при этом предварительно доработать силовой агрегат ваз 2109, улучшить систему питания и зажигания автомобиля. Однако, если денег на это нет и при этом у вас «пожилой» Ваз 2109 а хочется показать, что вы не последний номер на дороге. Остается только доработка карбюратора.

 

Сначала удаляем пружину, находящуюся в вакуумном приводе дроссельной заслонки второй камеры, это займет совсем немного времени. Вы можете сразу почувствовать прибавление динамики, при этом расход двигателя должен повысится всего лишь на 0,5 литра на 100 км пробега. Еще один способ тюнинга карбюратора ВАЗ 2109 — переделать вакуумный привод дроссельной заслонки второй камеры в механический. Выполняется это достаточно просто: вам нужно взять небольшой отрезок проволоки, выпрямить один из его концов, сделать из него колечко и подсунуть под гайку, закрепляющую рычаги привода дроссельной заслонки второй камеры.

После этого образуется выступ на внешнем рычаге привода и он будет находится между проволокой и другим рычагом привода. Потом хорошенько затягиваем гайку и в итоге у нас увеличивается динамика, при этом увеличение расхода топлива минимальное. Следующий шагом — меняем диффузор первичной камеры, штатный имеет маркировку 3,5, вместо него устанавливаем деталь с маркировкой 4,5. При необходимости меняем распылитель насоса ускорителя, вместо штатного на 30 ставим более производимый 40. Динамика растет, а расход не увеличивается!

Более сложный вариант тюнинга включает в себя установку пары карбюраторов. Сделать это можно не только на «девятке», но и на «восьмерке». Берем два карбюратора Солекс, они должны быть стоковые. После того как вы их почистите, на них нужно установить рем. комплект. Также нужно приобрести два коллектора (даже от Оки подойдут), они нужны для основы впускающего тракта. Так как коллектор от Оки не подходит на двигатель «девятки», то придется обзавестись ещё и переходным коллектором. Он состоит из впускного фланца для стыковки с ГБЦ, четырех трубок и фланца для стыковки с коллекторами Ока.

Понятное дело, если используются коллекторы совместимые с силовым агрегатом «девятки», то такие доработки не нужны, все делается напрямую. Если вы не хотите использовать переходники, то соединять детали придется сваркой, а это достаточно дорогое удовольствие.

Далее берем переходной коллектор, два коллектора и два карбюратора. Собираем в единое целое. После этого остается синхронизировать работу карбюратора, а именно добиться синхронного открытия заслонок на двух устройствах. В качестве привода заслонок лучше всего использовать тяги от Озона (есть вариант с тросами, но они на самом деле склонны к растягиванию, так что процесс открытия заслонок будет не равномерным).

Устанавливаем тяги через тройники и подключаем обратки и топливные шланги. На одном коллекторе глушим штуцер под шланг. Завестись мотор должен на «ура».

Для завершающего этапа желательно провести механическую обработку определенных мест карбюратора.

Понятие механического тюнинга карбюратора ВАЗ 2109 включает в себя: полировка рабочей поверхности карбюратора и впускного коллектора, утоньшение осей дроссельных и воздушных заслонок, стачивание шляпок винтов крепления заслонок к осям, расточку главных диффузоров… и так далее.

Но это уже достаточно сложная и кропотливая работа, которая возможно потребует обращение к специалистам.

Для тех, кто желает более основательно заняться тюнингом автомобиля ВАЗ 2110, можете бесплатно скачать книгу «Тюнинг ВАЗ 2110».

Это первая книга из серии цветных иллюстрированных руководств по тюнингу автомобилей своими руками. В руководстве подробно описаны работы по различным усовершенствованиям конструкции автомобилей семейства ВАЗ 2110.

Все операции по тюнингу двигателя, трансмиссии, ходовой части, а также оборудования кузова проиллюстрированы и снабжены подробными комментариями и рекомендациями.

Похожее на эту тему:

Тюнинг ваз 2109/21099 — Авто блог

в течении более двух десятилетий ВАЗ 2109, созданная на базе базисной модели ВАЗ 2108, и последовавшие модификации «девятки» являются самыми реализовываемыми машинами на территории бывшего СССР. В Российской Федерации ВАЗ 2109 не выпускается с 2004 года, но до сих пор деятельно перепродается на вторичном рынке.

Практически любой новый хозяин пытается привнести в, без преувеличения, культовый автомобиль что-то собственный. Видятся автовладельцы, по-настоящему «завернутые» на нескончаемом ходе улучшения собственного металлического коня с индексом 9. И это закономерно, поскольку Лада Самара с технической начинкой и простым дизайном как будто бы создана для бесконечного тюнинга.

В каждом городе отечественной необъятной Отчизны и в соседних государствах возможно встретить экземпляры ВАЗ 2109 так «нафаршированные», что они лишь отдаленно напоминают “исходник”. Внутреннее обустройство кроме этого иногда впечатляет настоящей роскошью отделки. И без того шустрый двигатель ВАЗ 2109 поддается важному тюнингу.

А ходовая при доработке способна соперничать с уровнем именитых гоночных машин — и с успехом это делает. Так как предсерийной доводкой ходовой части автомобиля вазовские инженеры занимались в компании с инженерами германской компании Porsche. Важные доработки нуждаются в опыте и знаниях специалистов от автотюнинга.

Но тюнинг ВАЗ 2109 вовсю делается и «собственными руками», для чего рынок предлагает массу товаров, а Интернет — много примеров.

Вот пара фото тюнинга ВАЗ-2109/21099 с применением наборов аэродинамического обвеса:

Приступая к воплощению в судьбу замыслов по улучшению автомобиля, в первую очередь необходимо определиться с предполагаемой сметой. Тюнинг, как и все что имеет к отношение к усовершенствованию, фактически не имеет пределов, и может вылиться в денежные траты, в разы превышающие цена самого авто. Кроме этого принципиально важно определиться с целью, что планируется взять на выходе – внешнюю красоту в виде впечатляющих форм, пластиковых обвесов, «навороченной» оптики и плачущего двигателя, либо сбалансированный, доставляющий наслаждение от вождения автомобиль.

Существует три направления для реализации автотюнинга. Возможно начать улучшение Лады Самары с внешнего вида. Тюнинг кузова и оптики ВАЗ 2109 разрешат каждому встречному наслаждаться экзотичностью нового экстерьера.

Второй вариант – тюнинг салона ВАЗ 2109/21099: замена обивки, доработка панелей, вероятна и замена сидений. Но разве возможно, добавив лоска наружности и салону, покинуть без внимания ходовые качества автомобиля?

Технический тюнинг ВАЗ 2109(9) в большинстве случаев охватывает тормоза, коробку, подвеску и фактически самое основное – двигатель. Начав тюнинг ВАЗ 2109, обладателю довольно часто тяжело остановиться на чем-то одном, исходя из этого в большинстве случаев проводятся комплексные улучшения. Все три пути тюнинга ведут к неспециализированной цели — созданию неповторимого и, в большинстве случаев, сбалансированного автомобиля.

оптики ВАЗ и Тюнинг кузова 2109/21099.

Улучшения кузова являются самой заметной частью тюнинга, потому, что как раз внешний вид завлекает к себе внимание прежде всего. Хэтчбеки ВАЗ 2109 чаще тюнингуют с уклоном на спортивность, трансформации же седана ВАЗ 21099 зависят лишь от личного вкуса его хозяина.

Тюнингу возможно подвержено все, что попадает в поле обозрения. Несложный кузовной тюнинг ВАЗ 2109 – это установка на собственный авто аэродинамических обвесов, каковые заказывают либо делают собственными руками. Уникально выглядят машины, оснащенные новым передним бампером, задними бамперами и порогами, наряду с этим нужно покупать все в одном наборе либо выполнять стилистику, изготавливая элементы самостоятельно. Так кузов Лады Самары купит законченный вид.

Капот «девятки» возможно заменить на пластиковый и дополнительно оборудовать щелями забора воздуха, дополнив неспециализированный вид нестандартной решеткой радиатора. Смогут быть заменены кроме этого крылья, к примеру на подробности с агрессивными увеличенными воздухозаборниками. Тюнинг дверей ВАЗ 2109/21099 в большинстве случаев включает установку новых и дефлекторов ручек.

Одним из самых несложных и популярных элементов тюнинга кузова «девятки» помогает спойлер, но эта подробность довольно часто несет только декоративную функцию, выполняется из пластика и устанавливается не в самых верных (с позиций улучшения аэродинамики) местах.

Запрещено обойти вниманием тюнинг оптики ВАЗ 21099/2109, что может выполняться как самостоятельно по собственному уникальному проекту, так и методом приобретения уже задних фонарей и готовых передних. Популярная доработка – установка ксеноновых фар. Но при с оптикой принципиально важно не переусердствовать, потому, что от эффективности ее работы зависит безопасность перемещения ночью, и при ярком солнечном свете.

Неприятности смогут появиться с оплавлением нештатных фар, накоплением конденсата в фонарей, понижением светопроницаемости из-за избыточной тонировки. Тюнинг оптики ВАЗ 2109(21099), выполненный собственными руками, гарантированно добавит уникальности автомобиля и внешности интересности. Но при неумелых работ, чтобы не было нарушения условий безопасности, лучше подвергать независимым опытам лишь задние фонари.

Еще один кардинальный метод поменять наружность автомобиля — покрасить его. По-настоящему уникально машина будет смотреться с аэрографическим рисунком. Но как следует покрасить и разрисовать кузов дома не окажется.

Но в этот самый момент имеется выход – так же возможно кардинально поменять наружность авто при помощи виниловых наклеек, такие работы в полной мере возможно выполнить собственными руками, стоить это будет существенно дешевле, а смотреться не меньше эффектно чем “аэрография”.

И конечно же мало какой внешний тюнинг ВАЗ 2109(99) обходится без установки уникальных литых дисков.

Тюнинг ВАЗ и 2109 салона ВАЗ 21099.

Сделав внешний тюнинг, дальше легко нереально обойти стороной красоты наведения и вопрос порядка в салоне. Самый несложный метод тюнинга салона ВАЗ 2109/21099 — доработка приборной панели. Все элементы торпедо легко поддаются разборке.

Для придания шкалам устройств уникального и привлекательного вида достаточно разобрать панель устройств, снять ободки, изготовить новые циферблаты (возможно поискать и распечатать шаблоны из интернета) и бережно установить их на место, не нарушая текущих показаний счетчиков. К слову, при жажде в интерьере салона практически все панели поддаются улучшению.

Редко тюнинг салона ВАЗ 2109 и 21099 обходится без работ по смене обивки. Заводские материалы выглядят невзрачно, скоро пачкаются и теряют привлекательность. Возможно собственными силами не только заменить обивку на потолке, дверных картах, полу, но и попутно провести работы по улучшению шумоизоляции. Самый несложный метод освежить салон — замена чехлов на сиденьях.

Причем кое-какие обладатели идут дальше, всецело меняя обивку (а также на кожаную), либо поступают совсем радикально, меняя кресла на фирменные, к примеру, Recaro.

Одна из самых популярных тем для тюнинга салона ВАЗ 2109(99) — улучшение акустики, начиная с несложной замены динамиков, и заканчивая установкой сабвуфера в нише под задней полкой.

Мало кто из решившихся на усовершенствование собственной «девятки» обходит стороной вопрос установки электростеклоподъемников, сигнализации, центрального замка. Потому, что эти работы затрагивают электрическую часть автомобиля, их исполнение собственными руками не нужно. Лучше потратиться и обратиться к специалистам.

То же касается и тонировки стекол, не смотря на то, что маленькие участки возможно затонировать и самостоятельно (основное не переусердствовать и не лишить водителя обзора).

По большому счету тюнинг салона ВАЗ 21099 и 2109 возможно проводить до бесконечности, например, продолжая улучшения установкой новой панели устройств и заменой руля.

Технические доработки ВАЗ 2109/21099.

Какому водителю «девятки» не хочется ощутить себя джигитом, обходя попутчиков в скоростном рывке со светофора? Как приятно приобретать обратную сообщение от любимого автомобиля в виде повышенной управляемости и остроты руля, сделав тюнинг рулевого управления, подвески, тормозов, коробки и само собой разумеется двигателя ВАЗ 2109 (21099).

Технический тюнинг автомобиля в большинстве случаев начинается с тормозной совокупности, а после этого коробки передач. По окончании чего уже возможно заняться и самый технологичным участком автомобиля — его мотором.

Сердцем машин ВАЗ 2109(99) значительно чаще помогают двигатели 2108 1,3 л., и 21083 1,5 л. Для форсировки в большинстве случаев употребляется полуторалитровый двигатель ВАЗ 21083. Большой рабочий количество, что без риска для нарушения технических пропорций автомобиля возможно взять в следствии улучшений образовывает 1,7-1,8 л (с повышением мощности до 98-100 л.с. и большой скорости до 180-190 км/ч). Предстоящие попытки сделать количество громадным смогут привести к поломке агрегата из-за постоянных перегревов.

Тюнинг двигателя ВАЗ 21099/2109 требует замены части подробностей (коленвала, поршневой группы и других), каковые изготовить собственными руками теоретически возможно, но очень проблематично. Исходя из этого лучше потратиться на их приобретение. А установить, очевидно при наличии определенных знаний и навыков, возможно и самостоятельно.

Дабы добавить автомобилю устойчивости на дороге при работе усиленного двигателя, нужно довести до ума и ходовую часть автомобиля. Что, в большинстве случаев, содержится в установке спортивных стоек и заниженных пружин, доработке сцепления и коробки передач.

По окончании исполнения тюнинга собственного ВАЗ 2109/21099 по одному либо сходу нескольким направлениям обладатель может по праву гордиться своим автомобилем. Но основное в вопросе улучшений во всем знать меру.

Тюнинг ВАЗ 2109 и ВАЗ 21099 лучшеи работы на 2016 г.

Темы которые будут Вам интересны:

Тюнинг салона ВАЗ-2109. ВАЗ-2109: тюнинг своими руками (фото)

Тюнинг салона ВАЗ-2109 — процесс, который интересует практически каждого владельца такой машины. С его реализацией можно добиться улучшения характеристик салона и его внешнего вида. Основная цель этого процесса — улучшить звуковые характеристики акустической системы. Хотя ни для кого не секрет, что тюнинг салона ВАЗ-2109 — это одновременное выполнение шумоизоляции, теплоизоляции и улучшение ее внешнего вида.

Зачем нужна звукоизоляция?

Владельцы многих автомобилей не задумываются о необходимости звукоизоляции, ведь машина прекрасно обходится без нее. И выполнить эту процедуру по нескольким причинам:

  • Устал от посторонних шумов, мешающих нормальному вождению в машине. В процессе сборки машины было использовано огромное количество пластиковых деталей, которые скрипят. Причем этот звук порой бывает настолько сильным, что водители отбрасывают все мысли об установке дорогой акустики.После процедуры можно будет установить любую акустическую систему, которая будет хорошо звучать в автомобиле ВАЗ-2109. Тюнинг салона сделает времяпрепровождение в машине более интересным.
  • Скрипит все, начиная с двери и заканчивая багажником. Панель приборов издает какие-то странные звуки, которые раздражают каждого владельца ВАЗа. Полка багажника делает то же самое, но только в задней части автомобиля.
  • Кажется, что все предметы, находящиеся в салоне, живут своей жизнью. И нет места плавному и мелодичному звуку, который издает акустическая система.

Что нужно купить для звукоизоляции?

В отечественных машинах ни для кого не секрет, должного уровня акустической системы нет. И яркое тому подтверждение — модель ВАЗ-2109. Тюнинг салона позволяет добиться качественной акустики звука. Во время езды на этой машине заметны всевозможные шумы, что делает поездку некомфортной и очень шумной. Поэтому самое главное и необходимое, что нужно сделать в первую очередь при тюнинге автомобиля ВАЗ 2109, — провести шумоизоляцию.Для правильного монтажа звукоизоляции необходим набор инструментов и материалов. Вам понадобятся: заточенный нож, валик, тепловая пушка, маркер любого цвета, ножницы и рулетка, шпатель, ацетон.

Как продвигается процесс?

Многих интересует, как выполняется тюнинг ВАЗ-2109 (фото). Тюнинг ВАЗ 2109 своими руками не из легких. Ведь создание звукоизоляции — очень важный процесс, которому нужно уделить должное внимание. Если нет средств на выполнение в СТО, то воспроизвести самостоятельно вполне возможно.При этом следует учитывать, что работа ведется в три этапа:

  • Начальный этап: выбор материала. Лучше отдать предпочтение вибропласту М2 и шумоизоляции Стизол. Начать установку шумоизоляции необходимо с разборки салона автомобиля. Если вы никогда этого не делали, лучше всего доверить этот процесс грамотному специалисту. На любой станции техобслуживания это может сделать каждый сотрудник.
  • Подготовка машины. Для разборки автомобиля необходимо снять все сиденья, разобрать дверные панели, а также снять обивку с потолка, приборной панели и напольного покрытия.
  • Установка. Для того, чтобы нанести материал, необходимо обезжирить поверхность корпуса от всевозможных загрязнений растворителем 646 или ацетоном и постоять 10 минут. При необходимости этот срок может быть продлен. Многие специалисты и автомобильные эксперты утверждают, что изоляция салона ВАЗ-2109 не будет качественной без использования пористого материала. Его особенность заключается в том, что воздух, содержащийся в порах, хорошо блокирует и блокирует шум, а также сохраняет тепло. Цена на материал доступна каждому автомобилисту.

Самоизоляция

Тюнинг салона ВАЗ-2109 можно сделать своими руками. Происходит этот процесс так:

  • На внутреннюю часть двери рекомендуется приклеить вибропласт. Для этого его нужно плотно прижать с помощью валика. Для облегчения монтажа вибропоглощающие материалы следует нагреть до 50 градусов. Для этого рекомендуется использовать обычный фен. Если в наличии будет строительная сушилка, результат будет еще лучше, так как нагрев будет происходить намного быстрее.
  • Прикатывать материал нужно от центральной части к краям, чтобы не образовывались пузыри. Хотя при нормальной комнатной температуре липнет хорошо. Некоторые виброматериалы имеют клейкую поверхность с одной стороны, что облегчает процесс монтажа.
  • Следующим шагом приклеивается все оставшееся пространство автомобиля. Техника выполнения должна быть стыковой к суставу. Только после этого можно проводить мероприятия по нанесению выбранного шумоизоляционного материала.Он должен идти поверх вибропласта. Не забывайте, что материал наносится клеевой стороной на поверхность.
  • После выполнения этих довольно простых действий, а именно после того, как вы приклеили абсолютно всю внутреннюю часть станка, снятые детали и детали ставятся на место.

Теплоизоляция

Как уже было сказано выше, тюнинг салона ВАЗ-2109 включает шумоизоляцию. Следует отметить, что этот процесс нельзя назвать очень простым. Ведь на его выполнение может уйти несколько дней.Первым делом необходимо определить масштаб работы. Естественно, чем больше будет, тем больше усилий придется приложить. Ведь утеплить можно только двери или всю машину. Итак, поехали:

  • Для начала нужно полностью разобрать салон автомобиля. То есть следует удалить все лишнее. К ним относятся кресла, зеркала, накладки торпеды. Вы также можете модернизировать печь, отрегулировав заслонки. Поэтому на данном этапе лучше его удалить.
  • Теперь следует обратить особое внимание на заглушки, закрывающие отверстия в нижней части кабины.Если какие-то из них уже износились, их следует заменить (в крайнем случае сделать более плотными, используя монтажную пену). Упустив этот момент, избежать попадания влаги в салон автомобиля будет невозможно.

Обработка пластмассовых деталей

От обработки металлических деталей нужно не спеша переходить к оклейке пластиковых элементов. Для этого лучше использовать визомат, так как он намного проще в установке, чем вибропласт. Места соприкосновения деталей друг с другом следует заделать битопластом.Это нужно для того, чтобы склеиваемые детали не скрипели и не издавали посторонних звуков. Пластиковые детали нужно приклеивать, начиная со ствола. Для этого их следует снять, а затем снять подкладку.

Далее нужно приступить к обработке приборной панели ВАЗ-2109. Тюнинг салона и панели, фото и видео которых тоже пригодятся, происходит по определенной схеме. Обклеил торпеду поролоном. Видимые щели нужно заделать битопластом. Особое внимание стоит уделить прорезям, расположенным между плитой и воздуховодами.Подлежит обработке и пик комбинации приборов. Для этого воспользуйтесь визоматом.

Обработка кровли

Тюнинг салона ВАЗ-2109 включает в себя работу с крышей. Необходимо учитывать, что утеплять не весь потолок автомобиля, а только промежутки между перекладинами. Вибропласт разрезают на кусочки, которые нужно хорошенько склеить. На второй слой наносится сплен. Чтобы его было легко установить, нужно его немного нагреть, а затем закрепить двусторонним скотчем.

Замена штатного рулевого на новый

Многих владельцев отечественных автомобилей интересует, как тюнинг ВАЗ-2109 (фото). Тюнинг ВАЗ 2109 своими руками. При этом следует учитывать, что тюнинг — это комплекс действий, способствующих модернизации машины. Следовательно, необходимо сделать его внешний вид более привлекательным. Многие даже решаются на замену руля, который в процессе эксплуатации теряет свои первоначальные характеристики. Для выполнения этого процесса необходимо убедиться, что рулевое колесо неподвижно.Под ним должна быть крышка, которую нужно снять. Будут заглушки, их тоже надо отключать. Ослабьте болт крепления руля (обычно он слева). Чтобы разобрать, вы должны потянуть его на себя. Установка нового рулевого управления происходит в обратном порядке.

Обивка

Доработка и тюнинг ВАЗ-2109 тоже очень важны. Иногда старая обивка трескается, и это выглядит просто ужасно. Поэтому многие решают выполнить обивку салона.Для этого можно использовать любой материал с плотной текстурой. Также им стоит перетянуть потолок и люк, чтобы не нарушать стиль автомобиля.

Таким образом, вы можете выполнить тюнинг автомобиля самостоятельно. Для этого рекомендуется приобрести специальный комплект, состоящий из всех необходимых деталей.

Использование фото / электрокаталитической активности через нанопереходы в тройных нанокомпозитах для получения чистой энергии

Хотя доступность солнечной энергии прогнозируется на протяжении столетий, суточный и асимметричный характер солнца по всему земному шару создает серьезные проблемы с точки зрения сбора солнечного света.Фото / электрокатализ, который в настоящее время считается узким местом, обещает потенциальное решение этих проблем наряду с экологически чистой и устойчивой окружающей средой. Этот обзор призван представить текущие основные моменты применения тройных нанокомпозитов на основе неорганических полупроводников для производства H 2 и удаления загрязняющих веществ. Различные инженерные стратегии, использующие интеграцию 2D-материалов, 1D-наностержней и / или 0D-наночастиц с неорганическими полупроводниками для создания множества нанопереходов, были разработаны для превосходной фотокаталитической активности.После краткого описания последних достижений в области фотокатализаторов было включено обсуждение важности тройных электрокатализаторов в области суперконденсаторов следующего поколения. Наконец, кратко рассматриваются перспективы авторов, включая будущие разработки и важные технические задачи в постоянно растущей области фото / электрокатализа.

Эта статья в открытом доступе

Подождите, пока мы загрузим ваш контент… Что-то пошло не так. Попробуйте еще раз?

Как разработать Pix2Pix GAN для преобразования изображения в изображение

Последнее обновление 18 января 2021 г.

Генеративная состязательная сеть Pix2Pix, или GAN, представляет собой подход к обучению глубокой сверточной нейронной сети для задач преобразования изображения в изображение.

Тщательная конфигурация архитектуры как типа GAN с условным изображением позволяет как генерировать большие изображения по сравнению с предыдущими моделями GAN (например, 256 × 256 пикселей), так и возможность хорошо работать с множеством различных изображений для -задачи по переводу изображений.

В этом руководстве вы узнаете, как разработать генерирующую состязательную сеть Pix2Pix для преобразования изображения в изображение.

После прохождения этого руководства вы будете знать:

  • Как загрузить и подготовить спутниковое изображение в набор данных преобразования изображения в изображение карт Google.
  • Как разработать модель Pix2Pix для перевода спутниковых фотографий в изображения карты Google.
  • Как использовать окончательную модель генератора Pix2Pix для перевода специальных спутниковых изображений.

Начните свой проект с моей новой книги «Генеративные состязательные сети с Python», включающей пошаговые руководства и файлы исходного кода Python для всех примеров.

Приступим.

  • Обновлено январь / 2021 : Обновлено, поэтому замораживание слоев работает с нормой партии.

Как разработать генерирующую состязательную сеть Pix2Pix для преобразования изображения в изображение
Фотография сделана Европейской южной обсерваторией, некоторые права защищены.

Обзор учебного пособия

Это руководство разделено на пять частей; их:

  1. Что такое Pix2Pix GAN?
  2. Набор данных преобразования изображений со спутника на карту
  3. Как разработать и обучить модель Pix2Pix
  4. Как переводить изображения с помощью модели Pix2Pix
  5. Как перевести карты Google на спутниковые изображения

Что такое Pix2Pix GAN?

Pix2Pix — это модель генерирующей состязательной сети или GAN, разработанная для универсального преобразования изображения в изображение.

Подход был представлен Филипом Изола и др. в своей статье 2016 года под названием «Преобразование изображения в изображение с помощью условных состязательных сетей», представленной на CVPR в 2017 году.

Архитектура GAN состоит из модели генератора для вывода новых правдоподобных синтетических изображений и модели дискриминатора, которая классифицирует изображения как реальные (из набора данных) или поддельные (сгенерированные). Модель дискриминатора обновляется напрямую, тогда как модель генератора обновляется через модель дискриминатора.Таким образом, две модели обучаются одновременно в состязательном процессе, в котором генератор пытается лучше обмануть дискриминатор, а дискриминатор пытается лучше идентифицировать поддельные изображения.

Модель Pix2Pix — это тип условного GAN, или cGAN, где создание выходного изображения зависит от входного, в данном случае исходного изображения. Дискриминатору предоставляется как исходное изображение, так и целевое изображение, и он должен определять, является ли цель правдоподобным преобразованием исходного изображения.

Генератор обучается через состязательную потерю, что побуждает генератор генерировать правдоподобные изображения в целевой области. Генератор также обновляется с помощью потерь L1, измеряемых между сгенерированным изображением и ожидаемым выходным изображением. Эта дополнительная потеря побуждает модель генератора создавать правдоподобные переводы исходного изображения.

Pix2Pix GAN был продемонстрирован на ряде задач преобразования изображения в изображение, таких как преобразование карт в спутниковые фотографии, черно-белые фотографии в цветные и эскизы продуктов в фотографии продуктов.

Теперь, когда мы знакомы с Pix2Pix GAN, давайте подготовим набор данных, который мы можем использовать для преобразования изображения в изображение.

Хотите разрабатывать сети GAN с нуля?

Пройдите бесплатный 7-дневный ускоренный курс по электронной почте (с образцом кода).

Нажмите, чтобы зарегистрироваться, а также получите бесплатную электронную версию курса в формате PDF.

Загрузите БЕСПЛАТНЫЙ мини-курс

Набор данных преобразования изображений со спутника на карту

В этом руководстве мы будем использовать так называемый набор данных « maps », который использовался в статье Pix2Pix.

Это набор данных, состоящий из спутниковых снимков Нью-Йорка и соответствующих страниц с картами Google. Проблема перевода изображений связана с преобразованием спутниковых фотографий в формат карт Google или, наоборот, изображений карт Google в спутниковые фотографии.

Набор данных размещен на веб-сайте pix2pix и может быть загружен в виде zip-файла размером 255 мегабайт.

Загрузите набор данных и распакуйте его в текущий рабочий каталог. Будет создан каталог под названием « карты » со следующей структурой:

карты ├── поезд └── val

карты

├── поезд

└── val

Папка поезда содержит 1097 изображений, тогда как набор данных проверки содержит 1099 изображений.

Изображения имеют цифровое имя файла и находятся в формате JPEG. Каждое изображение имеет ширину 1200 пикселей и высоту 600 пикселей и содержит как спутниковое изображение слева, так и изображение Google Maps справа.

Образец изображения из набора данных Maps, включая изображение со спутника и Google Maps.

Мы можем подготовить этот набор данных для обучения модели Pix2Pix GAN в Keras. Мы просто будем работать с изображениями в наборе обучающих данных. Каждое изображение будет загружено, масштабировано и разделено на элементы спутниковой карты и карты Google.В результате получится 1097 пар цветных изображений с шириной и высотой 256 × 256 пикселей.

Функция load_images () ниже реализует это. Он перечисляет список изображений в заданном каталоге, загружает каждое с целевым размером 256 × 512 пикселей, разбивает каждое изображение на элементы спутника и карты и возвращает массив каждого из них.

# загружаем все изображения из каталога в память def load_images (путь, размер = (256,512)): src_list, tar_list = список (), список () # перечисляем имена файлов в каталоге, предполагаем, что все изображения для имени файла в listdir (путь): # загрузить и изменить размер изображения пикселей = load_img (путь + имя файла, target_size = размер) # преобразовать в массив numpy пикселей = img_to_array (пиксели) # разделить на спутник и карту sat_img, map_img = пикселей [:,: 256], пикселей [:, 256:] src_list.добавить (sat_img) tar_list.append (map_img) возврат [asarray (src_list), asarray (tar_list)]

# загрузить все изображения из каталога в память

def load_images (path, size = (256,512)):

src_list, tar_list = list (), list ()

# перечислить имена в каталоге, предполагая, что все файлы изображений

для имени файла в listdir (путь):

# загрузить и изменить размер изображения

пикселей = load_img (путь + имя файла, target_size = размер)

# преобразовать в массив numpy

пикселей = img_to_array (пикселей)

# разбить на спутник и карту

sat_img, map_img = пикселей [:,: 256], пикселей [:, 256:]

src_list.append (sat_img)

tar_list.append (map_img)

return [asarray (src_list), asarray (tar_list)]

Мы можем вызвать эту функцию, указав путь к набору обучающих данных. После загрузки мы можем сохранить подготовленные массивы в новый файл в сжатом формате для дальнейшего использования.

Полный пример приведен ниже.

# загружать, разделять и масштабировать набор данных карт, готовый к обучению из os import listdir из numpy import asarray из numpy import vstack из кераса.preprocessing.image import img_to_array из keras.preprocessing.image import load_img из numpy import savez_compressed # загружаем все изображения из каталога в память def load_images (путь, размер = (256,512)): src_list, tar_list = список (), список () # перечисляем имена файлов в каталоге, предполагаем, что все изображения для имени файла в listdir (путь): # загрузить и изменить размер изображения пикселей = load_img (путь + имя файла, target_size = размер) # преобразовать в массив numpy пикселей = img_to_array (пиксели) # разделить на спутник и карту sat_img, map_img = пикселей [:,: 256], пикселей [:, 256:] src_list.добавить (sat_img) tar_list.append (map_img) возврат [asarray (src_list), asarray (tar_list)] # путь к набору данных путь = ‘карты / поезд /’ # загрузить набор данных [src_images, tar_images] = load_images (путь) print (‘Загружено:’, src_images.shape, tar_images.shape) # сохранить как сжатый массив numpy filename = ‘maps_256.npz’ savez_compressed (имя файла, src_images, tar_images) print (‘Сохраненный набор данных:’, имя файла)

1

2

3

4

5

6

7

8

9

10

11

12

13

140002

14

18

19

20

21

22

23

24

25

26

27

28

29

31

# загрузить, разделить и масштабировать набор данных карт, готовый к обучению

из os import listdir

from numpy import asarray

from numpy import vstack

from keras.preprocessing.image import img_to_array

from keras.preprocessing.image import load_img

from numpy import savez_compressed

# загрузить все изображения из каталога в память

def load_images (путь, размер = (

9000): src_list, tar_list = list (), list ()

# перечислить имена файлов в каталоге, предположим, что все являются изображениями

для имени файла в listdir (путь):

# загрузить и изменить размер изображения

пикселей = load_img (путь + имя файла , target_size = size)

# преобразовать в массив numpy

пикселей = img_to_array (пикселей)

# разделить на спутник и карту

sat_img, map_img = пикселей [:,: 256], пикселей [:, 256:]

src_list.append (sat_img)

tar_list.append (map_img)

return [asarray (src_list), asarray (tar_list)]

# путь к набору данных

path = ‘maps / train /’

#

load dataset2 [src_images, tar_images] = load_images (путь)

print (‘Loaded:’, src_images.shape, tar_images.shape)

# сохранить как сжатый массив numpy

filename = ‘maps_256.npz’

savez, src_images, tar_images)

print (‘Сохраненный набор данных:’, имя файла)

При выполнении примера загружаются все изображения в наборе обучающих данных, суммируются их формы, чтобы изображения были загружены правильно, а затем массивы сохраняются в новый файл с именем maps_256.npz в формате сжатого массива NumPy.

Загружено: (1096, 256, 256, 3) (1096, 256, 256, 3) Сохраненный набор данных: maps_256.npz

Загружено: (1096, 256, 256, 3) (1096, 256, 256, 3)

Сохраненный набор данных: maps_256.npz

Этот файл можно загрузить позже с помощью функции load () NumPy и получения каждого массива по очереди.

Затем мы можем построить несколько пар изображений, чтобы убедиться, что данные были обработаны правильно.

# загружаем подготовленный набор данных из numpy import load из matplotlib import pyplot # загрузить набор данных data = load (‘maps_256.npz’) src_images, tar_images = данные [‘arr_0’], данные [‘arr_1’] print (‘Загружено:’, src_images.shape, tar_images.shape) # сюжет исходных изображений n_samples = 3 для i в диапазоне (n_samples): pyplot.subplot (2, n_samples, 1 + i) pyplot.axis (‘выключено’) pyplot.imshow (src_images [i] .astype (‘uint8’)) # построить целевое изображение для i в диапазоне (n_samples): пиплот.подзаговор (2, n_samples, 1 + n_samples + i) pyplot.axis (‘выключено’) pyplot.imshow (tar_images [i] .astype (‘uint8’)) pyplot.show ()

1

2

3

4

5

6

7

8

9

10

11

12

13

140002

18

19

# загрузить подготовленный набор данных

из numpy import load

из matplotlib import pyplot

# загрузить набор данных

data = load (‘maps_256.npz ‘)

src_images, tar_images = data [‘ arr_0 ‘], data [‘ arr_1 ‘]

print (‘ Loaded: ‘, src_images.shape, tar_images.shape)

# построить исходные изображения

n_samples

для i в диапазоне (n_samples):

pyplot.subplot (2, n_samples, 1 + i)

pyplot.axis (‘off’)

pyplot.imshow (src_images [i] .astype (‘uint8’) ))

# построить целевое изображение

для i в диапазоне (n_samples):

pyplot.subplot (2, n_samples, 1 + n_samples + i)

pyplot.ось (‘off’)

pyplot.imshow (tar_images [i] .astype (‘uint8’))

pyplot.show ()

Выполнение этого примера загружает подготовленный набор данных и суммирует форму каждого массива, подтверждая наши ожидания немногим более тысячи пар изображений 256 × 256.

Загружено: (1096, 256, 256, 3) (1096, 256, 256, 3)

Загружено: (1096, 256, 256, 3) (1096, 256, 256, 3)

Также создается график из трех пар изображений, показывающий спутниковые изображения вверху и изображения карты Google внизу.

Мы видим, что спутниковые изображения довольно сложны и, хотя изображения карты Google намного проще, они имеют цветовую кодировку для таких вещей, как основные дороги, водные ресурсы и парки.

График из трех пар изображений, показывающий спутниковые изображения (вверху) и изображения Google Map (внизу).

Теперь, когда мы подготовили набор данных для перевода изображений, мы можем разработать нашу модель Pix2Pix GAN.

Как разработать и обучить модель Pix2Pix

В этом разделе мы разработаем модель Pix2Pix для перевода спутниковых фотографий в изображения Google Maps.

Та же самая модель, архитектура и конфигурация, описанные в документе, использовались для решения ряда задач по переводу изображений. Эта архитектура описана как в основной части документа, с дополнительными деталями в приложении к документу, так и в полностью работающей реализации, представленной как открытый исходный код с фреймворком глубокого обучения Torch.

Реализация в этом разделе будет использовать структуру глубокого обучения Keras, основанную непосредственно на модели, описанной в документе и реализованной в базе кода автора, предназначенной для получения и создания цветных изображений размером 256 × 256 пикселей.

Архитектура состоит из двух моделей: дискриминатора и генератора.

Дискриминатор — это глубокая сверточная нейронная сеть, которая выполняет классификацию изображений. В частности, условная классификация изображений. Он принимает как исходное изображение (например, спутниковое фото), так и целевое изображение (например, изображение Google Maps) в качестве входных данных и прогнозирует вероятность того, является ли целевое изображение реальным или поддельным переводом исходного изображения.

Дизайн дискриминатора основан на эффективном воспринимающем поле модели, которое определяет отношение между одним выходом модели и количеством пикселей во входном изображении.Это называется моделью PatchGAN и тщательно спроектировано таким образом, чтобы каждый выходной прогноз модели соответствовал квадрату или фрагменту входного изображения размером 70 × 70. Преимущество этого подхода заключается в том, что одна и та же модель может применяться к входным изображениям разных размеров, например. больше или меньше 256 × 256 пикселей.

Выход модели зависит от размера входного изображения, но может быть одним значением или квадратной картой активации значений. Каждое значение представляет собой вероятность того, что фрагмент во входном изображении является реальным.Эти значения могут быть усреднены для получения общей вероятности или классификационной оценки, если это необходимо.

Функция define_discriminator () ниже реализует модель дискриминатора 70 × 70 PatchGAN в соответствии с дизайном модели, описанной в статье. Модель берет два входных изображения, которые объединены вместе, и предсказывает исправление вывода предсказаний. Модель оптимизирована с использованием бинарной кросс-энтропии, и используется взвешивание, так что обновления модели дают половину (0,5) обычного эффекта.Авторы Pix2Pix рекомендуют это взвешивание обновлений модели, чтобы замедлить изменения дискриминатора по сравнению с моделью генератора во время обучения.

# определяем модель дискриминатора def define_discriminator (image_shape): # инициализация веса init = RandomNormal (стандартное отклонение = 0,02) # вход исходного изображения in_src_image = Вход (shape = image_shape) # ввод целевого изображения in_target_image = Вход (shape = image_shape) # объединить изображения по каналам merged = Concatenate () ([in_src_image, in_target_image]) # C64 d = Conv2D (64, (4,4), strides = (2,2), padding = ‘same’, kernel_initializer = init) (объединено) d = LeakyReLU (альфа = 0.2) (г) # C128 d = Conv2D (128, (4,4), strides = (2,2), padding = ‘same’, kernel_initializer = init) (d) d = BatchNormalization () (d) d = LeakyReLU (альфа = 0,2) (d) # C256 d = Conv2D (256, (4,4), strides = (2,2), padding = ‘same’, kernel_initializer = init) (d) d = BatchNormalization () (d) d = LeakyReLU (альфа = 0,2) (d) # C512 d = Conv2D (512, (4,4), strides = (2,2), padding = ‘same’, kernel_initializer = init) (d) d = BatchNormalization () (d) d = LeakyReLU (альфа = 0.2) (г) # второй последний выходной слой d = Conv2D (512, (4,4), padding = ‘same’, kernel_initializer = init) (d) d = BatchNormalization () (d) d = LeakyReLU (альфа = 0,2) (d) # вывод патча d = Conv2D (1, (4,4), padding = ‘same’, kernel_initializer = init) (d) patch_out = Активация (‘сигмоид’) (d) # определить модель model = Модель ([in_src_image, in_target_image], patch_out) # скомпилировать модель opt = Адам (lr = 0,0002, beta_1 = 0,5) model.compile (loss = ‘binary_crossentropy’, optimizer = opt, loss_weights = [0.5]) вернуть модель

1

2

3

4

5

6

7

8

9

10

11

12

13

140002

18

19

20

21

22

23

24

25

26

27

28

29

30

000

000 34

35

36

37

38

# определение модели дискриминатора

def define_discriminator (image_shape):

# инициализация веса

init = RandomNormal (stddev = 0.02)

# исходное изображение input

in_src_image = Input (shape = image_shape)

# целевое изображение input

in_target_image = Input (shape = image_shape)

# объединять изображения по каналам

merged = Concate [in_src_image, in_target_image])

# C64

d = Conv2D (64, (4,4), strides = (2,2), padding = ‘same’, kernel_initializer = init) (объединено)

d = LeakyReLU (альфа = 0,2) (d)

# C128

d = Conv2D (128, (4,4), strides = (2,2), padding = ‘same’, kernel_initializer = init) (d)

d = BatchNormalization () (d)

d = LeakyReLU (альфа = 0.2) (d)

# C256

d = Conv2D (256, (4,4), strides = (2,2), padding = ‘same’, kernel_initializer = init) (d)

d = BatchNormalization ( ) (d)

d = LeakyReLU (alpha = 0.2) (d)

# C512

d = Conv2D (512, (4,4), strides = (2,2), padding = ‘same’, kernel_initializer = init) (d)

d = BatchNormalization () (d)

d = LeakyReLU (alpha = 0.2) (d)

# второй последний выходной слой

d = Conv2D (512, (4,4), padding = ‘same’, kernel_initializer = init) (d)

d = BatchNormalization () (d)

d = LeakyReLU (alpha = 0.2) (d)

# вывод патча

d = Conv2D (1, (4,4), padding = ‘same’, kernel_initializer = init) (d)

patch_out = Activation (‘sigmoid’) (d)

# определить модель

model = Model ([in_src_image, in_target_image], patch_out)

# compile model

opt = Adam (lr = 0.0002, beta_1 = 0.5)

model.compile (loss = ‘binary_crossentropy’, optimizer = opt, loss_weights = [0,5])

модель возврата

Модель генератора сложнее модели дискриминатора.

Генератор представляет собой модель кодера-декодера, использующую архитектуру U-Net. Модель берет исходное изображение (например, спутниковое фото) и генерирует целевое изображение (например, изображение Google Maps). Для этого сначала выполняется понижающая дискретизация или кодирование входного изображения до уровня узкого места, а затем повышающая дискретизация или декодирование представления узкого места до размера выходного изображения. Архитектура U-Net означает, что между уровнями кодирования и соответствующими уровнями декодирования добавляются пропускные соединения, образуя U-образную форму.

Изображение ниже проясняет пропускные соединения, показывая, как первый уровень кодера соединяется с последним уровнем декодера и так далее.

Архитектура генератора U-Net модели
, взятая из преобразования изображения в изображение с помощью условно состязательных сетей

Кодер и декодер генератора состоят из стандартизованных блоков сверточного, пакетного нормализационного, выпадающего и активационного уровней. Эта стандартизация означает, что мы можем разрабатывать вспомогательные функции для создания каждого блока слоев и многократно вызывать его для создания частей модели, кодирующих и декодирующих.

Функция define_generator () ниже реализует модель генератора кодировщика-декодера U-Net. Он использует вспомогательную функцию define_encoder_block () для создания блоков слоев для кодера и функцию decoder_block () для создания блоков слоев для декодера. В выходном слое используется функция активации tanh, что означает, что значения пикселей в сгенерированном изображении будут в диапазоне [-1,1].

# определить блок кодировщика def define_encoder_block (layer_in, n_filters, batchnorm = True): # инициализация веса init = RandomNormal (stddev = 0.02) # добавить слой понижающей дискретизации g = Conv2D (n_filters, (4,4), strides = (2,2), padding = ‘same’, kernel_initializer = init) (layer_in) # условно добавить пакетную нормализацию если батчнорм: g = BatchNormalization () (g, обучение = True) # дырявая активация relu г = LeakyReLU (альфа = 0,2) (г) вернуть г # определяем блок декодера def decoder_block (layer_in, skip_in, n_filters, dropout = True): # инициализация веса init = RandomNormal (стандартное отклонение = 0,02) # добавить слой с повышающей дискретизацией g = Conv2DTranspose (n_filters, (4,4), strides = (2,2), padding = ‘same’, kernel_initializer = init) (layer_in) # добавить пакетную нормализацию g = BatchNormalization () (g, обучение = True) # условно добавить отсев если бросил: g = выпадение (0.5) (g, обучение = True) # объединить с пропустить соединение g = Concatenate () ([g, skip_in]) # активация relu g = Активация (‘relu’) (g) вернуть г # определить модель автономного генератора def define_generator (image_shape = (256,256,3)): # инициализация веса init = RandomNormal (стандартное отклонение = 0,02) # ввод изображения in_image = Вход (shape = image_shape) # модель кодировщика e1 = define_encoder_block (in_image, 64, batchnorm = False) e2 = define_encoder_block (e1, 128) e3 = define_encoder_block (e2, 256) e4 = define_encoder_block (e3, 512) e5 = define_encoder_block (e4, 512) e6 = define_encoder_block (e5, 512) e7 = define_encoder_block (e6, 512) # бутылочное горлышко, без партии norm и relu b = Conv2D (512, (4,4), strides = (2,2), padding = ‘same’, kernel_initializer = init) (e7) b = Активация (‘relu’) (b) # модель декодера d1 = decoder_block (b, e7, 512) d2 = decoder_block (d1, e6, 512) d3 = decoder_block (d2, e5, 512) d4 = decoder_block (d3, e4, 512, dropout = False) d5 = decoder_block (d4, e3, 256, dropout = False) d6 = decoder_block (d5, e2, 128, dropout = False) d7 = decoder_block (d6, e1, 64, dropout = False) # выход g = Conv2DTranspose (3, (4,4), strides = (2,2), padding = ‘same’, kernel_initializer = init) (d7) out_image = Активация (‘tanh’) (г) # определить модель model = Модель (in_image, out_image) вернуть модель

1

2

3

4

5

6

7

8

9

10

11

12

13

140002

18

19

20

21

22

23

24

25

26

27

28

29

30

000

000 34

35

36

37

38

39

40

41

42

43

44

45

46

49

0002 47

00030002 47

0003

51

52

53

54

55

56

57

58

59

60

61

# определение блока кодировщика

def define_encoder_block (layer_in, n_filters, batchnorm = True):

# инициализация веса

init = RandomNormal (stddev = 0.02)

# добавить слой понижающей дискретизации

g = Conv2D (n_filters, (4,4), strides = (2,2), padding = ‘same’, kernel_initializer = init) (layer_in)

# условно добавить пакетную нормализацию

, если batchnorm:

g = BatchNormalization () (g, training = True)

# активация утечки relu

g = LeakyReLU (alpha = 0,2) (g)

return g

# определить декодер block

def decoder_block (layer_in, skip_in, n_filters, dropout = True):

# инициализация веса

init = RandomNormal (stddev = 0.02)

# добавить слой с повышенной дискретизацией

g = Conv2DTranspose (n_filters, (4,4), strides = (2,2), padding = ‘same’, kernel_initializer = init) (layer_in)

# добавить пакетную нормализацию

g = BatchNormalization () (g, training = True)

# условно добавить выпадение

если выпадение:

g = выпадение (0,5) (g, обучение = True)

# слияние с пропуском соединения

g = Concatenate () ([g, skip_in])

# повторная активация

g = Activation (‘relu’) (g)

return g

# определение модели автономного генератора

def define_generator (image_shape = ( 256,256,3)):

# инициализация веса

init = RandomNormal (stddev = 0.02)

# image input

in_image = Input (shape = image_shape)

# модель кодировщика

e1 = define_encoder_block (in_image, 64, batchnorm = False)

e2 = define_encoder_block3 =

define_encoder_block (e2, 256)

e4 = define_encoder_block (e3, 512)

e5 = define_encoder_block (e4, 512)

e6 = define_encoder_block (e5, 512)

ck 9_b = define_encoder , без пакетной нормы и relu

b = Conv2D (512, (4,4), strides = (2,2), padding = ‘same’, kernel_initializer = init) (e7)

b = Activation (‘relu’ ) (b)

# модель декодера

d1 = decoder_block (b, e7, 512)

d2 = decoder_block (d1, e6, 512)

d3 = decoder_block (d2, e5, 512)

d4 = decoder_block (d3, e4, 512, dropout = False)

d5 = decoder_block (d4, e3, 256, dropout = False)

d6 = decoder_block (d5, e2, 128, dropout = False)

d7 = decoder_block (d6, e1, 64, dropout = False)

# output

g = Conv2DTranspose (3, (4,4), strides = (2,2), padding = ‘same ‘, kernel_initializer = init) (d7)

out_image = Activation (‘ tanh ‘) (g)

# define model

model = Model (in_image, out_image)

return model

Модель дискриминатора обучается непосредственно на реальных и сгенерированных изображениях, тогда как модель генератора — нет.

Вместо этого модель генератора обучается с помощью модели дискриминатора. Он обновляется, чтобы минимизировать потери, прогнозируемые дискриминатором для сгенерированных изображений, помеченных как « реальные ». Таким образом, рекомендуется создавать более реальные изображения. Генератор также обновляется, чтобы минимизировать потерю L1 или среднюю абсолютную ошибку между сгенерированным изображением и целевым изображением.

Генератор обновляется с помощью взвешенной суммы как состязательных потерь, так и потерь L1, где авторы модели рекомендуют взвешивать 100: 1 в пользу потерь L1.Это сделано для того, чтобы генератор сильно побуждал генерировать правдоподобные переводы входного изображения, а не просто правдоподобные изображения в целевой области.

Это может быть достигнуто путем определения новой логической модели, состоящей из весов в существующей модели автономного генератора и дискриминатора. Эта логическая или составная модель включает установку генератора поверх дискриминатора. Исходное изображение предоставляется как вход для генератора и дискриминатора, хотя выход генератора подключен к дискриминатору как соответствующее изображение « target ».Затем дискриминатор предсказывает вероятность того, что генератор был реальным переводом исходного изображения.

Дискриминатор обновляется автономно, поэтому веса повторно используются в этой составной модели, но помечены как не обучаемые. Составная модель обновляется двумя целевыми объектами, одна из которых указывает на то, что сгенерированные изображения были реальными (кросс-энтропийная потеря), вынуждая большие обновления веса в генераторе для создания более реалистичных изображений, и выполненный реальный перевод изображения, который сравнивается с выход модели генератора (потеря L1).

Функция define_gan () ниже реализует это, принимая уже определенные модели генератора и дискриминатора в качестве аргументов и используя функциональный API Keras для их соединения в составную модель. Обе функции потерь указаны для двух выходных данных модели, а веса, используемые для каждого, указаны в аргументе loss_weights функции compile () .

# определить комбинированную модель генератора и дискриминатора для обновления генератора def define_gan (g_model, d_model, image_shape): # сделать веса в дискриминаторе необучаемыми для слоя в d_model.слои: если не isinstance (слой, BatchNormalization): layer.trainable = Ложь # определяем исходное изображение in_src = Вход (shape = image_shape) # подключаем исходное изображение ко входу генератора gen_out = g_model (in_src) # подключить вход источника и выход генератора к входу дискриминатора dis_out = d_model ([in_src, gen_out]) # src image как вход, сгенерированное изображение и вывод классификации model = Модель (in_src, [dis_out, gen_out]) # скомпилировать модель opt = Адам (lr = 0.0002, beta_1 = 0,5) model.compile (loss = [‘binary_crossentropy’, ‘mae’], optimizer = opt, loss_weights = [1,100]) вернуть модель

1

2

3

4

5

6

7

8

9

10

11

12

13

140002

18

# определить комбинированную модель генератора и дискриминатора, для обновления генератора

def define_gan (g_model, d_model, image_shape):

# сделать веса в дискриминаторе не обучаемыми

для слоя в d_model.Layers:

if not isinstance (layer, BatchNormalization):

layer.trainable = False

# определить исходное изображение

in_src = Input (shape = image_shape)

# подключить исходное изображение ко входу генератора

gen_out = g_model (in_src)

# подключите вход источника и выход генератора к входу дискриминатора

dis_out = d_model ([in_src, gen_out])

# src изображение в качестве входа, сгенерированное изображение и выход классификации

model = Model (in_src, [dis_out, gen_out])

# скомпилировать модель

opt = Adam (lr = 0.0002, beta_1 = 0,5)

model.compile (loss = [‘binary_crossentropy’, ‘mae’], optimizer = opt, loss_weights = [1,100])

return model

Затем мы можем загрузить наш набор данных парных изображений в сжатом формате массива NumPy.

Это вернет список из двух массивов NumPy: первый для исходных изображений и второй для соответствующих целевых изображений.

# загрузить и подготовить обучающие изображения def load_real_samples (имя файла): # загружаем сжатые массивы данные = загрузка (имя файла) # распаковать массивы X1, X2 = данные [‘arr_0’], данные [‘arr_1’] # масштаб от [0,255] до [-1,1] Х1 = (Х1 — 127.5) / 127,5 Х2 = (Х2 — 127,5) / 127,5 возврат [X1, X2]

# загрузить и подготовить обучающие образы

def load_real_samples (filename):

# загрузить сжатые массивы

data = load (filename)

# распаковать массивы

X1, X2 = data [‘arr_0’], data [ ‘arr_1’]

# масштаб от [0,255] до [-1,1]

X1 = (X1 — 127,5) / 127,5

X2 = (X2 — 127,5) / 127.5

возврат [X1, X2]

Для обучения дискриминатора потребуются пакеты реальных и поддельных изображений.

Функция generate_real_samples () ниже подготовит пакет случайных пар изображений из обучающего набора данных и соответствующую метку дискриминатора class = 1 , чтобы указать, что они реальны.

# выбираем партию случайных выборок, возвращаем изображения и выбираем def generate_real_samples (набор данных, n_samples, patch_shape): # распаковать набор данных trainA, trainB = набор данных # выбираем случайные экземпляры ix = randint (0, trainA.форма [0], n_samples) # получить выбранные изображения X1, X2 = поезд A [ix], поезд B [ix] # генерировать «настоящие» метки классов (1) y = единицы ((n_samples, patch_shape, patch_shape, 1)) return [X1, X2], y

# выбрать пакет случайных выборок, вернуть изображения и цель

def generate_real_samples (dataset, n_samples, patch_shape):

# распаковать набор данных

trainA, trainB = dataset

# выбрать случайные экземпляры

ix 0, поезд А.shape [0], n_samples)

# извлекать выбранные изображения

X1, X2 = trainA [ix], trainB [ix]

# генерировать ‘настоящие’ метки классов (1)

y = единицы ((n_samples, patch_shape , patch_shape, 1))

return [X1, X2], y

Функция generate_fake_samples () ниже использует модель генератора и пакет реальных исходных изображений для создания эквивалентного пакета целевых изображений для дискриминатора.

Они возвращаются с меткой class-0, чтобы указать дискриминатору, что они поддельные.

# генерировать пакет изображений, возвращает изображения и цели def generate_fake_samples (g_model, samples, patch_shape): # создать поддельный экземпляр X = g_model.predict (образцы) # создать фальшивые метки классов (0) y = нули ((len (X), patch_shape, patch_shape, 1)) возврат X, y

# генерировать пакет изображений, возвращает изображения и цели

def generate_fake_samples (g_model, samples, patch_shape):

# генерировать поддельный экземпляр

X = g_model.предсказать (образцы)

# создать ‘поддельные’ метки классов (0)

y = нули ((len (X), patch_shape, patch_shape, 1))

return X, y

Обычно модели GAN не сходятся; вместо этого находится равновесие между моделями генератора и дискриминатора. Таким образом, мы не можем легко судить, когда следует прекратить тренировку. Таким образом, мы можем сохранить модель и использовать ее для периодического генерирования примеров преобразования изображения в изображение во время обучения, например, каждые 10 эпох обучения.

Затем мы можем просмотреть сгенерированные изображения в конце обучения и использовать качество изображения для выбора окончательной модели.

Функция summarize_performance () реализует это, беря модель генератора в момент обучения и используя ее для генерации числа, в данном случае трех, переводов случайно выбранных изображений в наборе данных. Затем исходное, сгенерированное изображение и ожидаемая цель наносятся на график в виде трех рядов изображений, а график сохраняется в файл. Кроме того, модель сохраняется в файл в формате H5, что упрощает загрузку в дальнейшем.

Имена файлов изображений и моделей включают номер итерации обучения, что позволяет нам легко различать их в конце обучения.

# сгенерировать образцы и сохранить как график и сохранить модель def summarize_performance (шаг, g_model, набор данных, n_samples = 3): # выбираем образец входных изображений [X_realA, X_realB], _ = generate_real_samples (набор данных, n_samples, 1) # создать партию поддельных образцов X_fakeB, _ = generate_fake_samples (g_model, X_realA, 1) # масштабировать все пиксели от [-1,1] до [0,1] X_realA = (X_realA + 1) / 2.0 X_realB = (X_realB + 1) / 2.0 X_fakeB = (X_fakeB + 1) / 2.0 # построить реальные исходные изображения для i в диапазоне (n_samples): pyplot.subplot (3, n_samples, 1 + i) pyplot.axis (‘выключено’) pyplot.imshow (X_realA [i]) # сюжет сгенерировал целевое изображение для i в диапазоне (n_samples): pyplot.subplot (3, n_samples, 1 + n_samples + i) pyplot.axis (‘выключено’) pyplot.imshow (X_fakeB [i]) # построить реальное целевое изображение для i в диапазоне (n_samples): пиплот.подзаговор (3, n_samples, 1 + n_samples * 2 + i) pyplot.axis (‘выключено’) pyplot.imshow (X_realB [i]) # сохранить график в файл filename1 = ‘plot_% 06d.png’% (шаг + 1) pyplot.savefig (имя_файла1) pyplot.close () # сохраняем модель генератора filename2 = ‘model_% 06d.h5’% (шаг + 1) g_model.save (имя_файла2) print (‘> Сохранено:% s и% s’% (имя_файла1, имя_файла2))

1

2

3

4

5

6

7

8

9

10

11

12

13

140002

18

19

20

21

22

23

24

25

26

27

28

29

30

0003

# сгенерировать образцы и сохранить как график и сохранить модель

def summarize_performance (step, g_model, dataset, n_samples = 3):

# выбрать образец входных изображений

[X_realA, X_realB], _ = generate_real_samples (dataset, n_samples, 1)

# создать пакет поддельных образцов

X_fakeB, _ = generate_fake_samples (g_model, X_realA, 1)

# масштабировать все пиксели от [-1,1] до [0,1]

X_realA = (X_realA + 1) / 2.0

X_realB = (X_realB + 1) / 2.0

X_fakeB = (X_fakeB + 1) / 2.0

# построить реальные исходные изображения

для i в диапазоне (n_samples):

pyplot.subplot (3, n_samples, 1 + i)

pyplot.axis (‘off’)

pyplot.imshow (X_realA [i])

# plot сгенерированное целевое изображение

для i в диапазоне (n_samples):

pyplot.subplot (3, n_samples, 1 + n_samples + i)

pyplot.axis (‘off’)

pyplot.imshow (X_fakeB [i])

# построить реальное целевое изображение

для i в диапазоне (n_samples):

pyplot.subplot (3, n_samples, 1 + n_samples * 2 + i)

pyplot.axis (‘off ‘)

pyplot.imshow (X_realB [i])

# сохранить график в файл

filename1 =’ plot_% 06d.png ‘% (step + 1)

pyplot.savefig (filename1)

pyplot.close ()

# сохранить модель генератора

filename2 = ‘model_% 06d.h5’% (step + 1)

g_model.save (filename2)

print (‘> Сохранено:% s и% s’% (filename1, filename2))

Наконец, мы можем обучить модели генератора и дискриминатора.

Приведенная ниже функция train () реализует это, принимая в качестве входных данных заданный генератор, дискриминатор, составную модель и загруженный набор данных. Количество эпох установлено на 100, чтобы сократить время обучения, хотя в статье использовалось 200. Размер партии 1 используется, как рекомендовано в статье.

Обучение включает фиксированное количество итераций обучения. В наборе обучающих данных 1097 изображений. Одна эпоха — это одна итерация по этому количеству примеров, при этом размер пакета, равный единице, означает 1097 шагов обучения. Генератор сохраняется и оценивается каждые 10 эпох или каждые 10970 обучающих шагов, а модель будет работать в течение 100 эпох, или всего 109 700 обучающих шагов.

Каждый шаг обучения включает в себя сначала выбор пакета реальных примеров, а затем использование генератора для создания пакета совпадающих поддельных образцов с использованием реальных исходных изображений.Затем дискриминатор обновляется пакетом реальных изображений, а затем — поддельными изображениями.

Затем модель генератора обновляется, предоставляя реальные исходные изображения в качестве входных данных и предоставляя метки классов 1 (реальные) и реальные целевые изображения в качестве ожидаемых выходных данных модели, необходимой для расчета потерь. Генератор имеет две оценки потерь, а также оценку взвешенной суммы, полученную при вызове train_on_batch () . Нас интересует только взвешенная сумма баллов (первое возвращаемое значение), поскольку она используется для обновления весов модели.

Наконец, потеря для каждого обновления сообщается на консоль на каждой итерации обучения, а производительность модели оценивается каждые 10 периодов обучения.

# поезд pix2pix модель def train (d_model, g_model, gan_model, набор данных, n_epochs = 100, n_batch = 1): # определяем выходную квадратную форму дискриминатора n_patch = d_model.output_shape [1] # распаковать набор данных trainA, trainB = набор данных # подсчитываем количество пакетов за период обучения bat_per_epo = интервал (len (trainA) / n_batch) # рассчитываем количество итераций обучения n_steps = bat_per_epo * n_epochs # вручную перечислить эпохи для i в диапазоне (n_steps): # выбрать партию реальных образцов [X_realA, X_realB], y_real = generate_real_samples (набор данных, n_batch, n_patch) # создать партию поддельных образцов X_fakeB, y_fake = generate_fake_samples (g_model, X_realA, n_patch) # обновить дискриминатор для реальных образцов d_loss1 = d_model.train_on_batch ([X_realA, X_realB], y_real) # обновить дискриминатор для сгенерированных образцов d_loss2 = d_model.train_on_batch ([X_realA, X_fakeB], y_fake) # обновить генератор g_loss, _, _ = gan_model.train_on_batch (X_realA, [y_real, X_realB]) # подвести итоги print (‘>% d, d1 [%. 3f] d2 [%. 3f] g [%. 3f]’% (i + 1, d_loss1, d_loss2, g_loss)) # подвести итоги работы модели если (i + 1)% (bat_per_epo * 10) == 0: summarize_performance (я, g_model, набор данных)

1

2

3

4

5

6

7

8

9

10

11

12

13

140002

14

18

19

20

21

22

23

24

25

26

27

# train pix2pix model

def train (d_model, g_model, gan_model, dataset, n_epochs = 100, n_batch = 1):

# определение выходной квадратной формы дискриминатора

n_patch = d_model.output_shape [1]

# распаковать набор данных

trainA, trainB = dataset

# вычислить количество пакетов на обучающую эпоху

bat_per_epo = int (len (trainA) / n_batch)

# вычислить количество итераций обучения

n_steps = bat_per_epo * n_epochs

# вручную перечислить эпохи

для i в диапазоне (n_steps):

# выбрать партию реальных сэмплов

[X_realA, X_realB], y_real_patch_realBase, y_real_patch_real_sample = (сгенерировать)

# создать пакет поддельных образцов

X_fakeB, y_fake = generate_fake_samples (g_model, X_realA, n_patch)

# обновить дискриминатор для реальных образцов

d_loss1 = d_model.train_on_batch ([X_realA, X_realB], y_real)

# обновить дискриминатор для сгенерированных сэмплов

d_loss2 = d_model.train_on_batch ([X_realA, X_fakeB], y_fake)

# обновить генератор 9_dellossan,

train_on_batch (X_realA, [y_real, X_realB])

# суммируем производительность

print (‘>% d, d1 [%. 3f] d2 [%. 3f] g [%. 3f]’% (i + 1, d_loss1 , d_loss2, g_loss))

# суммировать производительность модели

if (i + 1)% (bat_per_epo * 10) == 0:

summarize_performance (i, g_model, dataset)

Объединяя все это воедино, ниже приведен полный пример кода для обучения Pix2Pix GAN преобразованию спутниковых фотографий в изображения Google Maps.

# пример pix2pix gan для спутника для преобразования изображения в изображение из numpy import load из numpy импортных нулей из множества импортных из numpy.random import randint от keras.optimizers импорт Адам из keras.initializers import RandomNormal из keras.models импорт модели from keras.models import Input из keras.layers импортировать Conv2D из keras.layers import Conv2DTranspose from keras.layers import LeakyReLU из кераса.активация импорта слоев из keras.layers import Concatenate из keras.layers import Dropout из keras.layers import BatchNormalization from keras.layers import LeakyReLU из matplotlib import pyplot # определяем модель дискриминатора def define_discriminator (image_shape): # инициализация веса init = RandomNormal (стандартное отклонение = 0,02) # вход исходного изображения in_src_image = Вход (shape = image_shape) # ввод целевого изображения in_target_image = Вход (shape = image_shape) # объединить изображения по каналам merged = Concatenate () ([in_src_image, in_target_image]) # C64 d = Conv2D (64, (4,4), strides = (2,2), padding = ‘same’, kernel_initializer = init) (объединено) d = LeakyReLU (альфа = 0.2) (г) # C128 d = Conv2D (128, (4,4), strides = (2,2), padding = ‘same’, kernel_initializer = init) (d) d = BatchNormalization () (d) d = LeakyReLU (альфа = 0,2) (d) # C256 d = Conv2D (256, (4,4), strides = (2,2), padding = ‘same’, kernel_initializer = init) (d) d = BatchNormalization () (d) d = LeakyReLU (альфа = 0,2) (d) # C512 d = Conv2D (512, (4,4), strides = (2,2), padding = ‘same’, kernel_initializer = init) (d) d = BatchNormalization () (d) d = LeakyReLU (альфа = 0.2) (г) # второй последний выходной слой d = Conv2D (512, (4,4), padding = ‘same’, kernel_initializer = init) (d) d = BatchNormalization () (d) d = LeakyReLU (альфа = 0,2) (d) # вывод патча d = Conv2D (1, (4,4), padding = ‘same’, kernel_initializer = init) (d) patch_out = Активация (‘сигмоид’) (d) # определить модель model = Модель ([in_src_image, in_target_image], patch_out) # скомпилировать модель opt = Адам (lr = 0,0002, beta_1 = 0,5) model.compile (loss = ‘binary_crossentropy’, optimizer = opt, loss_weights = [0.5]) модель возврата # определить блок кодировщика def define_encoder_block (layer_in, n_filters, batchnorm = True): # инициализация веса init = RandomNormal (стандартное отклонение = 0,02) # добавить слой понижающей дискретизации g = Conv2D (n_filters, (4,4), strides = (2,2), padding = ‘same’, kernel_initializer = init) (layer_in) # условно добавить пакетную нормализацию если батчнорм: g = BatchNormalization () (g, обучение = True) # дырявая активация relu g = LeakyReLU (альфа = 0.2) (г) вернуть г # определяем блок декодера def decoder_block (layer_in, skip_in, n_filters, dropout = True): # инициализация веса init = RandomNormal (стандартное отклонение = 0,02) # добавить слой с повышающей дискретизацией g = Conv2DTranspose (n_filters, (4,4), strides = (2,2), padding = ‘same’, kernel_initializer = init) (layer_in) # добавить пакетную нормализацию g = BatchNormalization () (g, обучение = True) # условно добавить отсев если бросил: g = выпадение (0,5) (g, обучение = верно) # объединить с пропустить соединение g = Concatenate () ([g, skip_in]) # активация relu g = Активация (‘relu’) (g) вернуть г # определить модель автономного генератора def define_generator (image_shape = (256,256,3)): # инициализация веса init = RandomNormal (stddev = 0.02) # ввод изображения in_image = Вход (shape = image_shape) # модель кодировщика e1 = define_encoder_block (in_image, 64, batchnorm = False) e2 = define_encoder_block (e1, 128) e3 = define_encoder_block (e2, 256) e4 = define_encoder_block (e3, 512) e5 = define_encoder_block (e4, 512) e6 = define_encoder_block (e5, 512) e7 = define_encoder_block (e6, 512) # бутылочное горлышко, без партии norm и relu b = Conv2D (512, (4,4), strides = (2,2), padding = ‘same’, kernel_initializer = init) (e7) b = Активация (‘relu’) (b) # модель декодера d1 = decoder_block (b, e7, 512) d2 = decoder_block (d1, e6, 512) d3 = decoder_block (d2, e5, 512) d4 = decoder_block (d3, e4, 512, dropout = False) d5 = decoder_block (d4, e3, 256, dropout = False) d6 = decoder_block (d5, e2, 128, dropout = False) d7 = decoder_block (d6, e1, 64, dropout = False) # выход g = Conv2DTranspose (3, (4,4), strides = (2,2), padding = ‘same’, kernel_initializer = init) (d7) out_image = Активация (‘tanh’) (г) # определить модель model = Модель (in_image, out_image) модель возврата # определить комбинированную модель генератора и дискриминатора для обновления генератора def define_gan (g_model, d_model, image_shape): # сделать веса в дискриминаторе необучаемыми для слоя в d_model.слои: если не isinstance (слой, BatchNormalization): layer.trainable = Ложь # определяем исходное изображение in_src = Вход (shape = image_shape) # подключаем исходное изображение ко входу генератора gen_out = g_model (in_src) # подключить вход источника и выход генератора к входу дискриминатора dis_out = d_model ([in_src, gen_out]) # src image как вход, сгенерированное изображение и вывод классификации model = Модель (in_src, [dis_out, gen_out]) # скомпилировать модель opt = Адам (lr = 0.0002, beta_1 = 0,5) model.compile (loss = [‘binary_crossentropy’, ‘mae’], optimizer = opt, loss_weights = [1,100]) модель возврата # загрузить и подготовить обучающие изображения def load_real_samples (имя файла): # загружаем сжатые массивы данные = загрузка (имя файла) # распаковать массивы X1, X2 = данные [‘arr_0’], данные [‘arr_1’] # масштаб от [0,255] до [-1,1] X1 = (X1 — 127,5) / 127,5 Х2 = (Х2 — 127,5) / 127,5 return [X1, X2] # выбираем партию случайных выборок, возвращаем изображения и выбираем def generate_real_samples (набор данных, n_samples, patch_shape): # распаковать набор данных trainA, trainB = набор данных # выбираем случайные экземпляры ix = randint (0, trainA.форма [0], n_samples) # получить выбранные изображения X1, X2 = поезд A [ix], поезд B [ix] # генерировать «настоящие» метки классов (1) y = единицы ((n_samples, patch_shape, patch_shape, 1)) return [X1, X2], y # генерировать пакет изображений, возвращает изображения и цели def generate_fake_samples (g_model, samples, patch_shape): # создать поддельный экземпляр X = g_model.predict (образцы) # создать фальшивые метки классов (0) y = нули ((len (X), patch_shape, patch_shape, 1)) вернуть X, y # сгенерировать образцы и сохранить как график и сохранить модель def summarize_performance (шаг, g_model, набор данных, n_samples = 3): # выбираем образец входных изображений [X_realA, X_realB], _ = generate_real_samples (набор данных, n_samples, 1) # создать партию поддельных образцов X_fakeB, _ = generate_fake_samples (g_model, X_realA, 1) # масштабировать все пиксели от [-1,1] до [0,1] X_realA = (X_realA + 1) / 2.0 X_realB = (X_realB + 1) / 2.0 X_fakeB = (X_fakeB + 1) / 2.0 # построить реальные исходные изображения для i в диапазоне (n_samples): pyplot.subplot (3, n_samples, 1 + i) pyplot.axis (‘выключено’) pyplot.imshow (X_realA [i]) # сюжет сгенерировал целевое изображение для i в диапазоне (n_samples): pyplot.subplot (3, n_samples, 1 + n_samples + i) pyplot.axis (‘выключено’) pyplot.imshow (X_fakeB [i]) # построить реальное целевое изображение для i в диапазоне (n_samples): пиплот.подзаговор (3, n_samples, 1 + n_samples * 2 + i) pyplot.axis (‘выключено’) pyplot.imshow (X_realB [i]) # сохранить график в файл filename1 = ‘plot_% 06d.png’% (шаг + 1) pyplot.savefig (имя_файла1) pyplot.close () # сохраняем модель генератора filename2 = ‘model_% 06d.h5’% (шаг + 1) g_model.save (имя_файла2) print (‘> Сохранено:% s и% s’% (имя_файла1, имя_файла2)) # поезд модели pix2pix def train (d_model, g_model, gan_model, набор данных, n_epochs = 100, n_batch = 1): # определяем выходную квадратную форму дискриминатора n_patch = d_model.output_shape [1] # распаковать набор данных trainA, trainB = набор данных # подсчитываем количество пакетов за период обучения bat_per_epo = интервал (len (trainA) / n_batch) # рассчитываем количество итераций обучения n_steps = bat_per_epo * n_epochs # вручную перечислить эпохи для i в диапазоне (n_steps): # выбрать партию реальных образцов [X_realA, X_realB], y_real = generate_real_samples (набор данных, n_batch, n_patch) # создать партию поддельных образцов X_fakeB, y_fake = generate_fake_samples (g_model, X_realA, n_patch) # обновить дискриминатор для реальных образцов d_loss1 = d_model.train_on_batch ([X_realA, X_realB], y_real) # обновить дискриминатор для сгенерированных образцов d_loss2 = d_model.train_on_batch ([X_realA, X_fakeB], y_fake) # обновить генератор g_loss, _, _ = gan_model.train_on_batch (X_realA, [y_real, X_realB]) # подвести итоги print (‘>% d, d1 [%. 3f] d2 [%. 3f] g [%. 3f]’% (i + 1, d_loss1, d_loss2, g_loss)) # подвести итоги работы модели если (i + 1)% (bat_per_epo * 10) == 0: summarize_performance (я, g_model, набор данных) # загрузить данные изображения набор данных = load_real_samples (‘maps_256.нпз ‘) print (‘Загружено’, набор данных [0] .shape, набор данных [1] .shape) # определить форму ввода на основе загруженного набора данных image_shape = набор данных [0] .shape [1:] # определить модели d_model = define_discriminator (image_shape) g_model = define_generator (image_shape) # определить составную модель gan_model = define_gan (g_model, d_model, image_shape) # модель поезда поезд (d_model, g_model, gan_model, набор данных)

1

2

3

4

5

6

7

8

9

10

11

12

13

140002

14

18

19

20

21

22

23

24

25

26

27

28

29

30

000

000 34

35

36

37

38

39

40

41

42

43

44

45

46

49

0002 47

00030002 47

0003

51

52

53

54

55

56

57

58

59

60

61

62

63

9 0002 64

65

66

67

68

69

70

71

72

73

74

75

76

77

81

82

83

84

85

86

87

88

89

90

91

92

93

000

93

000

97

98

99

100

101

102

103

104

105

106

107

108

109

1102

109

1102

114

115

116

117

118

119

120

121

122

123

124

125

126

127

128

129

130

131

132

133

134

135

136

137

13

136

137

1382 138

137

1382 138

142

143

144

145

146

147

148

149

150

151

152

153

153

153

153

158

159

160

161

162

163

164

165

166

167

168

169

000

000

170002 170

0003

175

176

177

178

179

180

181

182

183 9000 3

184

185

186

187

188

189

190

191

192

193

194

195

0003

0003

1

0003

194 200

201

202

203

204

205

206

207

208

209

210

211

212

0003

211

212

0003

212

0003

217

218

219

220

221

222

223

224

225

226

227

228

000

227

228

000

0003

228

000

0003

228

000

234

235

236

237

238

239

240

241

242 9 0003

243

244

# пример pix2pix gan для спутника для преобразования изображения в изображение

из numpy import load

from numpy import zeros

from numpy import ones

from numpy.random import randint

from keras.optimizers import Adam

from keras.initializers import RandomNormal

from keras.models import Model

from keras.models import Input

from keras.layers import Conv2D

import from keras.layers Conv2DTranspose

из keras.layers import LeakyReLU

from keras.layers import Activation

from keras.layers import Concatenate

from keras.layers import Dropout

from keras.Layers import BatchNormalization

from keras.layers import LeakyReLU

from matplotlib import pyplot

# определить модель дискриминатора

def define_discriminator (image_shape):

# инициализация веса

# исходное изображение input

in_src_image = Input (shape = image_shape)

# целевое изображение input

in_target_image = Input (shape = image_shape)

# объединять изображения по каналам

merged = Concatenate, () in_target_image])

# C64

d = Conv2D (64, (4,4), strides = (2,2), padding = ‘same’, kernel_initializer = init) (объединено)

d = LeakyReLU (alpha = 0.2) (d)

# C128

d = Conv2D (128, (4,4), strides = (2,2), padding = ‘same’, kernel_initializer = init) (d)

d = BatchNormalization ( ) (d)

d = LeakyReLU (alpha = 0.2) (d)

# C256

d = Conv2D (256, (4,4), strides = (2,2), padding = ‘same’, kernel_initializer = init) (d)

d = BatchNormalization () (d)

d = LeakyReLU (alpha = 0,2) (d)

# C512

d = Conv2D (512, (4,4), шаги = ( 2,2), padding = ‘same’, kernel_initializer = init) (d)

d = BatchNormalization () (d)

d = LeakyReLU (alpha = 0.2) (d)

# второй последний выходной слой

d = Conv2D (512, (4,4), padding = ‘same’, kernel_initializer = init) (d)

d = BatchNormalization () (d)

d = LeakyReLU (alpha = 0.2) (d)

# вывод патча

d = Conv2D (1, (4,4), padding = ‘same’, kernel_initializer = init) (d)

patch_out = Activation ( ‘sigmoid’) (d)

# определить модель

model = Model ([in_src_image, in_target_image], patch_out)

# скомпилировать модель

opt = Adam (lr = 0.0002, beta_1 = 0,5)

model.compile (loss = ‘binary_crossentropy’, optimizer = opt, loss_weights = [0,5])

return model

# определить блок кодировщика

def define_encoder_block (layer_in, n_filters, batchnorm = True):

# инициализация веса

init = RandomNormal (stddev = 0,02)

# добавить слой понижающей дискретизации

g = Conv2D (n_filters, (4,4), strides = (2,2), padding = ‘same’, kernel_initializer = init) (layer_in)

# условно добавить пакетную нормализацию

, если batchnorm:

g = BatchNormalization () (g, training = True)

# активируемый relu

g = LeakyReLU (alpha = 0.2) (g)

return g

# определение блока декодера

def decoder_block (layer_in, skip_in, n_filters, dropout = True):

# инициализация веса

init = RandomNormal (std0003 = 0.02)

# добавить слой с повышением дискретизации

g = Conv2DTranspose (n_filters, (4,4), strides = (2,2), padding = ‘same’, kernel_initializer = init) (layer_in)

# добавить пакетную нормализацию

g = BatchNormalization () (g, training = True)

# условно добавить выпадение

если выпадение:

g = выпадение (0.5) (g, training = True)

# слияние с пропуском соединения

g = Concatenate () ([g, skip_in])

# повторная активация

g = Activation (‘relu’) (g)

return g

# определение модели автономного генератора

def define_generator (image_shape = (256,256,3)):

# инициализация веса

init = RandomNormal (stddev = 0.02)

# image input

in_image Вход (shape = image_shape)

# модель кодировщика

e1 = define_encoder_block (in_image, 64, batchnorm = False)

e2 = define_encoder_block (e1, 128)

e3 = define_encoder_block2 9 = define_encoder_block4 (e2 (e3, 512)

e5 = define_encoder_block (e4, 512)

e6 = define_encoder_block (e5, 512)

e7 = define_encoder_block (e6, 512)

# bottleneck, no batch norm2D и relu

(512, (4,4), шаги = (2,2), паддин g = ‘same’, kernel_initializer = init) (e7)

b = Активация (‘relu’) (b)

# модель декодера

d1 = decoder_block (b, e7, 512)

d2 = decoder_block (d1 , e6, 512)

d3 = decoder_block (d2, e5, 512)

d4 = decoder_block (d3, e4, 512, dropout = False)

d5 = decoder_block (d4, e3, 256, dropout = False)

d6 = decoder_block (d5, e2, 128, dropout = False)

d7 = decoder_block (d6, e1, 64, dropout = False)

# output

g = Conv2DTranspose (3, (4,4), шаги = (2,2), padding = ‘same’, kernel_initializer = init) (d7)

out_image = Activation (‘tanh’) (g)

# определить модель

model = Model (in_image, out_image)

return model

# определить комбинированную модель генератора и дискриминатора, для обновления генератора

def define_gan (g_model, d_model, image_shape):

# сделать веса в дискриминаторе не обучать в состоянии

для слоя в d_model.Layers:

if not isinstance (layer, BatchNormalization):

layer.trainable = False

# определить исходное изображение

in_src = Input (shape = image_shape)

# подключить исходное изображение ко входу генератора

gen_out = g_model (in_src)

# подключите вход источника и выход генератора к входу дискриминатора

dis_out = d_model ([in_src, gen_out])

# src изображение в качестве входа, сгенерированное изображение и выход классификации

model = Model (in_src, [dis_out, gen_out])

# скомпилировать модель

opt = Adam (lr = 0.0002, beta_1 = 0,5)

model.compile (loss = [‘binary_crossentropy’, ‘mae’], optimizer = opt, loss_weights = [1,100])

return model

# загрузить и подготовить обучающие изображения

def load_real_samples (filename):

# загрузить сжатые массивы

data = load (filename)

# распаковать массивы

X1, X2 = data [‘arr_0’], data [‘arr_1’]

# масштаб от [ 0,255] до [-1,1]

X1 = (X1 — 127,5) / 127,5

X2 = (X2 — 127.5) / 127,5

return [X1, X2]

# выбор пакета случайных выборок, возврат изображений и цель

def generate_real_samples (dataset, n_samples, patch_shape):

# unpack dataset

trainA = набор данных

# выбрать случайные экземпляры

ix = randint (0, trainA.shape [0], n_samples)

# получить выбранные изображения

X1, X2 = trainA [ix], trainB [ix]

# сгенерировать ‘реальные’ метки класса (1)

y = единицы ((n_samples, patch_shape, patch_shape, 1))

return [X1, X2], y

# генерировать пакет изображений, возвращает изображения и цели

def generate_fake_samples (g_model, samples, patch_shape):

# генерировать поддельный экземпляр

X = g_model.предсказать (образцы)

# создать ‘поддельные’ метки классов (0)

y = нули ((len (X), patch_shape, patch_shape, 1))

return X, y

# создать образцы и сохранить как график и сохраните модель

def summarize_performance (step, g_model, dataset, n_samples = 3):

# выберите образец входных изображений

[X_realA, X_realB], _ = generate_real_samples (dataset, n_samples, 1)

# создать пакет поддельных образцов

X_fakeB, _ = generate_fake_samples (g_model, X_realA, 1)

# масштабировать все пиксели от [-1,1] до [0,1]

X_realA = (X_realA + 1 ) / 2.0

X_realB = (X_realB + 1) / 2.0

X_fakeB = (X_fakeB + 1) / 2.0

# построить реальные исходные изображения

для i в диапазоне (n_samples):

pyplot.subplot (3, n_samples, 1 + i)

pyplot.axis (‘off’)

pyplot.imshow (X_realA [i])

# plot сгенерированное целевое изображение

для i в диапазоне (n_samples):

pyplot.subplot (3, n_samples, 1 + n_samples + i)

pyplot.axis (‘off’)

pyplot.imshow (X_fakeB [i])

# построить реальное целевое изображение

для i в диапазоне (n_samples):

pyplot.subplot (3, n_samples, 1 + n_samples * 2 + i)

pyplot.axis (‘off ‘)

pyplot.imshow (X_realB [i])

# сохранить график в файл

filename1 =’ plot_% 06d.png ‘% (step + 1)

pyplot.savefig (filename1)

pyplot.close ()

# сохранить модель генератора

filename2 = ‘model_% 06d.h5’% (step + 1)

g_model.save (filename2)

print (‘> Сохранено:% s и% s’% (filename1, filename2))

# train pix2pix models

def train (d_model, g_model, gan_model, dataset, n_epochs = 100, n_batch = 1):

# определить выходную квадратную форму дискриминатора

n_patch = d_model.output_shape [1]

# распаковать набор данных

trainA, trainB = dataset

# вычислить количество пакетов за период обучения

bat_per_epo = int (len (trainA) / n_batch)

# вычислить количество обучающих итераций

n_steps = bat_per_epo * n_epochs

# вручную перечислить эпохи

для i in range (n_steps

): # 9000 реальных образцов

[X_realA, X_realB], y_real = generate_real_samples (dataset, n_batch, n_patch)

# создать пакет поддельных образцов

X_fakeB, y_fake = generate_fake_samples (g_model_ 9_real) 0002 # обновить дискриминатор для реальных отсчетов

d_loss1 = d_model.train_on_batch ([X_realA, X_realB], y_real)

# обновить дискриминатор для сгенерированных выборок

d_loss2 = d_model.train_on_batch ([X_realA, X_fakeB], y_fake)

# обновить генератор 9_dellossan,

train_on_batch (X_realA, [y_real, X_realB])

# суммируем производительность

print (‘>% d, d1 [%. 3f] d2 [%. 3f] g [%. 3f]’% (i + 1, d_loss1 , d_loss2, g_loss))

# суммировать производительность модели

if (i + 1)% (bat_per_epo * 10) == 0:

summarize_performance (i, g_model, dataset)

# загрузить данные изображения

набор данных = load_real_samples (‘maps_256.npz ‘)

print (‘ Loaded ‘, dataset [0] .shape, dataset [1] .shape)

# определить входную форму на основе загруженного набора данных

image_shape = dataset [0] .shape [1:]

# определить модели

d_model = define_discriminator (image_shape)

g_model = define_generator (image_shape)

# определить составную модель

gan_model = define_gan (g_model

d_model

, train_model

, train_model

, train_model) d_model, g_model, gan_model, набор данных)

Пример можно запустить на аппаратном обеспечении ЦП, хотя рекомендуется аппаратное обеспечение ГП.

Пример может занять около двух часов на современном оборудовании GPU.

Примечание : Ваши результаты могут отличаться из-за стохастической природы алгоритма или процедуры оценки или различий в числовой точности. Попробуйте запустить пример несколько раз и сравните средний результат.

Сообщается о потерях на каждой итерации обучения, включая потерю дискриминатора на реальных примерах (d1), потерю дискриминатора на сгенерированных или поддельных примерах (d2) и потерю генератора, которая представляет собой средневзвешенное значение состязательных и L1 потерь (g).

Если потери дискриминатора стремятся к нулю и остаются там в течение длительного времени, рассмотрите возможность перезапуска обучающего прогона, поскольку это пример ошибки обучения.

> 1, d1 [0,566] d2 [0,520] г [82,266] > 2, d1 [0,469] d2 [0,484] г [66,813] > 3, d1 [0,428] d2 [0,477] г [79,520] > 4, d1 [0,362] d2 [0,405] г [78,143] > 5, d1 [0,416] d2 [0,406] г [72,452] … > 109596, d1 [0,303] d2 [0,006] г [5,792] > 109597, d1 [0,001] d2 [1,127] g [14.343] > 109598, d1 [0,000] d2 [0,381] г [11,851] > 109599, d1 [1,289] d2 [0,547] г [6,901] > 109600, d1 [0,437] d2 [0,005] г [10,460] > Сохранены: plot_109600.png и model_109600.h5

> 1, d1 [0,566] d2 [0,520] г [82,266]

> 2, d1 [0,469] d2 [0,484] г [66,813]

> 3, d1 [0,428] d2 [0,477] г [79,520 ]

> 4, d1 [0,362] d2 [0,405] г [78,143]

> 5, d1 [0,416] d2 [0,406] г [72.452]

> 109596, d1 [0,303] d2 [0,006] г [5,792]

> 109597, d1 [0,001] d2 [1,127] г [14,343]

> 109598, d1 [0,000] d2 [0,381] г [11,851]

> 109599, d1 [1,289] d2 [0,547] г [6,901]

> 109600, d1 [0,437] d2 [0,005] г [10,460]

> Сохранено: plot_109600.png и модель_109600.h5

Модели сохраняются каждые 10 эпох и сохраняются в файл с номером итерации обучения. Кроме того, изображения генерируются каждые 10 эпох и сравниваются с ожидаемыми целевыми изображениями.Эти графики можно оценить в конце прогона и использовать для выбора окончательной модели генератора на основе качества сгенерированного изображения.

В конце прогона у вас будет 10 сохраненных файлов модели и 10 графиков сгенерированных изображений.

После первых 10 эпох создаются изображения карты, которые выглядят правдоподобно, хотя линии улиц не совсем прямые, а изображения содержат некоторое размытие. Тем не менее, большие конструкции находятся в нужных местах, в большинстве случаев в правильных цветах.

График спутника на карту Google, переведенные изображения с помощью Pix2Pix после 10 эпох обучения

Изображения, сгенерированные примерно после 50 периодов обучения, начинают выглядеть очень реалистично, по крайней мере, в смысле, а качество остается хорошим до конца тренировочного процесса.

Обратите внимание на первый пример сгенерированного изображения ниже (правый столбец, средняя строка), который содержит больше полезных деталей, чем реальное изображение карты Google.

График спутника на карту Google, переведенные изображения с помощью Pix2Pix после 100 эпох обучения

Теперь, когда мы разработали и обучили модель Pix2Pix, мы можем изучить, как их можно использовать автономно.

Как переводить изображения с помощью модели Pix2Pix

Обучение модели Pix2Pix приводит к созданию множества сохраненных моделей и образцов сгенерированных изображений для каждой из них.

Больше эпох обучения не обязательно означает более качественную модель. Следовательно, мы можем выбрать модель на основе качества сгенерированных изображений и использовать ее для выполнения специального преобразования изображения в изображение.

В этом случае мы будем использовать модель, сохраненную в конце прогона, например после 100 эпох или 109 600 итераций обучения.

Хорошей отправной точкой является загрузка модели и использование ее для специальных переводов исходных изображений в обучающем наборе данных.

Сначала мы можем загрузить набор обучающих данных. Мы можем использовать ту же функцию с именем load_real_samples () для загрузки набора данных, которая использовалась при обучении модели.

# загрузить и подготовить обучающие изображения def load_real_samples (имя файла): # загрузить сжатые файлы данные = загрузка (имя файла) # распаковать массивы X1, X2 = данные [‘arr_0’], данные [‘arr_1’] # масштаб от [0,255] до [-1,1] Х1 = (Х1 — 127.5) / 127,5 Х2 = (Х2 — 127,5) / 127,5 возврат [X1, X2]

# загрузить и подготовить обучающие изображения

def load_real_samples (filename):

# загрузить сжатые файлы

data = load (filename)

# распаковать массивы

X1, X2 = data [‘arr_0’], data [ ‘arr_1’]

# масштаб от [0,255] до [-1,1]

X1 = (X1 — 127,5) / 127,5

X2 = (X2 — 127,5) / 127.5

возврат [X1, X2]

Эту функцию можно вызвать следующим образом:

… # загрузить набор данных [X1, X2] = load_real_samples (‘maps_256.npz’) print (‘Загружено’, X1.shape, X2.shape)

# загрузить набор данных

[X1, X2] = load_real_samples (‘maps_256.npz’)

print (‘Loaded’, X1.shape, X2.shape)

Затем мы можем загрузить сохраненную модель Keras.

… # модель нагрузки модель = load_model (‘модель_109600.h5’)

# загрузить модель

model = load_model (‘model_109600.h5’)

Затем мы можем выбрать случайную пару изображений из набора обучающих данных для использования в качестве примера.

… # выбрать случайный пример ix = randint (0, len (X1), 1) src_image, tar_image = X1 [ix], X2 [ix]

# выбрать случайный пример

ix = randint (0, len (X1), 1)

src_image, tar_image = X1 [ix], X2 [ix]

Мы можем предоставить исходное спутниковое изображение в качестве входных данных для модели и использовать его для прогнозирования изображения карты Google.

… # генерировать изображение из источника gen_image = model.predict (src_image)

# генерировать изображение из источника

gen_image = model.предсказать (src_image)

Наконец, мы можем построить исходное, сгенерированное изображение и ожидаемое целевое изображение.

Функция plot_images () ниже реализует это, обеспечивая красивый заголовок над каждым изображением.

# сюжетное исходное, сгенерированное и целевое изображения def plot_images (src_img, gen_img, tar_img): images = vstack ((src_img, gen_img, tar_img)) # масштаб от [-1,1] до [0,1] изображения = (изображения + 1) / 2.0 title = [‘Источник’, ‘Создано’, ‘Ожидается’] # строить изображения построчно для i в диапазоне (len (изображения)): # определить подзаговор pyplot.subplot (1, 3, 1 + я) # выключить ось pyplot.axis (‘выключено’) # построить необработанные пиксельные данные pyplot.imshow (изображения [i]) # показать заголовок pyplot.title (заголовки [i]) pyplot.show ()

1

2

3

4

5

6

7

8

9

10

11

12

13

140002

14

# источник графика, сгенерированные и целевые изображения

def plot_images (src_img, gen_img, tar_img):

images = vstack ((src_img, gen_img, tar_img))

# масштаб от [-1,1] до [0 , 1]

изображений = (images + 1) / 2.0

title = [‘Source’, ‘Generated’, ‘Expected’]

# построчно строить изображения

для i в диапазоне (len (images)):

# define subplot

pyplot.subplot ( 1, 3, 1 + i)

# выключить ось

pyplot.axis (‘off’)

# построить необработанные данные пикселей

pyplot.imshow (images [i])

# показать заголовок

pyplot .title (заголовки [i])

pyplot.show ()

Эту функцию можно вызывать с каждым из наших исходных, сгенерированных и целевых изображений.

… # построить все три изображения plot_images (src_image, gen_image, tar_image)

# построить все три изображения

plot_images (src_image, gen_image, tar_image)

Объединяя все это вместе, ниже приведен полный пример выполнения специального преобразования изображения в изображение с примером из набора обучающих данных.

# пример загрузки модели pix2pix и ее использования для преобразования изображения в изображение из кераса.модели импортировать load_model из numpy import load из numpy import vstack из matplotlib import pyplot из numpy.random import randint # загрузить и подготовить обучающие изображения def load_real_samples (имя файла): # загружаем сжатые массивы данные = загрузка (имя файла) # распаковать массивы X1, X2 = данные [‘arr_0’], данные [‘arr_1’] # масштаб от [0,255] до [-1,1] X1 = (X1 — 127,5) / 127,5 Х2 = (Х2 — 127,5) / 127,5 return [X1, X2] # сюжетное исходное, сгенерированное и целевое изображения def plot_images (src_img, gen_img, tar_img): images = vstack ((src_img, gen_img, tar_img)) # масштаб от [-1,1] до [0,1] изображения = (изображения + 1) / 2.0 title = [‘Источник’, ‘Создано’, ‘Ожидается’] # строить изображения построчно для i в диапазоне (len (изображения)): # определить подзаговор pyplot.subplot (1, 3, 1 + я) # выключить ось pyplot.axis (‘выключено’) # построить необработанные пиксельные данные pyplot.imshow (изображения [i]) # показать заголовок pyplot.title (заголовки [i]) pyplot.show () # загрузить набор данных [X1, X2] = load_real_samples (‘maps_256.npz’) print (‘Загружено’, X1.shape, X2.shape) # модель нагрузки model = load_model (‘модель_109600.h5 ‘) # выбрать случайный пример ix = randint (0, len (X1), 1) src_image, tar_image = X1 [ix], X2 [ix] # генерировать изображение из источника gen_image = model.predict (src_image) # построить все три изображения plot_images (src_image, gen_image, tar_image)

1

2

3

4

5

6

7

8

9

10

11

12

13

140002

18

19

20

21

22

23

24

25

26

27

28

29

30

000

000 34

35

36

37

38

39

40

41

42

43

44

45

46

47

# пример загрузки модели pix2pix и ее использования для преобразования изображения в изображение

из keras.models import load_model

from numpy import load

from numpy import vstack

from matplotlib import pyplot

from numpy.random import randint

# загрузить и подготовить обучающие изображения

def load_real_samples ( загрузить сжатые массивы

data = load (filename)

# распаковать массивы

X1, X2 = data [‘arr_0’], data [‘arr_1’]

# масштабировать от [0,255] до [-1,1]

X1 = (X1 — 127.5) / 127,5

X2 = (X2 — 127,5) / 127,5

return [X1, X2]

# источник графика, сгенерированные и целевые изображения

def plot_images (src_img, gen_img, tar_img):

изображений = vstack ((src_img, gen_img, tar_img))

# масштаб от [-1,1] до [0,1]

изображений = (images + 1) / 2,0

заголовков = [‘Источник’, ‘Создано ‘,’ Expected ‘]

# построчно строить изображения

для i in range (len (images)):

# определять подзаголовок

pyplot.subplot (1, 3, 1 + i)

# выключить ось

pyplot.axis (‘off’)

# построить необработанные данные пикселей

pyplot.imshow (images [i])

# показать заголовок

pyplot.title (title [i])

pyplot.show ()

# загрузить набор данных

[X1, X2] = load_real_samples (‘maps_256.npz’)

print (‘Loaded’, X1. shape, X2.shape)

# загрузить модель

model = load_model (‘model_109600.h5’)

# выбрать случайный пример

ix = randint (0, len (X1), 1)

src_image, tar_image = X1 [ix], X2 [ix]

# генерировать изображение из источника

gen_image = model.pred (src_image)

# построить все три изображения

plot_images (src_image, gen_image, tar_image)

При выполнении примера будет выбрано случайное изображение из набора обучающих данных, оно переведено на карту Google и построено сравнение результата с ожидаемым изображением.

Примечание : Ваши результаты могут отличаться из-за стохастической природы алгоритма или процедуры оценки или различий в числовой точности. Попробуйте запустить пример несколько раз и сравните средний результат.

В этом случае мы видим, что сгенерированное изображение захватывает большие дороги с оранжевым и желтым цветом, а также зеленые парковые зоны. Созданное изображение не идеально, но очень близко к ожидаемому.

График спутника для преобразования изображения карты Google с помощью окончательной модели Pix2Pix GAN

Мы также можем использовать модель для перевода данного автономного изображения.

Мы можем выбрать изображение из набора данных проверки в разделе maps / val и обрезать спутниковый элемент изображения.Затем его можно сохранить и использовать в качестве входных данных для модели.

В этом случае мы будем использовать « maps / val / 1.jpg ».

Пример изображения из части проверки набора данных Maps

Мы можем использовать программу обработки изображений, чтобы создать грубую обрезку спутникового элемента этого изображения для использования в качестве входных данных и сохранить файл как satellite.jpg в текущем рабочем каталоге.

Пример обрезанного спутникового изображения для использования в качестве входных данных для модели Pix2Pix.

Мы должны загрузить изображение как массив пикселей NumPy с размером 256 × 256, изменить масштаб значений пикселей до диапазона [-1,1], а затем расширить размеры одного изображения, чтобы представить один входной образец.

Функция load_image () ниже реализует это, возвращая пиксели изображения, которые могут быть предоставлены непосредственно загруженной модели Pix2Pix.

# загрузить изображение def load_image (имя файла, размер = (256,256)): # загрузить изображение желаемого размера пикселей = load_img (имя файла, target_size = размер) # преобразовать в массив numpy пикселей = img_to_array (пиксели) # масштаб от [0,255] до [-1,1] пикселей = (пикселей — 127,5) / 127,5 # изменить форму до 1 образца пикселей = expand_dims (пикселей, 0) возврат пикселей

# загрузить изображение

def load_image (filename, size = (256,256)):

# загрузить изображение с предпочтительным размером

пикселей = load_img (filename, target_size = size)

# преобразовать в массив numpy

пикселей = img_to_array (пикселей)

# масштаб от [0,255] до [-1,1]

пикселей = (пикселей — 127.5) / 127,5

# изменить форму до 1 образца

пикселей = expand_dims (пикселей, 0)

вернуть пиксели

Затем мы можем загрузить наш обрезанный спутниковый снимок.

… # загрузить исходное изображение src_image = load_image (‘satellite.jpg’) print (‘Загружено’, src_image.shape)

# загрузить исходное изображение

src_image = load_image (‘satellite.jpg ‘)

print (‘ Загружено ‘, src_image.shape)

Как и раньше, мы можем загрузить нашу сохраненную модель генератора Pix2Pix и сгенерировать перевод загруженного изображения.

… # модель нагрузки модель = load_model (‘модель_109600.h5’) # генерировать изображение из источника gen_image = model.predict (src_image)

# загрузить модель

model = load_model (‘model_109600.h5 ‘)

# генерировать изображение из источника

gen_image = model.predict (src_image)

Наконец, мы можем снова масштабировать значения пикселей до диапазона [0,1] и построить график результата.

… # масштаб от [-1,1] до [0,1] gen_image = (gen_image + 1) / 2.0 # построить изображение pyplot.imshow (gen_image [0]) pyplot.axis (‘выключено’) pyplot.show ()

# масштаб от [-1,1] до [0,1]

gen_image = (gen_image + 1) / 2.0

# построить изображение

pyplot.imshow (gen_image [0])

pyplot .axis (‘выкл.’)

pyplot.show ()

Если связать все это вместе, полный пример выполнения специального перевода изображения с одним файлом изображения приведен ниже.

# пример загрузки модели pix2pix и использования ее для одноразового перевода изображений из кераса.модели импортировать load_model из keras.preprocessing.image import img_to_array из keras.preprocessing.image import load_img из numpy import load из numpy import expand_dims из matplotlib import pyplot # загрузить изображение def load_image (имя файла, размер = (256,256)): # загрузить изображение желаемого размера пикселей = load_img (имя файла, target_size = размер) # преобразовать в массив numpy пикселей = img_to_array (пиксели) # масштаб от [0,255] до [-1,1] пикселей = (пикселей — 127.5) / 127,5 # изменить форму до 1 образца пикселей = expand_dims (пикселей, 0) вернуть пиксели # загрузить исходное изображение src_image = load_image (‘satellite.jpg’) print (‘Загружен’, src_image.shape) # модель нагрузки модель = load_model (‘модель_109600.h5’) # генерировать изображение из источника gen_image = model.predict (src_image) # масштаб от [-1,1] до [0,1] gen_image = (gen_image + 1) / 2.0 # построить изображение pyplot.imshow (gen_image [0]) pyplot.axis (‘выключено’) пиплот.показать ()

1

2

3

4

5

6

7

8

9

10

11

12

13

140002

18

19

20

21

22

23

24

25

26

27

28

29

30

0003

# пример загрузки модели pix2pix и ее использования для одноразового преобразования изображения

из keras.модели import load_model

from keras.preprocessing.image import img_to_array

from keras.preprocessing.image import load_img

from numpy import load

from numpy import expand_dims

000 из matplot

000 image

def load_image (filename, size = (256,256)):

# загрузить изображение с предпочтительным размером

пикселей = load_img (filename, target_size = size)

# преобразовать в массив numpy

пикселей = img_to_array (пикселей)

# масштаб от [0,255] до [-1,1]

пикселей = (пикселей — 127.5) / 127,5

# изменить форму до 1 образца

пикселей = expand_dims (пикселей, 0)

вернуть пиксели

# загрузить исходное изображение

src_image = load_image (‘satellite.jpg’)

print (‘ Loaded ‘, src_image.shape)

# загрузить модель

model = load_model (‘ model_109600.h5 ‘)

# создать изображение из источника

gen_image = model.predict (src_image)

# масштаб от [-1, 1] до [0,1]

gen_image = (gen_image + 1) / 2.0

# построить изображение

pyplot.imshow (gen_image [0])

pyplot.axis (‘off’)

pyplot.show ()

При выполнении примера загружается изображение из файла, создается его перевод и отображается результат.

Созданное изображение является разумным переводом исходного изображения.

Улицы не выглядят прямыми, а детали зданий немного нечеткие. Возможно, при дальнейшем обучении или выборе другой модели можно будет создавать изображения более высокого качества.

Участок спутникового изображения, переведенный на карты Google с помощью окончательной модели Pix2Pix GAN

Как перевести карты Google на спутниковые изображения

Теперь, когда мы знакомы с тем, как разработать и использовать модель Pix2Pix для перевода спутниковых изображений на карты Google, мы можем также изучить обратное.

То есть мы можем разработать модель Pix2Pix для преобразования изображений карты Google в правдоподобные спутниковые изображения. Для этого требуется, чтобы модель изобрела или представила себе правдоподобные здания, дороги, парки и т. Д.

Мы можем использовать один и тот же код для обучения модели с одной небольшой разницей. Мы можем изменить порядок наборов данных, возвращаемых функцией load_real_samples () ; например:

# загрузить и подготовить обучающие изображения def load_real_samples (имя файла): # загружаем сжатые массивы данные = загрузка (имя файла) # распаковать массивы X1, X2 = данные [‘arr_0’], данные [‘arr_1’] # масштаб от [0,255] до [-1,1] X1 = (X1 — 127,5) / 127,5 Х2 = (Х2 — 127.5) / 127,5 # возврат в обратном порядке возврат [X2, X1]

# загрузить и подготовить обучающие образы

def load_real_samples (filename):

# загрузить сжатые массивы

data = load (filename)

# распаковать массивы

X1, X2 = data [‘arr_0’], data [ ‘arr_1’]

# масштаб от [0,255] до [-1,1]

X1 = (X1 — 127,5) / 127,5

X2 = (X2 — 127,5) / 127.5

# возврат в обратном порядке

возврат [X2, X1]

Примечание : порядок X1 и X2 обратный.

Это означает, что модель будет принимать изображения карты Google в качестве входных данных и учиться генерировать спутниковые изображения.

Запустите пример, как раньше.

Примечание : Ваши результаты могут отличаться из-за стохастической природы алгоритма или процедуры оценки или различий в числовой точности. Попробуйте запустить пример несколько раз и сравните средний результат.

Как и раньше, о потере модели сообщается на каждой итерации обучения. Если потери для дискриминатора стремятся к нулю и остаются там в течение длительного времени, рассмотрите возможность повторного запуска обучающего прогона, поскольку это пример неудачного обучения.

> 1, d1 [0,442] d2 [0,650] г [49,790] > 2, d1 [0,317] d2 [0,478] г [56,476] > 3, d1 [0,376] d2 [0,450] г [48,114] > 4, d1 [0,396] d2 [0,406] г [62,903] > 5, d1 [0,496] d2 [0,460] г [40,650] … > 109596, d1 [0.311] d2 [0,057] г [25,376] > 109597, d1 [0,028] d2 [0,070] г [16,618] > 109598, d1 [0,007] d2 [0,208] г [18,139] > 109599, d1 [0,358] d2 [0,076] г [22,494] > 109600, d1 [0,279] d2 [0,049] г [9,941] > Сохранены: plot_109600.png и model_109600.h5

> 1, d1 [0,442] d2 [0,650] г [49,790]

> 2, d1 [0,317] d2 [0,478] г [56,476]

> 3, d1 [0,376] d2 [0,450] г [48,114 ]

> 4, d1 [0.396] d2 [0,406] г [62,903]

> 5, d1 [0,496] d2 [0,460] г [40,650]

> 109596, d1 [0,311] d2 [0,057] г [25,376]

> 109597, d1 [0,028] d2 [0,070] г [16,618]

> 109598, d1 [0,007] d2 [0,208] г [18,139]

> 109599, d1 [0,358] d2 [0,076] г [22,494]

> 109600, d1 [0,279] d2 [0,049] g [9,941]

> Сохранено: plot_109600.png и model_109600.h5

Сложнее судить о качестве сгенерированных спутниковых изображений, тем не менее, правдоподобные изображения создаются всего через 10 эпох.

График карты Google Map со спутниковым переводом изображений с помощью Pix2Pix после 10 эпох обучения

Как и раньше, качество изображения улучшится и будет изменяться в процессе обучения. Окончательная модель может быть выбрана на основе качества сгенерированного изображения, а не общего количества эпох обучения.

Модель не представляет особых трудностей в создании разумных водных ресурсов, парков, дорог и т. Д.

График карты Google Map со спутниковым переводом изображений с помощью Pix2Pix после 90 эпох обучения

Расширения

В этом разделе перечислены некоторые идеи по расширению учебника, которые вы, возможно, захотите изучить.

  • Автономный спутник . Разработайте пример перевода автономных изображений карт Google в спутниковые изображения, как мы сделали для спутниковых изображений в карты Google.
  • Новый образ . Найдите спутниковый снимок совершенно нового места, переведите его на карту Google и сравните результат с фактическим изображением на картах Google.
  • Дополнительная подготовка . Продолжите обучение модели еще 100 эпох и оцените, приведет ли дополнительное обучение к дальнейшему улучшению качества изображения.
  • Увеличение изображения . Используйте небольшое увеличение изображения во время обучения, как описано в статье Pix2Pix, и оцените, приводит ли это к лучшему качеству сгенерированных изображений.

Если вы изучите какое-либо из этих расширений, я хотел бы знать.
Разместите свои выводы в комментариях ниже.

Дополнительная литература

Этот раздел предоставляет дополнительные ресурсы по теме, если вы хотите углубиться.

Официальный

API

Сводка

В этом руководстве вы узнали, как разработать генерирующую состязательную сеть Pix2Pix для преобразования изображения в изображение.

В частности, вы выучили:

  • Как загрузить и подготовить спутниковое изображение в набор данных преобразования изображения в изображение карт Google.
  • Как разработать модель Pix2Pix для перевода спутниковых фотографий в изображения карты Google.
  • Как использовать окончательную модель генератора Pix2Pix для перевода специальных спутниковых изображений.

Есть вопросы?
Задайте свои вопросы в комментариях ниже, и я постараюсь ответить.

Развивайте генеративные состязательные сети сегодня!

Разрабатывайте модели GAN за считанные минуты
…с всего несколькими строками кода Python

Узнайте, как это сделать, в моей новой электронной книге:
Генеративные состязательные сети с Python

Он предоставляет учебник для самообучения и сквозные проекты на:
DCGAN , условных GAN , перевод изображений , Pix2Pix , CycleGAN
и многое другое …

Наконец-то привнесите модели GAN в свои проекты Vision
Пропустите академики. Только результаты.Посмотрите, что внутри

Лучшие рэп-песни 2019 года

Listen: Rod Wave, «Heart on Ice»


Icy / Artistry / Warner

Saweetie: «My Type»

Вызывая ностальгию по 2000-м годам в попытке создать свой собственный рэп-хит, Saweetie сэмплы из классического краанка: «Freek-a-Leek», спродюсированного Лилом Джоном Пити Пабло. Но вместо того, чтобы принять учтивую атмосферу Пити, Савити с укусом произносит «Мой тип»: «Это мой тип!» — кричит она, как будто только что заметила мужчину в другом конце клуба и готова нанести удар любой женщине, которая осмелится подойти к нему.

Хриплая энергия Савити соответствует новому поколению женщин в рэпе: Гангста Бу из трех 6 Mafia и Даймонд и принцесса Crime Mob, которых было весело слушать, потому что они не были кроткими, приятными или воспитанными. В отличие от грохочущих синтезаторов ретроспективного ритма, которые могут привлечь любого на танцпол, Saweetie превращает My Type в гимн для женщин, которые хотят быть беззастенчиво громкими. –Мишель Ким

Слушайте: Saweetie, «My Type»


# Merky / Atlantic

Stormzy: “Vossi Bop”

Через два года после того, как дебютный альбом Stormzy поднял его от зарождающегося грайм-таланта до всесторонней гордости Лондона, первый сингл из его грядущего второго альбома вернул его к основам, на которых он построил свое имя.Лучше всего, когда он возбужден, он взял неистовую энергию своих ранних синглов и направил ее в расширенное хвастовство, совпадающее с атмосферой танца, который его вдохновил. В нем он празднует свой успех в качестве музыканта и активиста, прислушиваясь к давней традиции танцевально-поучительных треков в британской фанк-клубной сцене, из которой он вырос. Доставка Стормзи так же незаметна и крута, как Lamborghini в туманном переулке ночью, еще больше кодифицируя его универсальность в качестве MC и выражая беспомощную уверенность только что коронованного короля.–Julianne Escobedo Shepherd

Слушайте: Stormzy, «Vossi Bop»


Самостоятельное издание

Teejayx6: «Dark Web»

Если вы когда-нибудь просыпались и видели, что Saks Fifth Avenue снял тысячи долларов с вашей кредитной карты, вам, вероятно, не понравится торговая марка Teejayx6 в виде мошенничества в Детройте. В «Dark Web», после того, как правительство запретило Teejayx6 использовать эти сайты, он отвечает, загружая браузер Tor, чтобы он мог вернуться, получает VPN, чтобы его нельзя было отследить, и покупает BIN, чтобы он снова мог заниматься мошенничеством. свободно.Гиперспецифические детали — он делает это настолько легким, что мошенничество с кредитами, вероятно, увеличилось в пять раз после этой песни — вот что делает его музыку одновременно убогой и невероятно захватывающей. Это история о неудачнике, который просто хочет обмануть пару ничего не подозревающих граждан и универмагов, чтобы получить капельницу, которую он может согнуть на IG: «Я заплатил пять тысяч за свою пригодность / я не вписываюсь», как он кладет это. Если вы собираетесь мошенничать, по крайней мере, сочините об этом запоминающуюся песню. –Alphonse Pierre

Слушайте: Teejayx6, «Dark Web»


M.Музыка / 3D

Young M.A: «Big»

В «Big» молодая M.A с невероятной безмятежностью перебегает через свои спокойные хвастовства. Она украдет вашу девушку в наряде Fashion Nova и выпьет морковный сок из двойной чашки (самый недооцененный рэп-флекс — хорошее здоровье). Под красивую мелодию и грохочущий бас она звучит так, как будто она излучает мудрость из кресла, подняв ноги до упора. –Alphonse Pierre

Listen: Young M.A, «Big»


Young Nudy / Playboi Carti: «Pissy Pamper»

Даже без официального релиза «Pissy Pamper» было неудержимо.Из-за проблем с очисткой сэмпла песня была отключена от песни Sli’merre от Young Nudy, песня прожила полноценную жизнь в уголках Интернета — загружена, удалена, затем загружена снова, иногда только как один куплет или инструментал, иногда под имя «Малыш Куди». (Настоящий Cudi одобрен.) Искрящаяся странность, созданная Пьер Борном, породила бесчисленное количество фристайлов и ремиксов, став самостоятельным явлением. Нуди доказывает, что он способный исполнитель главных ролей, и немногие рэперы звучат более спокойно, подробно описывая, как они уклоняются от полицейских, но это его песня только по названию: Playboi Carti доминирует с его эффектным куплетом с детским голосом.Только Карти лучше разбирается в цирковых ритмах Борна, чем Нуди — у них обоих было больше практики, чем у кого-либо, — но здесь они доказывают, что лучше всего работают в команде. Нуди — идеальный помощник, Карти — прирожденная звезда, а Борн — самый смелый рэп-продюсер, работающий сейчас. Даже как утечка, это новый эталон для рэп-элиты SoundCloud. –Шелдон Пирс

Слушайте: Young Nudy / Playboi Carti, «Pissy Pamper»


300 / Atlantic

Young Thug: «What’s the Move» [ft.Lil Uzi Vert]

Одним из самых постоянных источников радости в Instagram в прошлом году была лента Lil Uzi Vert, которая служит текущим каталогом нарядов рэпера. Есть что-то трогательное в том, чтобы увидеть, как молодой талант — его безудержные вкусы в одежде и его бюджет теперь практически неограничен — принимает взгляды, которые варьируются от героя Resident Evil до хайп-зверя вурдалака Хэллоуина. Все различные элементы Узи сливаются во время его выступления на «What’s the Move», ярком моменте из альбома Young Thug So Much Fun .На кровати из 808-х и птичьих криков страстные мелодии Таггера заставили его филадельфийского коллегу исполнить увлекательный (хотя и слишком краткий) гостевой стих. «Смиритесь с этими ненавистниками», — насмехается Узи после того, как накинул на себя все дизайнерские ярлыки. «Богаче, чем ваш первый, богаче, чем ваш последний». Успех лучшая месть. –Noah Yoo

Слушайте: Young Thug, «What’s the Move» [ft. Lil Uzi Vert]

Детали для установки приборной панели Bentley Continental Supersports (2009-2011), D >> — Детали MJ 2010

Найдите свою деталь

Alfa RomeoAston MartinAudiBentleyBMWChevroletDodgeFerrariFiat / AbarthFordHondaJaguarLamborghiniLand RoverLotusMaseratiMcLarenMercedes BenzMiniNissanPaganiPorscheRolls RoyceTeslaToyotaBentley BentaygaBentley Continental Flying SpurBentley Continental GTBentley Continental GTCBentley Continental SupersportsBentley MulsanneOriginal PartsTuning / Aftermarket PartsBentley Continental Supersports (2009-2011) Bentley Continental Supersports (2017+) Bentley Continental Supersports Convertible (2017+) BodyElectricalEngineFront мост и SteeringFuel, Выхлопная система и охлаждениеКППРазноеПедалиЗадний мостКолеса и тормозаВыберите подкатегорию…—————— Обшивка поддона переднего конца, передняя часть корпуса колеса рама корпуса колеса крышка для поперечины заглушка крышка уплотнение крышки уплотнение крышки крышка крышки опоры сиденья рама боковой панели ремонтная пластина корпуса оболочка корпуса заднее сиденье заднее сиденье заднее сиденье заднее сиденье заднее сиденье заднее сиденье Подлокотник и подголовник Подголовник и опора подголовника Опора сиденья Опора сиденья и подголовник Опора сиденья Блок подушки безопасности для колен Защита от опрокидывания Блок боковой подушки безопасности со стороны системы Боковая подушка безопасностиКрытая крыша, панель обивки крыши Блок подушки безопасности для рулевого колесаКаберируемая крыша, прокладкаКаталог на крыше, управление подносом складного верхаГидравлическая система отсека для складного верха поддон отсека облицовка багажника облицовка багажника обшивка четверти панели верхняя консоль облицовка стойки верхняя консоль, D — MJ 2012 >> потолочная консоль, D >> — MJ 2011 верхняя консоль подлокотник обивки двериподлокотник панели обивки двери панель обивки четверти панель обивки четверти обшивка четверти p подлокотник для панели обивки двери, D — MJ 2012 >> подлокотник для панели обивки двери, D >> — MJ 2011Окладка дверной панели, подкладка подкладка сапога подкладка сапогацентральная консольцентральная консольЦентральный подлокотникцентральная консольцентральная консоль, D >> — MJ 2011центральная консоль, D — MJ 2012 >> звукопоглотители, звукопоглощающая обшивка полки, задняя полка, покрытие заднего пола, покрытие пола ветровое стекло, D — 21.06.2010 >> знак аварийной остановки, аптечка, D — MJ 2012 >> знак аварийной остановки, аварийный треугольник аптечки, аптечка, D >> — MJ 2011 ремни безопасности ремни безопасности, D — MJ 2011 >> ремни безопасности, D — MJ 2011 >> Ремни безопасности, ручка и солнцезащитный козырек, D — MJ 2012 >> Поручень и солнцезащитный козырек, D >> — MJ 2011 Зеркало заднего вида, внутреннее зеркало заднего вида с корпусом, ящик для хранения с корпусом, ящик для хранения, D — MJ 2012 >> пепельница с корпусом, ящик для хранения, D >> — MJ 2011 Детали установки приборной панели Детали установки приборной панели, D — MJ 2012 >> Детали установки приборной панели, D — MJ 2012 >> Детали установки приборной панели, D — MJ 2011 >> — MJ 2011 установочные детали, D >> — MJ 2010 приборная панель, кронштейн приборной панели, кронштейн приборной панели, D — MJ 2012 >> приборная панель, кронштейн приборной панели, кронштейн для приборной панели, D >> — MJ 2011 Триммер панели порога Решетка радиатора накладки передней панели лобового стекла, двери, боковых и заднее стекло, крыло, дверные и боковые панели,… декоративный молдинг, накладка порога декоративная молдинг, порог — панель порога, лобовое стекло, боковое окно, лобовое стекло, стекло заднего стекла, боковое окно, поднос ветрового стекла, бампер, кожух колеса, кожух колеса, топливозаливная горловина, кожух колеса, ремонтные пластины, рама лобового стекла, водяной шланг с подогревом, клапан, D >> — MJ 2011 Водяной шланг с подогревом, клапан, D — MJ 2012 >> воздухозаборник вентиляционное отверстие в подножье, канал свежего воздуха воздуховод для обогрева заднего пространства для ног воздуховод для обогрева заднего пространства для ног, пыль и пыльцевый фильтр, кондиционер воздуха, кондиционер воздуха, отдельные части, крыло, накладка капота, подкладка днища, теплоизоляционный ящик, крышка багажника, отдельные части, крышка багажника, отдельные части, крышка багажника, отдельные части части задней крышки багажника, отдельные детали, спойлер, спойлер, дверная защелка, внутренний ключ разблокировки, комплекты личинок замков, дверная ручка, наружная 1 Комплект замков, ключ «GEN 2», комплект для обслуживания стеклоподъемника, стеклоподъемник стеклоподъемника, направляющие каналы, уплотнитель оконных прорезей для стеклоподъемника двери, направляющие каналы, уплотнитель оконной прорези двери

2019 10 Лучшие автомобили

Там, где многие рассматривают автомобили как основное средство передвижения или ежемесячный платеж, мы вместо этого видим личность — утверждение о нашей идентичности, наших желаниях, наших приоритетах.Традиционные автомобили больше не являются основным выбором, уступив место растущему числу автомобилей с более высокой посадкой. Но в то время как грузовики, кроссоверы и внедорожники раньше выражали что-то особенное о своих владельцах — что они прочные, авантюрные или владели собаками — автомобили становятся все более сильными заявлениями о человеке за рулем. Большинству людей будет лучше в кроссовере. Но решите водить машину, и вы стойко противостоите огромному потоку соответствия.

Однако припаркуйте одну из наших 10 лучших машин на подъездной дорожке, и вы встанете обеими ногами в лагерь энтузиастов.Ваш id будет аплодировать, но также и другие части вашей психики. Поскольку автомобили 10Best Cars не только полны индивидуальности и увлекательны в управлении, они также выполняют свои миссии с тщательной инженерией. И они представляют собой реальное соотношение цены и качества, поэтому мы исключаем те, у которых базовая цена превышает 90 000 долларов США, которые были недавно собраны для учета роста цен транзакций. Вы то, что водите, или вы водите то, что вы?

BMW M2 Competition

Базовая цена: 59 895 долларов
Мощность: 405 л.с.
0–60 миль / ч: 4.0–4,2 с (расчетное значение)
EPA: 19–20 миль на галлон в сумме

Если бы автомобильная олимпиада, состоящая из стероидов, была чем-то особенным, BMW M2 Competition 2019 года пользовался бы большим успехом в наилегчайшем весе, как самый маленький и самый нервный скоростной урод выпирает и щетинится, как Маленький Геркулес. На смену 365-сильному рядному шестицилиндровому двигателю N55 с турбонаддувом, который приводил в действие прошлогодний M2, стал великолепный S55, рядный шестицилиндровый двигатель с двойным турбонаддувом, собранный с M4 и настроенный в этом приложении до 405 лошадиных сил. Мельница имеет линейную подачу, продвигаясь до красной черты 7600 об / мин.В модели с двойным сцеплением разгон до 60 миль в час происходит за четыре секунды, а четверть мили ускоряется за 12,4 секунды, что на 0,1 и 0,3 секунды соответственно больше по сравнению с прошлогодним автомобилем.

В 19-дюймовые кованые колеса спрятаны массивные железные роторы с более крупными суппортами, чем у старого M2, и педаль тормоза, которая остается более жесткой, чем наша приверженность механической трансмиссии. Чтобы компенсировать немного увеличенную массу, BMW изменила жесткость пружин, амортизаторы и настройку стабилизатора поперечной устойчивости, чтобы обеспечить заметно более податливую и менее резкую езду.И хотя рулевое управление M2 не так коммуникативно, как нам хотелось бы, маленькое купе стремится к повороту, а его рефлексы еще резче благодаря дополнительным передним распоркам.

И в этом гений конкурса M2. Вместо того, чтобы чрезмерно компенсировать свои небольшие пропорции громким ртом, он превращает взрывную мощь и хорошо сбалансированное шасси в эйфорическое упражнение.

Chevrolet Corvette Grand Sport / Z06

Базовая цена: 66 590–80 590 долларов
Мощность: 460–650 л.с.
0–60 миль / ч: 3.0–3,9 сек.
EPA: 17–19 миль на галлон в сумме

Корветы не терпят движения, и это лишь отчасти проблема Corvette. Вождение в мире ограничений скорости и невнимательных водителей Prius требует большой сдержанности. Слишком легко рассердиться на бездельников с левой полосы, когда Корвет начинает шептать злые вещи вроде: «Просто пройди их по обочине. Не будь слабаком. Сделай это. Я думал, ты умеешь водить».

Боритесь с искушением — и Grand Sport, и Z06 безопасны для повседневного использования, обеспечивая потрясающе сбалансированное качество езды для чего-то, что потянет больше одного.00 г. Выключите активный выхлоп, и вы сможете расслабиться на огромных расстояниях с блаженной легкостью. Мы включили их оба в наш список в этом году, потому что они представляют собой лучший баланс производительности и цены во вселенной Corvette. Grand Sport за $ 66 590 сочетает в себе корпус и шасси с широкими шинами корветов с наддувом и 460-сильную трансмиссию базового автомобиля. Он более привлекательный, более захватывающий и стоит каждого бита из 10 000 долларов, которые он стоит по сравнению со стандартным Corvette. Установка воздуходувки на V-8 делает Z06 650-сильной версией Grand Sport, а при цене 80 590 долларов он подпадает под нашу недавно поднятую базовую цену в 90 000 долларов.

На трассе любая машина привлечет внимание даже самого опытного водителя. И чем сильнее вы нажимаете, тем больше растет уважение. Но даже на нашем маршруте из 10-ти лучших улиц есть радость в том, чтобы объезжать пустой набор поворотов на разумных скоростях, используя лишь крошечный кусочек доступного сцепления. Тем не менее, нельзя игнорировать то, что Corvette — отличный автомобиль для дорог общего пользования, но тот факт, что мы можем жаловаться на непригодные для использования характеристики, говорит о ценности Corvette. Он предлагает номера суперкаров или почти суперкаров по цене просто спортивного автомобиля.

Ford Mustang GT / Bullitt

Базовая цена: 36 350–47 590 долларов
Мощность: 460–480 л.с.
0–60 миль / ч: 3,8–4,6 с
EPA: 18–19 миль на галлон в смешанном цикле

В нашем списке 10 лучших автомобилей последнего времени был стабильным — ой, мы имели в виду «стабильный». Пони-кар Chevrolet, Camaro, забронировал киоск в период с 2016 по 2018 год, в то время как Ford Mustang оплатил почасовую оплату, его V-8 GT приземлился на короткое время после редизайна 2015 года, прежде чем уступить экзотическому Mustang Shelby GT350 в 2016 и 2017 годах.

В 2019 году Mustang GT снова косит сено, топчая место, освобожденное Camaro, чье превосходное шасси не смогло поддержать его ужасную внешнюю видимость, практичность и внешний вид перед лицом увядающих конкурентов 10Best. Почему сейчас? Несмотря на то, что в прошлом году он имел право на 10Best, Mustang, обновленный для 18-го года, не был доступен вовремя для тестирования. GT350 был, благодаря своей победе в 2017 году, но не смог сохранить награду; отсутствие изменений сделало его неприемлемым в этом году.

Нам никогда не переставали нравиться обновленный внешний вид Mustang середины века и современные характеристики.Недавно доступные для GT350 электронно-адаптивные амортизаторы MagneRide, более мощный двигатель V-8 и два пакета Performance, приближающих его к гусеничным характеристикам Shelby, подтолкнули его к финишу. Базовый четырехцилиндровый двигатель EcoBoost остается недостойным остального Mustang и нашего списка 10Best.

Звездочки не нужны для выпуска Bullitt, пропитанного ностальгией полусотка Ford между GT и Shelby GT350, который разделяет награду первого за 2019 год. Цвет Highland Green (также доступен черный) и колеса в стиле Torq Thrust отдать дань уважения определенному Mustang GT390 1968 года, в то время как связная настройка шасси и увеличенный корпус дроссельной заслонки Shelby, открывающий дополнительные 20 лошадиных сил от Coyote V-8, поднимают этот пакет за пределы ретро-фетишизма.При 7000 об / мин, когда все 480 пони Bullitt скачут одновременно, шум, доносящийся через активную выхлопную систему, достаточно захватывающий, чтобы извинить водителя за косплей Маккуина.

Genesis G70

Базовая цена: 35 385–46 745 долларов
Мощность: 252–365 л.с.
0–60 миль в час: 4,6–6,6 с , в то или иное время, следовали основному плану, заложенному в BMW 3-й серии.Дилеры Genesis могли бы предпочесть, чтобы бренд начинал с внедорожников. Но, начав успешные усилия в таком устоявшемся, эталонном сегменте, где многие раньше терпели неудачу, Genesis завоевывает доверие.

А этот генезис играть умеет. G70 с низкой посадкой построен из того же базового набора деталей, что и Kia Stinger, но колесная база Genesis на 2,8 дюйма короче, чем у Kia, что придает G70 компактные классические пропорции. С слегка расширенными крыльями, коротким передним свесом и упругой кожей G70 выглядит уравновешенным.Он сложен, но не выглядит уравновешенным, спортивный без излишней переутомленности.

Его стиль аккуратно передает манеру поведения G70, и он успешно обеспечивает сложный баланс между компетентными характеристиками и удовольствием от вождения, не перемешивая латте своего владельца в слишком большую пену. Загруженная модель Sport с двигателем V-6 мощностью 365 л.с. обеспечивает высокую скорость, а также прогрессивную, предсказуемую управляемость и уверенные переходные реакции. А рулевое управление с переменным передаточным числом с электроприводом соответствует настройке подвески: точно, но комфортно.Интерьер G70 — это не просто тишина, это действительно приятное место для проведения времени. Это особенно актуально для моделей с более высокими характеристиками с красивыми сиденьями из стеганой кожи в удобном месте для водителя. Хорошие качества не ограничиваются автомобилем с большим двигателем; версия с четырьмя цилиндрами с нерегулируемыми амортизаторами так же хороша, хотя шестиступенчатая механическая коробка передач, которую можно дополнительно прикрутить к ней, — нет.

Безупречное превосходство G70 само по себе впечатляет, но цена, которая существенно подрывает обычных подозреваемых, делает его намного приятнее.

Honda Accord / Hybrid

Базовая цена: 24 615–36 845 долларов
Мощность: 192–252 л.с.
0–60 миль в час: 5,5–7,3 с Автомобили перечисляют рекордные 33 раза. Такое достижение не случайно; это кульминация скрупулезной настройки и пристального внимания Honda к деталям.

В то время как комфортность является данностью в большинстве новых автомобилей, динамика Accord на несколько градусов превосходит приемлемую, с тонко настроенными основными органами управления, легким рулем с хорошей обратной связью и дополнительным точным шестиступенчатым ручным переключателем.Изящные, хорошо расположенные педали работают так естественно, что исчезают. Точно так же контролируемые движения тела Accord и мягкая езда побуждают пассажиров расслабляться во время повседневной работы. Так как же может быть так весело вести Accord через сложные повороты?

Мы можем представить себе инженеров Honda, работающих до поздней ночи, беспокоясь о мелочах, пока их недоеденные обеды дома остывают.

Их тонкая настройка распространяется на гибрид Accord, который присоединяется к обычным моделям в списке этого года.Его продуманная коробка передач с прямым приводом, а также расположение двигателей и сцеплений помогают двигать автомобиль частично или исключительно на электронах, а интеграция всех частей является бесшовной. Разгон гибрида 42 мили на галлон в нашем цикле экономии топлива на шоссе — это такое же достижение, как и 5,5-секундная полоса скорости 2,0-литрового двигателя с турбонаддувом до 60 миль в час.

Человеческие творения редко бывают полностью идеальными. Несмотря на профиль фастбэка Accord, более изящная Mazda 6 по-прежнему красивее. И никто из нас не стал бы жаловаться, если бы Хонда была одержима лучшим решением, чем неуклюжие кнопки переключения 10-ступенчатой ​​автоматической коробки передач.

Но Accord текущего поколения, который сейчас находится на втором курсе в этом списке, убедительно демонстрирует навязчиво-компульсивный подход Honda к массовому производству автомобилей. Модель по-прежнему сочетает в себе привлекательность, качество и практичность более последовательно, чем любой другой автомобиль.

Honda Civic Sport Hatchback / Si / Type R

Базовая цена: 22045–36 595 долларов
Мощность: 180–306 л.с.
0–60 миль / ч: 4,9–6,9 с
EPA: 25–33 миль на галлон в смешанном цикле

Honda Civic Спортивный хэтчбек (не купе или седан с другим двигателем), Si и Type R имеют общую тему.Они непревзойденные, экономичные автомобили, которые чрезмерно компенсируют прохладные ожидания неестественным талантом. Все трое дают смелые ответы и стремятся быть больше, чем просто пассажирами на работу. (Обратите внимание, что здесь мы признаем только автомобили с механической коробкой передач; хэтчбек Sport также доступен с вариатором.)

Завершенность Type R приносит ему трофей. Его эксклюзивная передняя подвеска изолирует рулевое управление и ведущие нагрузки, помогая снизить крутящий момент, и он тянет 1,04 г. Турбированный 306-сильный 2.0-литровый — самый мощный двигатель, когда-либо продававшийся Honda в Америке — разгоняет крылатый хэтчбек до 100 км / ч за 4,9 секунды. И этот бескомпромиссный опыт вождения можно найти в жестком четырехдверном хэтчбеке, который прекрасно подходит для повседневной жизни.

Предлагаемый в кузове купе или седан, Civic Si предлагает отточенные характеристики за 25 195 долларов. Хотя ему не хватает лазерной фокусировки Type R, иногда это кажется большим достижением, учитывая его цену. 1,5-литровый двигатель Si с турбонаддувом мощностью 205 л.с. также сочетается с косозубым дифференциалом повышенного трения.Оснащенное доступной летней резиной, купе Si разгоняется до 60 за 6,3 секунды и разгоняется до 0,97 г. Si представляет собой идеальную золотую середину между прагматичными корнями Civic и его высочайшими характеристиками.

Хэтчбек Civic Sport мощностью 180 л.с. за 23 тысячи долларов — прекрасный способ срезать клеверные листья по дороге на работу. Его рулевое управление и ходовая часть ясно передают намерения этого автомобиля, и присоска просто поворачивается. Он тянет не очень экономичный автомобиль, как 0,93 г, и достигает 60 за 7,0 секунды. И это так же интересно, как ванна, полная выдр.

Эти три Civic предлагают широкий спектр возможностей вождения и цен. Вместе они образуют обширную сеть производительности, полезности и ценности.

Mazda MX-5 Miata / RF

Базовая цена: 26 625–34 825 долларов
Мощность: 181 л. — это неструктурированная игра автомобильного мира: часто это одиночное занятие, полезное для развития и доставляющее массу удовольствия.Подобно тому, как игра с куклами позволяет детям практиковать социальное взаимодействие таким образом, чтобы помогать им ориентироваться в реальных отношениях, так и умение отвлекаться от понижения в Miata помогает закрепить навыки, которые вам понадобятся, если вы хочу выполнить эти уловки в чем-то менее снисходительном. Miata — спортивная версия тренировочных колес.

Да, его цена с годами росла, даже если его снаряженная масса не так уж и велика. Нетрудно потратить 35000 долларов на то, что по сути составляет трехсезонный автомобиль с полуторными пассажирами, в котором едва хватает грузового места для спортивной сумки.Но в большей степени, чем что-либо еще на дороге сегодня, MX-5 существует исключительно для погони за удовольствием от вождения.

Miata как будто исчезает, когда едешь. Сверху вниз граница между внутренним и внешним миром размывается. Реакции на рулевое управление и нажатие педалей почти сверхъестественно хорошо откалиброваны; ничего не теряется при переводе запросов водителя и ответов автомобиля. И после многих лет тусклых двигателей Mazda пересмотрела 2,0-литровый двигатель MX-5 на 2019 год, наконец, превратив завод Miata в надежного компаньона для энергичного вождения.По эту сторону от Porsche Boxster нет другого автомобиля, более свободного или хорошо сбалансированного.

Mercedes-Benz E450 / E53 AMG

Базовая цена: 60 ​​945–81 3345 долларов
Мощность: 362–429 л.с.
0–60 миль / ч: 4,1–4,8 с
EPA: 22–24 миль на галлон в смешанном цикле

Визуализировать, рассуждать, общаться и управлять отношениями — вот лишь некоторые из отличительных интеллектов, которыми обладают люди — в разной степени.Это разделение навыков еще более очевидно у четырехколесных животных. Редко встречаются универсалы, демонстрирующие множество пиковых способностей. Однако Mercedes-Benz E-class разбирается почти во всех аспектах поведения автомобиля. E — проницательный манипулятор, продуманно упакованный, способный адаптироваться к любому сценарию, и в новом для 2019 года облике AMG E53, оснащенный двигателем, который гарантирует его собственную докторскую диссертацию.

Универсальность E-класса основана на широте его модельного ряда.Он доступен как седан, универсал, купе или кабриолет. Наша награда пропускает E300 (его четырехцилиндровый двигатель слишком перегружен, чтобы заслужить наше одобрение) и боевой молот AMG E63 S (слишком дорогой для нашей ценовой предельной стоимости) и достается шестицилиндровому сердцу модельного ряда. E450 выдает 362 лошадиных силы от своего твин-турбо V-6. AMG E53 мощностью 429 л.с., оснащенный 48-вольтовым мотором-генератором, электрическим нагнетателем и обычным турбонагнетателем, имеет рядный шестицилиндровый двигатель объемом 3,0 литра, что повышает производительность и изысканность.

Способный превратиться из межгосударственной крылатой ракеты в дальнобойщика и практичного повседневного водителя, E подстраивается под любую ситуацию с электронно-управляемыми амортизаторами и доступными пневморессорами, а также со всесторонними основами. Мили шоссе исчезают в изящной езде, безмятежной кабине и опциональных передних сиденьях с функцией массажа. Извилистые дороги разворачиваются под точным рулевым управлением и решительным контролем над телом. Типичный роскошный автомобиль внутри, E поражает эго владельца богатыми материалами, функциональными технологиями высокой моды и безупречным качеством сборки.Это церебральная машина, которая также играет на наших эмоциях.


Porsche 718 Boxster / Cayman

Базовая цена: 57 950–83 850 долларов США
Мощность: 300–365 л.с.
0–60 миль / ч: 3,6–4,4 с
EPA: 21–25 миль на галлон в сумме

Porsche 718 Boxster и Cayman неоднократно появлялись в нашем списке «10 лучших автомобилей», поэтому наши чувства нельзя объяснить растущим увлечением, но мы все равно получаем кайф от первого свидания каждый раз, когда едем на них.

Их мощность и характеристики с годами росли, и эти компактные спортивные автомобили показали минимальный разброс размеров. Текущий Boxster на 1,4 дюйма длиннее оригинала и примерно на 160 фунтов тяжелее. Учитывая увеличение базовой мощности на 49 процентов, это вполне приемлемо.

Porsche также повысил технологический коэффициент, добавив различные активные динамические системы. А салон 718-го показался бы покупателю Boxster первого поколения потусторонним шикарным.Но фундаментальное понятие легкого, отзывчивого спортивного автомобиля осталось неизменным.

Конечно, большинство из нас предпочитают безнаддувные плоские шестицилиндровые двигатели автомобилей до 718 новой турбированной четверке. Новые мельницы работают с упором и предлагают излишек крутящего момента на низком уровне, но они не могут сравниться с шумом или рвением, с которыми старые мельницы преследовали свои недостатки. Однако они, несомненно, быстрее: самый медленный Boxster с ручным управлением теперь разгоняется до 100 км / ч за 4,4 секунды, а модели GTS PDK нужно всего 3 секунды.6.

Версии GTS, которые прокрадываются в рамках повышенных в этом году ценовых пределов, конкурируют с некоторыми серьезными машинами, но Cayman GTS прорезал повороты и покорил вершины нашего тестового маршрута лучше, чем что-либо другое, и с энтузиазмом, что более тяжелый 911 с задним расположением двигателя вряд ли сможет сравниться с ним. Помимо редких версий GT, это действительно лучшее, что может предложить Porsche.

Даже стандартный Boxster представляет собой убедительный аргумент со сверхъестественным балансом шасси и отточенной оптимизацией дроссельной заслонки и рулевого управления.Здесь наименьший из входов дает точные, взвешенные ответы.

Мы изучили наши чувства к Кайману и Boxster и пришли к выводу, что реальность так же хороша, как и фантазия.

Семейство Volkswagen Golf

Базовая цена: 22 740–41 495 долларов США
Мощность: 134–288 л.с.
0–60 миль в час: 4,8–8,5 с
EPA: 24–32 миль на галлон в смешанном цикле

По мере расширения линейки Volkswagen Golf мы Мы предоставили растущей группе вариантов место в нашем списке 10 лучших автомобилей.Этот год ничем не отличается: Golf, Golf SportWagen, Golf Alltrack, Golf GTI, Golf R и e-Golf разделили награду.

Но у нас есть фаворит среди этих братьев и сестер: GTI. Он доставляет автомобильный экстаз в пиках, начиная с 228-сильного рядного четырехцилиндрового двигателя с турбонаддувом, с плавной, удовлетворительной подачей мощности и сильным понижением крутящего момента на низких оборотах. Хорошо продуманная настройка подвески превращает высококвалифицированное шасси в блестящее шасси с невозмутимым хладнокровием и милым желанием изменить направление движения.GTI также демонстрирует долгожданное ощущение блеска благодаря своему чудесно представленному интерьеру (клетчатые сиденья являются обязательными) и изысканной внешней отделке, которая избегает чрезмерных вентиляционных отверстий и совков.

Если вам нужно больше багажника для хлама, SportWagen не лишает хэтчбека сильных сторон, предлагая при этом вместимость багажного отделения, как у внедорожника. Его также можно использовать с полным приводом или с одеждой Alltrack, которая обеспечивает более высокий дорожный просвет и дополнительную облицовку кузова — маркетинговые уступки, которые нас почти не беспокоят, потому что он так хорошо ездит.

Даже Golf S за 22 740 долларов кажется богатым по содержанию и конструкции. Его интерьер эргономичен и просторен, а плавные движения корпуса, коммуникативные основные элементы управления и ощущение солидности делают его привлекательным и изысканным. И 288-сильный Golf R говорит о нашей жажде мощности — это автомобиль с законными характеристиками, как с точки зрения количества, так и с точки зрения ощущений. Но каждый может добавить мощности автомобилю и сделать его более увлекательным от вождения. Не каждый может построить такое семейство автомобилей.

Список принятых статей — ICIP 2020

ЯДРО КЛАСТЕРА ПРЕДСТАВЛЕНИЕ ДВИЖЕНИЯ
1949 Новый подход к обновлению центроидов для методов суперпикселей на основе кластеризации и обнаружения границ на основе суперпикселей
1942 3D-ИЗОБРАЖЕНИЕ ДЛЯ ТЕПЛОВЫХ КАМЕР С ИСПОЛЬЗОВАНИЕМ СТРУКТУРИРОВАННОГО СВЕТА
1650 МНОГОПОЛЬЗОВАТЕЛЬСКОЕ ОТСЛЕЖИВАНИЕ В 3D С ДВУМЯ КАМЕРАМИ 360 °
2798 ОБНАРУЖЕНИЕ 3D ОБЪЕКТОВ С ИСПОЛЬЗОВАНИЕМ ДАННЫХ ВРЕМЕННОГО ЛИДАРА
1972 Улучшение трехмерного облака точек с использованием многоракурсных измерений глубины с графическим моделированием
2968 ПОДПИСЬ БЕЗОПАСНОЙ ДЕФОРМАЦИИ ДЛЯ ДИНАМИЧЕСКОГО РАСПОЗНАВАНИЯ ЛИЦА
2794 Байесовский взгляд на интерполяцию кадра и сравнение с существующими инструментами воздействия на видеоизображение
2213 СРАВНИТЕЛЬНАЯ ОЦЕНКА МЕТОДОВ ВРЕМЕННОГО ОБЪЕДИНЕНИЯ ДЛЯ СЛЕЙКОЙ ОЦЕНКИ КАЧЕСТВА ВИДЕО
2432 СРАВНЕНИЕ СЖАТОГО ЗНАЧЕНИЯ И РЕКОНСТРУКЦИИ НА ОСНОВЕ DNN для визуализации призрачного движения
2696 КОМПЛЕКСНАЯ ОСНОВА ДЛЯ ТОЧНОЙ КЛАССИФИКАЦИИ ЛЕГКИХ УЗЛОВ
2319 КОНТЕКСТНАЯ СЕТЬ ДЛЯ ПЕРЕСЫЛКИ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ
2041 ИЕРАРХИЧЕСКАЯ СЕТЬ ВНИМАНИЯ, ОБЪЕДИНЕННАЯ CONVLSTM, ДЛЯ ОБНАРУЖЕНИЯ СОБСТВЕННОСТИ
2478 МЕЖМОДАЛЬНАЯ ВАРИАЦИОННАЯ ОСНОВА ДЛЯ АНАЛИЗА ИЗОБРАЖЕНИЙ ПИЩЕВЫХ ПРОДУКТОВ
1832 ОСНОВА ДЛЯ ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ 3D ПОВЕРХНОСТИ ОБЪЕКТОВ С ПОМОЩЬЮ ЦИФРОВОЙ ГОЛОГРАФИЧЕСКОЙ ИНТЕРФЕРОМЕТРИИ
2163 САПР-СИСТЕМА НА ОСНОВЕ ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ ОЦЕНКИ ПОЧЕЧНОГО АЛЛОГРАФТА: ДИФФУЗИЯ, ЖИРНЫЙ И КЛИНИЧЕСКИЕ БИОМАРКЕРЫ
2556 БЫСТРОЕ РЕАЛИЗАЦИЯ РЕЖИМА ВНУТРЕННЕГО ПОДРАЗДЕЛЕНИЯ ДЛЯ ВВЦ
1745 БЫСТРЫЙ СПОСОБ ГЕНЕРАЦИИ ШАБЛОНОВ ФОРМЫ
2300 ОСОБЕННОСТИ ПАРНОГО СЛИЯНИЯ И ИЕРАРХИЧЕСКОГО ОБУЧЕНИЯ ДЛЯ ПЕРЕЛОКАЛИЗАЦИИ ВИДЕО
1290 НАБОР ЭТАЛОННЫХ ДАННЫХ 360 ° НА ОСНОВЕ ФИКСАЦИИ ДЛЯ ОБНАРУЖЕНИЯ ПОЛУЧЕННЫХ ОБЪЕКТОВ
3080 ОСНОВА ДЛЯ ОЦЕНКИ МЕТОДОВ ПРЕДОСТАВЛЕНИЯ ИНТЕГРАЛЬНЫХ ДИСПЛЕЕВ ДЛЯ БЛИЗКОГО ГЛАЗА
1328 ПОДХОД К РЕГИСТРАЦИИ МЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ GAN МНОГОКОНТРАСТНЫЕ МОДАЛИ
1974 ГЕНЕРАТИВНАЯ СЕТЬ ДЛЯ СЛИЯНИЯ МЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ
1363 ГЕНЕРАТИВНЫЙ САМОАМБЛЕЛЬНЫЙ ПОДХОД К МОДЕЛИРОВАНИЮ + НЕПРАВИЛЬНОМУ ОБУЧЕНИЮ
2490 ЛЕГКАЯ СЕТЕВАЯ МОДЕЛЬ ДЛЯ ИНТЕРПОЛЯЦИИ ВИДЕОКАДРА С ИСПОЛЬЗОВАНИЕМ ПРОСТРАНСТВЕННЫХ ПИРАМИДОВ
2484 ПОДХОД ОБУЧЕНИЯ МОДЕЛИ ДЛЯ ВОССТАНОВЛЕНИЯ НИЗКОСВЕТНЫХ ИЗОБРАЖЕНИЙ
2558 МОДИФИЦИРОВАННЫЙ ПОДХОД ФУРЬЕ-МЕЛЛИНА ДЛЯ ИДЕНТИФИКАЦИИ ИСТОЧНИКОВ УСТРОЙСТВА НА СТАБИЛИЗИРОВАННЫХ ВИДЕО
1199 БАЗА ДАННЫХ КАЧЕСТВА ИЗОБРАЖЕНИЙ С НЕСКОЛЬКИМИ АТРИБУТАМИ ДЛЯ ОЦЕНКИ КАЧЕСТВА ФОТО КАМЕРЫ СМАРТФОНА
2219 Новое простое прямое вычисление сплайновой интерполяции кубической свертки
1702 НЕЛОКАЛЬНЫЙ СРЕДНИЙ ВРЕМЕННЫЙ ФИЛЬТР ДЛЯ СЖАТИЯ ВИДЕО
2732 НОВОЕ ПРЕДСТАВЛЕНИЕ CHROMA ДЛЯ ПОВЫШЕННОЙ ЭФФЕКТИВНОСТИ СЖАТИЯ ВИДЕО HDR С ИСПОЛЬЗОВАНИЕМ СТАНДАРТА HEVC
2898 НОВЫЙ ПОДХОД ОБНАРУЖЕНИЯ НЕПРАВИЛЬНЫХ ИЗМЕНЕНИЙ НА ОСНОВЕ СПЕКТРАЛЬНОЙ ТРАНСФОРМАЦИИ ДЛЯ МНОГОСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЙ
1472 СЕТЬ ПРОИЗВОДИТЕЛЬНОСТИ ОСТАТОЧНОЙ ПЛОТНОСТИ ДЛЯ ПРОИЗВОДСТВА С ГЕОМЕТРИЧЕСКИМИ ОГРАНИЧЕНИЯМИ
2789 СИАМСКАЯ СЕТЬ, ИСПОЛЬЗУЮЩАЯ СТРУКТУРНЫЕ РАЗЛИЧИЯ ИЗОБРАЖЕНИЙ ДЛЯ ОБНАРУЖЕНИЯ МЕЖКАТЕГОРИЙНЫХ ДЕФЕКТОВ
1114 ПРОСТОЙ И ЭФФЕКТИВНЫЙ ТРУБОПРОВОД ДЛЯ КОРРЕКЦИИ РАДИАЛЬНЫХ ИСКАЖЕНИЙ
2652 ПРОСТРАНСТВЕННО-УГЛОВОЙ ДВОЙНОЙ ОПЕРАТОР ДЛЯ БЫСТРОГО СВЕТОВОГО ПОЛЕВОГО СООТВЕТСТВИЯ ВЗГЛЯДОВ
2749 Пакетный ансамбль для обнаружения спуфинга лиц на основе аномалий
2521 ИССЛЕДОВАНИЕ МЕХАНИЗМОВ ВЫРАВНИВАНИЯ В АДАПТАЦИИ НЕОБХОДИМЫХ ДОМЕНОВ
2444 ИЗУЧЕНИЕ МЕТОДОВ ПРОГНОЗИРОВАНИЯ НА ОСНОВЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ ДЛЯ КОДИРОВАНИЯ ИЗОБРАЖЕНИЙ без потерь
1994 ИССЛЕДОВАНИЕ ДЕНОИЗАЦИИ СВЕТОВОГО ПОЛЯ ДЛЯ СОГЛАСОВАННОЙ 3D ВИЗУАЛИЗАЦИИ
2381 АВТОЭНКОДЕР НА ОСНОВЕ СИНДРОМА ДЛЯ СЖАТИЯ ТОЧЕЧНОЙ ГЕОМЕТРИИ ОБЛАКА
2486 ВРЕМЕННЫЙ ПРЕДВАРИТЕЛЬНЫЙ ФИЛЬТР ДЛЯ ВИДЕО КОДИРОВАНИЯ НА ОСНОВЕ ДВУСТОРОННЕЙ ФИЛЬТРАЦИИ
2616 ABC-NET: ИЗБЕЖАНИЕ БЛОКИРУЮЩЕГО ЭФФЕКТА И СЕТЬ СДВИГА ЦВЕТА ДЛЯ ОДИНАКОВОГО ИЗОБРАЖЕНИЯ ДЕГЕНЕФИКАЦИЯ С ПОМОЩЬЮ ОГРАНИЧИВАЮЩЕГО СМЕЩЕНИЯ ПЕРЕДАЧИ
2434 УСКОРЕННАЯ РЕКОНСТРУКЦИЯ ИЗОБРАЖЕНИЯ 4D МРТ С ИСПОЛЬЗОВАНИЕМ СОВМЕСТНОЙ ОБЩЕЙ ВАРИАЦИИ ВЫСШЕЙ СТЕПЕНИ И ЛОКАЛЬНЫХ НИЗКИХ ОГРАНИЧЕНИЙ
2502 УСКОРЕННЫЙ FBP ДЛЯ ВОССТАНОВЛЕНИЯ ИЗОБРАЖЕНИЯ КОМПЬЮТЕРНОЙ ТОМОГРАФИИ
2776 ТОЧНОЕ МОДЕЛИРОВАНИЕ ИЗОБРАЖЕНИЯ TERAHERTZ С УПРАВЛЕНИЕМ ЛУЧА, ВКЛЮЧАЯ ФОРМУ И ПРЕЛОМЛЕНИЕ ПУЧКА
1552 ACED: ТОЧНАЯ И КОНЕЧНАЯ МОНОКУЛЯРНАЯ ОЦЕНКА ГЛУБИНЫ
1809 ACTIONET: ИНТЕРАКТНАЯ КОНЕЧНАЯ ПЛАТФОРМА ДЛЯ СБОРА И ДОПОЛНЕНИЯ ДАННЫХ НА ОСНОВЕ ЗАДАЧ В СРЕДЕ 3D
2782 ОТБОР АКТИВНЫХ ИЗОБРАЖЕНИЙ НА КАНОНИЧЕСКИХ ВИДАХ ДЛЯ ОБНАРУЖЕНИЯ НОВЫХ ОБЪЕКТОВ
1862 НОРМАЛИЗАЦИЯ ДЕЯТЕЛЬНОСТИ ДЛЯ ОБНАРУЖЕНИЯ ДЕЯТЕЛЬНОСТИ В ВИДЕО НАБЛЮДЕНИЯ
2612 АДАПТИВНАЯ СОЕДИНЕННАЯ СВЯЗЬ ДЛЯ МНОГОЛИЦОВОГО ОТСЛЕЖИВАНИЯ
2833 АДАПТИВНОЕ БЛОЧНОЕ РАЗДЕЛЕНИЕ ТОЧЕЧНЫХ ОБЛАКОВ ДЛЯ ЦВЕТОВОГО СЖАТИЯ НА ОСНОВЕ ВИДЕО
2628 АДАПТИВНЫЕ КОНВОЛЮЦИОННО-АДАПТИВНЫЕ ДВУНАПРАВЛЕННЫЕ СЕТИ LSTM ДЛЯ ХОРЕОГРАФИЧЕСКОГО МОДЕЛИРОВАНИЯ
1282 АДАПТИВНАЯ ДЕМОЗАИКАЦИЯ ИЗОБРАЖЕНИЙ С ПОМОЩЬЮ РЕШЕТКИ ИСПОЛЬЗОВАНИЕ ГЛОБАЛЬНОЙ И ЛОКАЛЬНОЙ ИНФОРМАЦИИ
2676 Адаптивная многозонная сеть для анализа медицинских изображений
2858 АДАПТИВНОЕ ВТОРИЧНОЕ ПРЕОБРАЗОВАНИЕ ДЛЯ ПОВЫШЕННОЙ ЭФФЕКТИВНОСТИ КОДИРОВАНИЯ ИЗОБРАЖЕНИЙ В JPEG2000
2263 ИНДИВИДУАЛЬНАЯ РЕКОНСТРУКЦИОННАЯ СЕТЬ ADMM ДЛЯ СЖАТОГО СПЕКТРАЛЬНОГО ИЗОБРАЖЕНИЯ
1682 ПРОТИВОСТОЯНИЕ ЗАЩИТЫ ЧЕРЕЗ РЕГУЛЯРИЗАЦИЮ МЕСТНОЙ ПЛОСКОСТИ
1230 AHFF-NET: АДАПТИВНАЯ ИЕРАРХИЧЕСКАЯ СЕТЬ FUSION ДЛЯ ВПЕЧАТЛЕНИЯ ИЗОБРАЖЕНИЙ
2458 AIM-NET: ПОДРАЗУМЕВАЕМЫЙ EULER ДЛЯ СЕТЕВОГО ДИЗАЙНА
1670 Всегда смотрите на светлую сторону поля: слияние позы и контекстных данных для оценки ориентации футболистов
2159 ПРИБЛИЗИТЕЛЬНЫЙ АЛГОРИТМ ПЕРЕДАЧИ СООБЩЕНИЙ ДЛЯ БЫСТРОГО БЕЗ ПАРАМЕТРОВ СЖАТОГО ДАТЧИКА МРТ
1633 ЭФФЕКТИВНЫЙ МЕТОД ИЗУЧЕНИЯ ИЕРАРХИЧЕСКОГО РАЗРЕШЕНИЯ ДЛЯ ОТСЛЕЖИВАНИЯ ЦЕЛЕЙ НИЗКОГО РАЗРЕШЕНИЯ
2592 ЭФФЕКТИВНЫЙ ПОДХОД К ОБРАБОТКЕ ОПТИЧЕСКИХ ПОТОКОВ В РЕАЛЬНОМ ВРЕМЕНИ НА ПАРАЛЛЕЛЬНОМ АППАРАТЕ
1713 ЭФФЕКТИВНАЯ МЕТОДОЛОГИЯ РАЗРАБОТКИ УСКОРИТЕЛЯ ДЛЯ ДЕФОРМИРУЕМЫХ КОНВОЛЮЦИОННЫХ СЕТЕЙ
2734 Эффективный детектор эллипса на основе обнаружения области и отсечения дуги
1287 Эффективная модель улучшения подводного изображения с расширенным законом Бера-Ламберта
3060 ЭМПИРИЧЕСКИЙ АНАЛИЗ ПЕРЕФИТИНГА И ПАДЕНИЯ РЕЖИМОВ В GAN TRAINING
3146 СПЕЦИАЛЬНЫЙ СПОСОБ НЕОБХОДИМОГО ХЭШИНГА ДЛЯ НЕПОДВИЖНОГО МУЛЬТИСПЕКТРАЛЬНОГО ПОЛУЧЕНИЯ ИЗОБРАЖЕНИЯ С ДИСТАНЦИОННЫМ ЗОНДОМ
2682 ПОСЛЕДОВАТЕЛЬНАЯ ОСНОВА ДЛЯ ОЦЕНКИ ПОЗИЦИИ ПЕШЕХОДОВ, ЗАКЛЮЧЕННЫХ НА ПРОВЕДЕНИИ ПОЗИЦИИ
3064 СПЕЦИАЛЬНАЯ СЕТЬ ДЛЯ ОБНАРУЖЕНИЯ МНОГОДОМЕННЫХ ПЕРЕЛОМОВ НА РЕНТГЕНОВСКИХ ИЗОБРАЖЕНИЯХ
1454 УЛУЧШЕННАЯ АРХИТЕКТУРА ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ КЛАССИФИКАЦИИ ТИПОВ ТУБЕРКУЛЕЗА ПО ИЗОБРАЖЕНИЯМ ЛЕГКИХ КТ
2389 УЛУЧШЕННЫЙ ДЕСКРИПТОР ЛОКАЛЬНОЙ ТЕКСТУРЫ ДЛЯ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЯ
2729 ОЦЕНКА ВЫБОРА ДИЗАЙНА ДЛЯ РАСПОЗНАВАНИЯ ПЕШЕХОДНОГО АТРИБУТА В ВИДЕО
1595 УСИЛЕННАЯ ВЫРАЖЕНИЕМ РАЗДЕЛЕННАЯ КЛАСТЕРИЗАЦИЯ ПОДПРОСТРАНСТВА С ПОМОЩЬЮ ОРТОГОНАЛЬНОГО СОГЛАСОВАНИЯ
2916 МЕТОД НА ОСНОВЕ ИЗОБРАЖЕНИЯ ДЛЯ ПРОГНОЗИРОВАНИЯ КАЧЕСТВА ДАТЧИКА РАМАНОВСКОЙ СПЕКТРОСКОПИИ С УЛУЧШЕННЫМ ПОВЕРХНОСТЬЮ
3038 АНАЛИЗ ВАЖНОСТИ СИСТОЛИЧЕСКОГО КРОВЯНОГО ДАВЛЕНИЯ И ДИАСТОЛИЧЕСКОГО КРОВЯНОГО ДАВЛЕНИЯ В ДИАГНОСТИКЕ ГИПЕРТЕНЗИИ: ИССЛЕДОВАНИЕ MRA.
2848 ДАТЧИК АНАЛИЗА КВАНТИЗАЦИИ RAW-ИЗОБРАЖЕНИЙ ДЛЯ ВИЗУАЛЬНОГО SLAM
2683 ОПТИМИЗАЦИЯ АНИМАЦИОННЫХ GIF С ПОМОЩЬЮ АДАПТИВНОГО УПРАВЛЕНИЯ ЛОКАЛЬНОЙ ТАБЛИЦЕЙ ЦВЕТА
1334 ANIMGAN: ПРОСТРАНСТВЕННО-ОБЫЧНАЯ ГЕНЕРАТИВНАЯ СЕТЬ ДЛЯ АНИМАЦИИ ПЕРСОНАЖЕЙ
2813 ОБНАРУЖЕНИЕ АНОМАЛЬНОГО ДВИЖЕНИЯ НА ШОССЕ С ПОМОЩЬЮ ГЛУБОКОГО ОБУЧЕНИЯ
2038 APE: БОЛЕЕ ПРАКТИЧНЫЙ ПОДХОД К ОЦЕНКЕ ПОЗЫ С 6 СТЕПЕНИ
2292 ПЕРЕДАЧА ПРОИЗВОЛЬНОГО СТИЛЯ С ИСПОЛЬЗОВАНИЕМ НОРМАЛИЗАЦИИ ЭКСПЕРИМЕНТА GRAPH
2760 ART2CONTOUR: ОБНАРУЖЕНИЕ ОТЛИЧНОГО КОНТУРА В ИЗОБРАЖЕНИЯХ С ИСПОЛЬЗОВАНИЕМ ГЕНЕРАТИВНЫХ ПРОТИВОПОКАЗАТЕЛЬНЫХ СЕТЕЙ
2748 ОБЪЕДИНЕНИЕ МНОГОМАСШТАБНЫХ ПРИЕМНЫХ ПОЛЕЙ ДЛЯ МЕТОДИЧЕСКОГО РАСПОЗНАВАНИЯ
2844 АСИММЕТРИЧНАЯ КОНВОЛЮЦИОННАЯ ОСТАТОЧНАЯ СЕТЬ ДЛЯ ВНУТРЕННЕЙ ВНУТРЕННЕЙ ФИЛЬТРАЦИИ AV1
2154 АСИМПТОТИЧЕСКОЕ ЗАМКНУТОЕ ДИЗАЙН РЕЖИМОВ ТРАНСФОРМАЦИИ ДЛЯ ОСТАТКА ВЗАИМОДЕЙСТВИЯ В ВИДЕОКОДИНГЕ
2117 ГЛУБОКИЕ СЕТИ ВНИМАНИЯ ДЛЯ КЛАССИФИКАЦИИ ВИДЕО
2343 ВНИМАНИЕ ВЫБОРНАЯ СЕТЬ ДЛЯ СИНТЕЗА ЛИЦА И ПОЗИЦИОННО-ИНВАРИАНТНОГО РАСПОЗНАВАНИЯ ЛИЦА
1529 ВНИМАНИЕ UNET ++: РАЗМЕЩЕННАЯ ВНИМАНИЕ! U-NET ДЛЯ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ КТ ПЕЧЕНИ
1093 ПОВЫШЕННЫЙ ВНИМАНИЕ И БОЛЕЕ СБАЛАНСИРОВАННЫЙ R-CNN ДЛЯ ОБНАРУЖЕНИЯ ОБЪЕКТОВ
2526 Улучшение распознавания эмоций на основе звука с помощью Progressive GAN
2843 Отслеживание движения на основе расширенной области с использованием байесовского вывода для квазистатической ультразвуковой эластографии
2439 ДОПОЛНЕНИЕ JPEG2000 ПРОГНОЗОМ КОЭФФИЦИЕНТА WAVELET
2372 Автоматическое обнаружение высокоагрегированных нейронов на микроскопических изображениях мозга макака
2773 АВТОМАТИЧЕСКАЯ МАРКИРОВКА ОБЪЕКТОВ ДЛЯ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЙ НА ОСНОВЕ CNN
2530 АВТОМАТИЧЕСКАЯ РЕКОНСТРУКЦИЯ ХАРАКТЕРА ИЗ ФРОНТАЛЬНЫХ И БОКОВЫХ МОНОКУЛЯРНЫХ 2D ВИДОВ RGB
2875 АВТОМАТИЧЕСКОЕ ИЗМЕРЕНИЕ ПЕЛЛЮЦИДА СЕПТУМА ПЛОДА ПО УЛЬТРАЗВУКОВЫМ ИЗОБРАЖЕНИЯМ С ИСПОЛЬЗОВАНИЕМ СЕТИ ГЛУБОКОГО ВНИМАНИЯ
1241 АВТОМАТИЧЕСКИЙ ВЫБОР РЕГИОНА ДЛЯ ОБЪЕКТИВНОЙ ОЦЕНКИ РЕЗКОСТИ ФОТОГРАФИЙ МОБИЛЬНЫХ УСТРОЙСТВ
3069 BAE-NET: АНСАМБЛЬНАЯ СЕТЬ, ПРЕДНАЗНАЧЕННАЯ ВНИМАНИЕМ ДЛЯ ГИПЕРСПЕКТРАЛЬНОГО ОТСЛЕЖИВАНИЯ ОБЪЕКТОВ
3127 БИОЛОГИЧЕСКОЕ ГЛУБОКОЕ ОБУЧЕНИЕ ГЕКСАГОНАЛЬНОМУ ОБУЧЕНИЮ ДЛЯ ГЕНЕРАЦИИ ШЕСТИГРАННЫХ ИЗОБРАЖЕНИЙ
1053 СНИЖЕНИЕ РАЗЪЁМА СЛУЧАЙНОГО ИЗОБРАЖЕНИЯ С ЧРЕЗВЫЧАЙНЫМИ КАНАЛАМИ СОЕДИНЕНИЯ, РЕГУЛЯРИРОВАННОЙ ИНТЕНСИВНОСТЬЮ L0 И ГРАДИЕНТНЫМИ ПРИОРами
3215 ПРОГНОЗ КАЧЕСТВА СЛЕПЫХ НАТУРАЛЬНЫХ ИЗОБРАЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ КОНВОЛЮЦИОННЫХ НЕЙРОННЫХ СЕТЕЙ И Взвешенного пространственного объединения
1778 АЛГОРИТМ БЛОКОВОГО РАСПРЕДЕЛЕНИЯ 3MG И ЕГО ПРИМЕНЕНИЕ ДЛЯ ВОССТАНОВЛЕНИЯ 3D ИЗОБРАЖЕНИЯ
2597 КОМПЕНСАЦИЯ ДВИЖЕНИЯ БЛОКА В ЗАВИСИМОСТИ ОТ РАЗМЕРА БЛОКА
1940 ПОВЫШЕНИЕ ЛОКАЛИЗАЦИИ НА ОСНОВЕ ИЗОБРАЖЕНИЙ С ПОМОЩЬЮ СЛУЧАЙНО УСИЛЕННЫХ ГЕОМЕТРИЧЕСКИХ ДАННЫХ
2618 Генератор поддержки распределения (BDSG): создание выборки на границе
1308 ИЗВЛЕЧЕНИЕ ШИРОКОПОЛОСНОЙ ГИПЕРСПЕКТРАЛЬНОЙ ФАЗЫ ИЗ ШУМНЫХ ДАННЫХ
2744 НАБОР УРОВНЯ B-SPLINE ДЛЯ СЕГМЕНТАЦИИ ИЗОБРАЖЕНИЯ DROSOPHILA
2247 BUBBLENET: РАЗНООБРАЗНАЯ СТРУКТУРА ДЛЯ ОПРЕДЕЛЕНИЯ ДЕЯТЕЛЬНОСТИ
1399 РАЗМЕЩЕНИЕ ЗДАНИЙ В МОДЕЛИРОВАНИИ ГОРОДА С ИСПОЛЬЗОВАНИЕМ УСЛОВНЫХ ГЕНЕРАЦИОННЫХ СКРЫТЫХ ОПТИМИЗАЦИЙ
3034 CALIBRANK: ЭФФЕКТИВНАЯ ВНЕШНЯЯ КАЛИБРОВКА ЛИДАР-КАМЕРЫ ПО МОДАЛЬНОМУ ОБУЧЕНИЮ ДО РАНГА
2546 РАЗМЕЩЕНИЕ КАМЕРЫ СООТВЕТСТВУЕТ ОГРАНИЧЕНИЯМ КОМПЬЮТЕРНОГО ВИДЕНИЯ
1728 CAM-NET: СЖАТАЯ ВНИМАТЕЛЬНАЯ МНОГОГРАНУЛЯРНАЯ СЕТЬ ДЛЯ ДИНАМИЧЕСКОЙ КЛАССИФИКАЦИИ СЦЕН
1133 CAM-UNet: КАРТА АКТИВАЦИИ КЛАССА, УПРАВЛЯЕМАЯ UNET С Уточнением обратной связи ДЛЯ СЕГМЕНТАЦИИ ДЕФЕКТОВ
1669 КАСКАДНАЯ ЗАВИСИМОСТЬ КОНТЕКСТА: ЧРЕЗВЫЧАЙНО ЛЕГКИЙ МОДУЛЬ ДЛЯ ГЛУБОКОГО КОНВОЛЮЦИОННЫХ НЕЙРОННЫХ СЕТЕЙ
3050 КАСКАДНЫЕ СЕТИ СМЕШАННОЙ ТОЧНОСТИ
2938 КАСКАДНАЯ РЕГРЕССИЯ НЕЛИНЕЙНОЙ ФОРМЫ МОДЕЛИ
3142 КАСТ-ГАН: УЧИТЬСЯ УДАЛЕНИЕ ЦВЕТОВОГО ПРИЛИВА С ПОДВОДНЫХ ИЗОБРАЖЕНИЙ
1672 ВЫВОД КОЭФФИЦИЕНТА CCALF С ИСПОЛЬЗОВАНИЕМ КОМБИНИРОВАННЫХ СОСЕДЕЙ
1854 CDVA / VCM: ЯЗЫК ДЛЯ ИНТЕЛЛЕКТУАЛЬНЫХ И АВТОНОМНЫХ ТРАНСПОРТНЫХ СРЕДСТВ
1934 CGO: ОБНАРУЖЕНИЕ МНОГОЗОННЫХ АСТРОНОМИЧЕСКИХ ИСТОЧНИКОВ С КОМПОНЕНТНЫМИ ГРАФАМИ
1983 ОБРЕЗКА КАНАЛОВ С ПОМОЩЬЮ ГРАДИЕНТА ВЗАИМНОЙ ИНФОРМАЦИИ ДЛЯ ЛЕГКИХ КОНВОЛЮЦИОННЫХ НЕЙРОННЫХ СЕТЕЙ
3079 СЕТЬ РЕКОНСТРУКЦИИ КАНАЛОВ ДЛЯ СЖАТИЯ ИЗОБРАЖЕНИЯ
1251 ЗАМЕНА ПАТЧОВ НА ОСНОВЕ ГРУППИРОВКИ КАНАЛОВ ДЛЯ ПЕРЕДАЧИ ПРОИЗВОЛЬНОГО СТИЛЯ
2517 КАНАЛ – ПРОСТРАНСТВЕННАЯ СЕТЬ FUSION AWARE ДЛЯ ТОЧНОГО И БЫСТРОГО ОБНАРУЖЕНИЯ ОБЪЕКТОВ
1460 КАНАЛЬНЫЕ МОДЕЛИ АВТОРЕГРЕССИВНОЙ ЭНТРОПИИ ДЛЯ СЖАТИЯ ИЗУЧЕННЫХ ИЗОБРАЖЕНИЙ
1799 ПОКАНАЛЬНОЕ ПРОГРЕССИВНОЕ ОБУЧЕНИЕ ДЛЯ СЖАТИЯ ИЗОБРАЖЕНИЙ БЕЗ ПОТЕРЯ
2781 Предсказание Chroma Intra с архитектурой CNN, основанной на внимании
1281 ЦИРКУЛЯРНЫЙ СДВИГ: ЭФФЕКТИВНЫЙ МЕТОД ПОВЫШЕНИЯ ДАННЫХ ДЛЯ КОНВОЛЮЦИОННОЙ НЕЙРОННОЙ СЕТИ ПО КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ
2685 КЛАСС ДОПОЛНИТЕЛЬНОГО ОБУЧЕНИЯ С ВЫБОРОМ ЗАДАЧ
1028 КЛАССИФИКАЦИЯ НА ПРОСТОЙ ОБУЧЕНИИ
1239 Классификация ухудшенных изображений по различным уровням деградации
2045 ДЛЯ ИЗУЧЕНИЯ ПОДОБИЯМ МЕЖДУ СИММЕТРИЧНОЙ ПОЛОЖИТЕЛЬНОЙ ОПРЕДЕЛЕННОЙ МАТРИЦЕЙ ВРЕМЕННОГО РЯДА
1937 CNN-ОРИЕНТИРОВАННОЕ СНИЖЕНИЕ СЛОЖНОСТИ VVC INTRA ENCODER
1920 CNN PATCH POOLING ДЛЯ ОБНАРУЖЕНИЯ АТАК ПРЕЗЕНТАЦИИ 3D-МАСКИ В NIR
2070 ПОКРЫТИЯ С ПОМОЩЬЮ CNN В ПРОСТРАНСТВЕ НАКЛОНОВ: ЛУЧШИЕ АФФИНО-ИНВАРИАНТНЫЕ ХАРАКТЕРИСТИКИ СО СКОРОСТЬЮ CNNS
2550 Грубое агрегирование для межгранулярного распознавания действий
2731 КОДИРОВАНИЕ НЕПРЯМОУГОЛЬНЫХ СИГНАЛОВ БЛОКОВЫМИ ПРЕОБРАЗОВАНИЯМИ
1612 Совместное обучение полууправляемой кластеризации и классификации для маркировки неконтролируемых данных
2704 Сочетание созданных вручную функций и функций на основе глубокого обучения для оценки качества трехмерной сетки
3011 Комплексное пространственно-временное агрегирование внимания для повторной идентификации личности по видео
1833 АНАЛИЗ СЛОЖНОСТИ КОДИРОВАНИЯ И ДЕКОДИРОВАНИЯ ВВЦ СЛЕДУЮЩЕГО ПОКОЛЕНИЯ
1649 АНАЛИЗ СЛОЖНОСТИ ВНУТРЕННЕГО КОДИРОВАНИЯ ВВЦ
2997 КОМПЛЕКСНЫЙ СИНТЕЗ ВЫРАЖЕНИЯ ЛИЦА С ИСПОЛЬЗОВАНИЕМ ИНТЕРПРЕТАЦИОННОГО ЯЗЫКА
1989 СЖАТОЙ ГИПЕРСПЕКТРАЛЬНЫЙ ПРОФИЛЬ
1646 Кодирование видео со сжатием и считыванием, совместимое с JPEG
2027 Регулировка связки с ограничениями, применяемая к 3D-реконструкции крыла с механическими ограничениями
2529 Снижение зависимости от контента с многозадачным обучением при слепой оценке качества сшитых панорамных изображений
2435 КОНТЕКСТНАЯ ИЕРАРХИЧЕСКАЯ СЕТЬ ВНИМАНИЯ ДЛЯ МНОГОМАСШТАБНОГО ОБНАРУЖЕНИЯ ОБЪЕКТОВ
2460 НЕПРЕРЫВНОЕ ИЗУЧЕНИЕ ПРОГНОЗИРУЮЩИХ МОДЕЛЕЙ В ВИДЕОПОСЛЕДОВАТЕЛЬСТВАХ С ПОМОЩЬЮ ВАРИАЦИОННЫХ АВТОЭНКОДЕРОВ
1716 НЕПРЕРЫВНОЕ МЕСТНОЕ ОБУЧЕНИЕ ДЛЯ ЛУЧШЕЙ ИНИЦИАЛИЗАЦИИ ФЕДЕРАЦИОННЫХ МОДЕЛЕЙ
2983 КОНТРАСТИВНЫЕ ОБЪЯСНЕНИЯ В НЕЙРОННЫХ СЕТЯХ
3149 КОНВОЛЮЦИОННАЯ МОДЕЛЬ ВНИМАНИЯ ДЛЯ РЕКОМЕНДАЦИИ ДЛЯ РЕСТОРАНА С МНОГООБРАЗНЫМИ ВИЗУАЛЬНЫМИ ФУНКЦИЯМИ
2173 ОБРАБОТКА КОНВОЛЮЦИОННОЙ НЕЙРОННОЙ СЕТИ С ПОМОЩЬЮ ФИЛЬТРА
1497 ОБНАРУЖЕНИЕ ХОБЛ С ИСПОЛЬЗОВАНИЕМ ТРЕХМЕРНЫХ ГАУССОВЫХ СЛУЧАЙНЫХ ПОЛЕЙ МАРКОВА НА ОСНОВЕ ДВОИЧНЫХ ХАРАКТЕРИСТИК
3091 CORNET: КОМПОЗИТНО-РЕГУЛЯРИЗОВАННАЯ НЕЙРОННАЯ СЕТЬ ДЛЯ КОНВОЛЮЦИОННОГО РАЗРЕЗНОГО КОДИРОВАНИЯ
2374 Межмодальные глубокие сети для классификации изображений документов
2033 КРОСС-МОДАЛЬНЫЙ ОТЪЕМ С ШУМНЫМИ ЭТИКЕТКАМИ
2388 ПЕРЕГОВОРНОЕ МНОГОМОДАЛЬНОЕ ПОЛУЧЕНИЕ ИЗОБРАЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ СИАМСКИХ СЕТЕЙ
1800 CRVOS: СЕТЬ ПЕРЕРАБОТКИ КЛЮЧЕЙ ДЛЯ СЕГМЕНТАЦИИ ВИДЕО ОБЪЕКТОВ
2014 CSIOR: АЛГОРИТМ ПОРЯДОК РЕГУЛЯРИЗАЦИИ ТРЕУГОЛЬНОЙ СЕТКИ
1997 CS-RPCA: КЛАСТЕРНЫЙ РАЗДЕЛЕННЫЙ RPCA ДЛЯ ОБНАРУЖЕНИЯ ДВИЖУЩИХСЯ ОБЪЕКТОВ
1642 CUID: НОВОЕ ИССЛЕДОВАНИЕ ПРЕДПОЛАГАЕМОГО КАЧЕСТВА ИЗОБРАЖЕНИЯ И ЕГО СУБЪЕКТИВНАЯ ОЦЕНКА
2469 ЦИКЛ ГАНОВОГО ДОПОЛНЕНИЯ ДАННЫХ ДЛЯ МНОГООРГАНСКОГО ОБНАРУЖЕНИЯ КТ-ИЗОБРАЖЕНИЙ С ПОМОЩЬЮ YOLO
2769 CYCLEPTZ: МЕТОД УПРАВЛЕНИЯ НА ОСНОВЕ ОБУЧЕНИЯ ДЛЯ ВЕДУЩИХ КАМЕРНЫХ СИСТЕМ
2996 ДОПОЛНЕНИЕ ДАННЫХ С ИСПОЛЬЗОВАНИЕМ ИСКУССТВЕННЫХ ИММУННЫХ СИСТЕМ ДЛЯ ШУМОВЫХ МОДЕЛЕЙ CNN
2609 Представление данных в среде гибридного кодирования для сжатия карт функций
2453 DCM: КОНТЕКСТНЫЙ МОДУЛЬ ПЛОТНОГО ВНИМАНИЯ ДЛЯ СЕМАНТИЧЕСКОЙ СЕГМЕНТАЦИИ
1448 ДЕКОДИРОВАНИЕ МОДЕЛИРОВАНИЯ ЭНЕРГИИ ДЛЯ УНИВЕРСАЛЬНОГО ВИДЕО КОДИРОВАНИЯ
1611 ГЛУБОКОЕ НЕОБХОДИМОЕ АКТИВНОЕ ОБУЧЕНИЕ С НЕОПРЕДЕЛЕННОСТЬЮ МОДЕЛИ ДЛЯ КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ
2509 ГЛУБОКИЕ АРХИТЕКТУРЫ АВТОЭНКОДЕРА ДЛЯ ОБНАРУЖЕНИЯ ОБЪЕКТОВ В ВИДЕОПОСЛЕДОВАТЕЛЬНОСТИ НА ОСНОВЕ ВЕРОЯТНОСТНЫХ МОДЕЛЕЙ СМЕСИ
2007 ГЛУБОКОЕ СЖАТИЕ ФУНКЦИЙ С ПРОСТРАНСТВЕННО-ВРЕМЕННОЙ АППАРАТОЙ ДЛЯ СОТРУДНИЧЕСТВЕННОГО РАЗВЕДЕНИЯ
2330 ГЛУБОКАЯ НЕОДНОРОДНАЯ РЕГУЛЯРИЗАЦИЯ ПЕРЕДАЧНОГО ОБУЧЕНИЯ
1631 ГЛУБОКОЕ ОБУЧЕНИЕ И ВЗАИМОДЕЙСТВИЕ ДЛЯ ВИДЕО РОТОСКОПИНГА
1593 ОЦЕНКА КРОСС-СПЕКТРАЛЬНЫХ РАСХОДОВ НА ОСНОВЕ ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ СТЕРЕО ИЗОБРАЖЕНИЯ
2774 Сопоставление ориентиров на основе глубокого обучения для геолокации с воздуха
2742 ГЛУБОКОЕ ОБУЧЕНИЕ VS.ТРАДИЦИОННЫЕ АЛГОРИТМЫ ПРОГНОЗИРОВАНИЯ ЗДОРОВЬЯ ИСКЛЮЧЕННЫХ ИЗОБРАЖЕНИЙ
1532 СЕТИ ГЛУБОКОМОРФОЛОГИЧЕСКИХ ФИЛЬТРОВ ДЛЯ ГАУССОВОГО ДЕНОИЗАЦИИ
2906 КЛАССИФИКАЦИЯ НА ОСНОВЕ ГЛУБОКОГО МУЛЬТИМОДАЛЬНОГО РЕЗКОГО ПРЕДСТАВЛЕНИЯ
1948 DEEP PERSON ИДЕНТИФИКАЦИИ С ПОМОЩЬЮ Пространственно-временной FACIAL MOTION амплификации
1957 ГЛУБОКОЕ ФОТО ОБРАБОТКА И УЛУЧШЕНИЕ
2985 Лес глубокой регрессии с мягким вниманием для оценки позы головы
1300 ГЛУБОКОЕ ХЕШИНГ ДЛЯ ВОССТАНОВЛЕНИЯ ИЗОБРАЖЕНИЯ ДЛЯ САМОУЧЕНИЯ
1122 ГЛУБОКАЯ ПРОЕКТНАЯ СЕТЬ LANDWEBER ДЛЯ БЛОКОВОГО СЖАТИЯ ИЗОБРАЖЕНИЯ
1379 ГЛУБОКИЙ ПОДКЛАССНЫЙ ЛИНЕЙНЫЙ ДИСКРИМИНАНТНЫЙ АНАЛИЗ ДЛЯ МУЛЬТИМОДАЛЬНОГО ОБУЧЕНИЯ В ПРОСТРАНСТВЕ
2969 ГЛУБОКОЕ ПРОГНОЗИРОВАНИЕ ВИДЕО С ПОМОЩЬЮ РЕГУЛЯРИЗАЦИИ РЕЗЬБЫ ДВИЖЕНИЯ
1628 ГЛУБОКАЯ ГЕНЕРАЦИЯ ВИРТУАЛЬНОЙ ЭТАЛОННОЙ КАДРЫ ДЛЯ МНОЖЕСТВЕННОГО ВИДЕО КОДИРОВАНИЯ
2593 DEEPCABAC: ОБНОВЛЕНИЕ ВЕСА И ВЕСА НЕЙРОННОЙ СЕТИ PLUG & PLAY СЖАТИЕ
1336 DeepMPC: смесь ABR-подхода через глубокое обучение и MPC
1782 DEEP-URL: МОДЕЛЬНЫЙ ПОДХОД К СЛЕЙКОЙ ДЕКОНВОЛЮЦИИ НА ОСНОВЕ ГЛУБОКОЙ РАЗВЕРТАННОЙ СЕТИ Ричардсона-ЛЮСИ
1349 ДЕФОРМИРУЕМЫЙ КВАТЕРНИОН ГАБОР КОНВОЛЮЦИОННАЯ НЕЙРОННАЯ СЕТЬ ДЛЯ РАСПОЗНАВАНИЯ ЦВЕТНОЙ ВЫРАЖЕНИЯ ЛИЦА
1450 ДЕФОРМИРУЕМЫЕ СЕТИ ПРОСТРАНСТВЕННОГО РАСПРОСТРАНЕНИЯ ДЛЯ ЗАВЕРШЕНИЯ ГЛУБИНЫ
1637 ДЕЛЮБЕРСКИЕ СЕТИ ДЛЯ ВИДЕОТЕТРОВАНИЯ
2507 ЗАВИСИМОЕ СКАЛЯРНОЕ КВАНТОВАНИЕ ДЛЯ СЖАТИЯ НЕЙРОННОЙ СЕТИ
2607 ОЦЕНКА ГЛУБИНЫ ПО ОДНОМУ ИЗОБРАЖЕНИЮ И СЕМАНТИЧЕСКОМУ ПРИОРУ
1321 НАРАЩИВАНИЕ КАРТЫ ГЛУБИНЫ И СВЕРХРАЗРЕШЕНИЕ С ПРОИЗВОДСТВЕННЫМИ МАСШТАБНЫМИ ФАКТОРАМИ
1541 КАРТЫ ГЛУБИНЫ БЫСТРО МАСШТАБИРУЕМОЕ СЖАТИЕ НА ОСНОВЕ КОДИРОВКИ ГЛУБИНЫ
2574 ОПРЕДЕЛЕНИЕ ДИСКРИПТОРА ДЛЯ ВЫБОРА ФУНКЦИЙ В ВИЗУАЛЬНОМ ВРЕМЕНИ
1995 DESHUFFLEGAN: САМОУПРАВЛЯЕМЫЙ ГАН ДЛЯ УЛУЧШЕНИЯ СТРУКТУРНОГО ОБУЧЕНИЯ
2801 ПРОЕКТИРОВАНИЕ И РЕАЛИЗАЦИЯ АДАПТИВНОГО ВИДЕОЗАПИСИ НА ПЛИС АДАПТИВНОГО АЛГОРИТМА ПОДСТАВКИ ВИДЕО ДЛЯ ЭНЕРГОЭФФЕКТИВНОГО ОТСЛЕЖИВАНИЯ ОДНОГО ОБЪЕКТА
2238 ОБНАРУЖЕНИЕ ЗАПРЕЩЕННЫХ ОБЪЕКТОВ НА РЕНТГЕНОВСКИХ ИЗОБРАЖЕНИЯХ: ПОДХОД К ОБУЧЕНИЮ КОНТУРНОГО ПРЕДЛОЖЕНИЯ
2962 ОСОБЕННОСТИ ОБНАРУЖЕНИЯ В КАЧЕСТВЕ ВНИМАНИЯ (ПОРАЖЕНИЕ): БЕСПРОВОДНЫЙ ПОДХОД К ПОВТОРНОЙ ИДЕНТИФИКАЦИИ АМУРСКОГО ТИГРА
2039 ОБНАРУЖЕНИЕ СУДОВОГО СЛЕДОВ ПО РСА-ИЗОБРАЖЕНИЯМ С ИСПОЛЬЗОВАНИЕМ РЕГУЛЯРИЗАЦИИ КОШИ
2199 РАЗРАБОТКА НОВЫХ ФРАКТАЛЬНЫХ И НЕФРАКТНЫХ ГЛУБОК ОСТАТОЧНЫХ СЕТЕЙ ДЛЯ РАЗБЛОКИРОВКИ ДЕКОМПРЕССИРОВАННЫХ ИЗОБРАЖЕНИЙ JPEG
3094 DIAG2GRAPH: ПРЕДСТАВЛЕНИЕ ДИАГРАММ ГЛУБОКОГО ОБУЧЕНИЯ В ИССЛЕДОВАТЕЛЬСКИХ ДОКУМЕНТАХ В КАЧЕСТВЕ ЗНАНИЙ
2946 ДИАГНОСТИКА АУТИЗМА С ПОМОЩЬЮ МРТ T1-W С МНОГОЯДЕРНЫМ ОБУЧЕНИЕМ И НЕЙРОННОЙ СЕТЬЮ ГИПЕРГРАФА
2335 РАЗЛИЧНЫЕ ЦВЕТОВЫЕ ПРОСТРАНСТВА В ВОДНОЙ СЕГМЕНТАЦИИ НА ОСНОВЕ ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ АВТОНОМНЫХ МОРСКИХ ОПЕРАЦИЙ
2859 ВЫПОЛНЕНИЕ ИЕРАРХИЧЕСКОЙ ИНФОРМАЦИИ ДЛЯ ВИЗУАЛЬНОГО РАСПОЗНАВАНИЯ МЕСТА С ПОМОЩЬЮ ВЕСОВОГО ПОДОБИЯ
2248 УМЕНЬШЕНИЕ РАЗМЕРА ЧЕРЕЗ ДИФФУЗИОННУЮ КАРТУ, УЛУЧШЕННУЮ С КОНТРОЛЬНЫМ ЛИНЕЙНЫМ ПРОЕКЦИЕЙ
1276 ДИСКРИМИНАЦИОННЫЙ ДОБАВЛЕНИЕ КЛИПОВ ДЛЯ ОБНАРУЖЕНИЯ ВИДЕО АНОМАЛИИ
2029 НОРМАЛИЗАЦИЯ МНОГОМЕННЫХ ПЯТЕН НА ОСНОВЕ ОБУЧЕНИЯ НА ОСНОВЕ НЕПРЕРЫВНОГО ПРЕДСТАВЛЕНИЯ ДЛЯ ГИСТОЛОГИЧЕСКИХ ИЗОБРАЖЕНИЙ
2832 РАЗЪЯСНЕНИЕ ПРОСТРАНСТВЕННОЙ СТРУКТУРЫ И СТИЛЯ В УСЛОВИЯХ VAE
2624 УЛУЧШАЕТ ЛИ СУПЕР РАЗРЕШЕНИЕ ПРОИЗВОДИТЕЛЬНОСТЬ OCR В РЕАЛЬНОМ МИРЕ? ПРИМЕР ИЗОБРАЖЕНИЙ ЧЕК
2152 Адаптация домена для разметки полосы движения: неконтролируемый подход
2323 DRCAS: СЕТЬ ГЛУБОКОГО ВОССТАНОВЛЕНИЯ ДЛЯ АППАРАТНОЙ СХЕМЫ СЖАТИЯ СХЕМЫ
3084 ОЦЕНКА ПОТОКА ТРАНСПОРТНЫХ СРЕДСТВ НА ОСНОВЕ ДРОНОВ И ЕЕ ПРИМЕНЕНИЕ ДЛЯ ОБНАРУЖЕНИЯ ГОРЯЧИХ ТОЧЕК КОНФЛИКТОВ НА ПЕРЕСЕЧКАХ
2700 DRONECAPS: РАСПОЗНАВАНИЕ ДЕЙСТВИЙ ЧЕЛОВЕКА В ВИДЕО ДРОНА С ИСПОЛЬЗОВАНИЕМ КАПСУЛЬНЫХ СЕТЕЙ С ДВОИЧНЫМИ СРАВНЕНИЯМИ ОБЪЕМА
3044 Двойная независимая классификация для извлечения трехмерной формы на основе эскиза
1271 ДВОЙНАЯ ИНФОРМАЦИОННАЯ ФОНОВАЯ МОДЕЛЬ ДЛЯ ОБНАРУЖЕНИЯ ДВИЖУЩИХСЯ ОБЪЕКТОВ
3067 СЕТЬ ДВУНАПРАВЛЕНИЯ ВОСПРИЯТИЯ И СОТРУДНИЧЕСТВА ДЛЯ МНОГООБЪЕКТНОГО ОТСЛЕЖИВАНИЯ В БЛИЖАЙШЕМ СЕТИ
2363 ВЫЧИСЛЕНИЕ ДИНАМИЧЕСКОГО ФОНА С ИСПОЛЬЗОВАНИЕМ НАИМЕНЬШИХ КВАДРАТНЫХ ПРОБЛЕМ ИЗУЧЕНИЯ
1113 ДИНАМИЧЕСКАЯ ОБЪЕКТИВНАЯ МОНОКУЛЯРНАЯ ВИЗУАЛЬНАЯ ОДОМЕТРИЯ С ЛОКАЛЬНОЙ И ГЛОБАЛЬНОЙ ИНФОРМАЦИЕЙ АГРЕГАЦИИ
2866 ИЕРАРХИЧЕСКАЯ ОЦЕНКА ДВИЖЕНИЯ, ОРИЕНТИРОВАННАЯ НА КРАЙ, ДЛЯ КОДИРОВАНИЯ ВИДЕО
3071 EDGE-GAN: ГЕНЕРАЦИЯ МНОГООБРАЗНЫХ ИЗОБРАЖЕНИЙ ЛИЦА С УСИЛЕННЫМ ОБРАЗОМ
2264 УМЕНЬШЕНИЕ МАСШТАБА ИЗОБРАЖЕНИЯ С ПОМОЩЬЮ АДАПТИВНОЙ ФИЛЬТРАЦИИ
2341 ОЦЕНКА ПРЕДПОЛАГАЕМОГО КАЧЕСТВА СЛОЖНЫХ НАТУРАЛЬНЫХ ИЗОБРАЖЕНИЙ НА ОСНОВЕ ЭЭГ
2438 ЭФФЕКТИВНОЕ ОБУЧЕНИЕ СЛОВАРЯМ И РАЗРЕШЕННОЕ КОДИРОВАНИЕ ШУМНЫХ ГЛАВНЫХ СИГНАЛОВ: ПРИМЕНЕНИЕ К ГИПЕРСПЕКТРАЛЬНЫМ ИЗОБРАЖЕНИЯМ
1887 ЭФФЕКТИВНОЕ ОБНАРУЖЕНИЕ ПРОТИВНИКАЛЬНЫХ АТАК ПИКСЕЛЬНОГО УРОВНЯ
1660 Эффективная реализация матричного внутреннего прогнозирования с фиксированной точкой
2549 ЭФФЕКТИВНОЕ ПОСТРОЕНИЕ ГРАФИКОВ ДЛЯ ПРЕДСТАВЛЕНИЯ ИЗОБРАЖЕНИЯ
1480 ЭФФЕКТИВНЫЙ ТРАНСКОДЕР HEVC-VVC НА ОСНОВЕ БАЙЕСОВСКОГО КЛАССИФИКАТОРА ДЛЯ ПЕРВОГО УРОВНЯ ГЛУБИНЫ КВАДДЕРЕВА
1432 ЭФФЕКТИВНАЯ ГРУППИРОВКА ВРЕМЕННО-ПРОСТРАНСТВЕННЫХ ФУНКЦИЙ ДЛЯ РАСПОЗНАВАНИЯ ВИДЕОДЕЙСТВИЯ
1398 EGOK360: НАБОР ВИДЕО ДАННЫХ ОБ ЭГОЦЕНТРИЧЕСКОЙ КИНЕТИЧЕСКОЙ ДЕЯТЕЛЬНОСТИ ЧЕЛОВЕКА 360
1615 ФУНКЦИЯ ТРАНСФОРМАЦИИ ЭМОЦИИ: НОВАЯ ФУНКЦИЯ ОБНАРУЖЕНИЯ ОБНАРУЖЕНИЯ В ВИДЕО
2498 КОДИРОВАНИЕ ВЫСОКОПРОИЗВОДИТЕЛЬНЫХ ИЗОБРАЖЕНИЙ JPEG2000 (HTJ2K) НА ГП
1327 ШИФРОВАНИЕ, ВДОХНОВЛЕННОЕ ЗАЩИТЫ ОТ ПРОТИВОБРАЗНОЙ КЛАССИФИКАЦИИ
2416 КОНЕЧНЫЙ ДИЗАЙН ГЛУБОКОЙ КАРТЫ ЯДРА ДЛЯ АННОТАЦИИ ИЗОБРАЖЕНИЯ
2513 ПОСТОЯННОЕ СЖАТИЕ ИЗОБРАЖЕНИЙ С ФИКСИРОВАННОЙ ТОЧЕЧНОЙ КВАНТИЗАЦИЕЙ ВЕСА
2266 ПОСТОЯННОЕ ИЗУЧЕНИЕ СЖИМАЕМЫХ ФУНКЦИЙ
2945 СПЕЦИАЛЬНАЯ ОПТИМИЗАЦИЯ ИСКАЖЕНИЯ СКОРОСТИ ДЛЯ ДВУНАПРАВЛЕННОГО СЖАТИЯ ИЗУЧЕННОГО ВИДЕО
1107 КОНЕЧНАЯ АГРЕГАЦИЯ ВРЕМЕННЫХ ФУНКЦИЙ ДЛЯ СИАМСКИХ ТРЕКЕРОВ
2120 УЛУЧШЕНИЕ КАТЕГОРИЗАЦИИ МНОГОУРОВНЕВЫХ СЕРДЕЧНО-СОСУДИСТЫХ БИОМАРКЕРОВ С ВЫСОКОЙ ЧУВСТВИТЕЛЬНОСТЬЮ ПО ИЗОБРАЖЕНИЯМ ИММУНОАНАЛИЗА БОКОВОГО ПОТОКА ЧЕРЕЗ НЕЙРОННЫЕ СЕТИ И ДИНАМИЧЕСКОЕ ИЗОБРАЖЕНИЕ ВРЕМЕНИ
2130 УЛУЧШЕНИЕ ГЕНЕРАТИВНЫХ СЕТЕЙ С ПОМОЩЬЮ ВЕЙВЛЕТ-ТРАНСФОРМЫ ДЛЯ ДЕНОИЗАЦИИ ИЗОБРАЖЕНИЙ НИЗКОДОЗНОЙ КТ
1430 УЛУЧШЕННОЕ ВОССТАНОВЛЕНИЕ ИЗОБРАЖЕНИЯ ПО КВАРТАЛЬНЫМ ИЗМЕРЕНИЯМ ВЫБОРКИ С ИСПОЛЬЗОВАНИЕМ АДАПТИРОВАННОЙ СЕТИ ОЧЕНЬ ГЛУБОКОГО СВЕРХ РАЗРЕШЕНИЯ
2288 УЛУЧШЕННОЕ ВОССТАНОВЛЕНИЕ ИЗОБРАЖЕНИЯ С ПОМОЩЬЮ КОНТРОЛИРУЕМОЙ ЦЕЛЕВОЙ ПЕРЕДАЧИ ФУНКЦИИ
2294 АНСАМБЛЬНОЕ ОБУЧЕНИЕ С ИСПОЛЬЗОВАНИЕМ БАГАЖНИКОВ И ВНЕДРЕНИЯ-V3 ДЛЯ ОБНАРУЖЕНИЯ АНОМАЛИЙ В ВИДЕО НАБЛЮДЕНИЯ
2279 АНСАМБЛЬ ГЛУБОКИХ КАСКАДОВ ДЛЯ ОБНАРУЖЕНИЯ РЕФЛЕКСНЫХ СОБЫТИЙ ЛАРИНГЕАЛЬНОГО АДДУКТОРА В ВИДЕО ЭНДОСКОПИИ
1698 EQ-LPR: ЭФФЕКТИВНОЕ КАЧЕСТВО РАСПОЗНАВАНИЕ ЛИЦЕНЗИОННОЙ ТАБЛИЧКИ
2995 ОЦЕНКА ВР-БОЛЕЗНИ, ВЫЗВАННОЙ ДРОЖАНИЕМ КАМЕРЫ НА ВИДЕОГРАФИИ ВР
2122 ОЦЕНКА ВПЕЧАТЛЕНИЯ, СВЯЗАННОГО С ПОРТРЕТАМИ С ИСПОЛЬЗОВАНИЕМ ОБЪЕКТОВ ЛИЦА И ВИЗУАЛЬНЫХ ФУНКЦИЙ
2982 ОЦЕНКА ВИЗУАЛЬНОГО СОДЕРЖАНИЯ ПО ВОПРОСУ, ОТВЕТУЮЩЕМУ ОТ ДЕЯТЕЛЬНОСТИ МОЗГА ЧЕЛОВЕКА
1856 Реконструкция видео с высокой частотой кадров на основе событий с использованием новой сети циклических событий
1816 ПРЕВЫШЕННОЕ ОБУЧЕНИЕ ДЛЯ ВОССТАНОВЛЕНИЯ ЧИСТОГО И ЧЕТКОГО ИЗОБРАЖЕНИЯ
2312 ИЗУЧЕНИЕ ВЫСОКОЭФФЕКТИВНЫХ КОМПАКТНЫХ НЕЙРОННЫХ СЕТЕЙ ДЛЯ КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ
3009 ИЗУЧЕНИЕ ДОЛГОСРОЧНОГО КОНТЕКСТА ДЛЯ СЕМАНТИЧЕСКОЙ СЕГМЕНТАЦИИ ТОЧЕЧНОГО ОБЛАКА
2331 ЯДРО РАСШИРЕНИЯ ДВУСТОРОННЕЙ ФИЛЬТРАЦИИ СЖАТИЯ ДЛЯ ПРОИЗВОДСТВА ДИАПАЗОНА
1221 РАСШИРЕНИЕ ХЭШИНГА ДЛЯ БЫСТРОГО ПЕРЕИДЕНТИФИКАЦИИ
2533 ИЗВЛЕЧЕНИЕ ГЛУБОКИХ ЛОКАЛЬНЫХ ХАРАКТЕРИСТИК ДЛЯ ОБНАРУЖЕНИЯ МАНИПУЛИРОВАННЫХ ИЗОБРАЖЕНИЙ ЛИЦ ЧЕЛОВЕКА
2208 Экстраполяционно-интерполяционное обучение согласованности цикла для экстраполяции видеокадров
1080 АУТЕНТИФИКАЦИЯ ЛИЦА ИЗ СВЕТОВОГО ПОЛЯ С СЕРОГО КОДИРОВАНИЯ
1845 РАСПОЗНАВАНИЕ ЛИЦА ПРИ НИЗКОМ ОСВЕЩЕНИИ ЧЕРЕЗ СЕТЬ ГЛУБОКОГО РЕКОНСТРУКЦИИ
1270 РАСПОЗНАВАНИЕ ВЫРАЖЕНИЯ ЛИЦА С ИСПОЛЬЗОВАНИЕМ ПРОСТРАНСТВЕННО-ВРЕМЕННОЙ СЕМАНТИЧЕСКОЙ ГРАФИКИ
2246 FAKD: ДИСТИЛЛЯЦИЯ ЗНАНИЙ НА ОСНОВЕ СООТВЕТСТВИЯ ФУНКЦИЙ ДЛЯ ЭФФЕКТИВНОГО ИЗОБРАЖЕНИЯ СУПЕР РАЗРЕШЕНИЕ
2849 ОБНАРУЖЕНИЕ ФАКТИЧЕСКОЙ ОКРАСКИ С ПОМОЩЬЮ ЧАСТОТНОГО АНАЛИЗА
3033 ФАКТИЧЕСКОЕ ОБНАРУЖЕНИЕ ВИДЕО С ОБЯЗАТЕЛЬСТВОМ СЕТИ ВНИМАНИЯ
2421 ЛОЖНО-ПОЛОЖИТЕЛЬНОЕ УДАЛЕНИЕ ДЛЯ 3D-ОБНАРУЖЕНИЯ АВТОМОБИЛЯ С ПРОБИВАНИЕМ ТОЧЕЧНОГО КЛАССИФИКАТОРА
2557 БЫСТРЫЙ МНОГОЭТАПНЫЙ ПОДХОД С КОМПЕНСАЦИЕЙ ДВИЖЕНИЯ ДЛЯ HDR
1737 БЫСТРАЯ СЕГМЕНТАЦИЯ ПОРТРЕТА С ЛЕГКОЙ СЕТЬЮ
1925 БЫСТРЫЙ ДЕТЕКТОР ОПУХОЛЕЙ НА ЦЕЛОМ СЛАЙДЕ ИЗОБРАЖЕНИЯ С ДИНАМИЧЕСКИМ ПРОГРАММИРОВАНИЕМ ОБРАЗЦОВ MONTE CARLO
1370 FDFLOWNET: БЫСТРАЯ ОЦЕНКА ОПТИЧЕСКОГО ПОТОКА С ИСПОЛЬЗОВАНИЕМ ГЛУБОКОЙ ЛЕГКОЙ СЕТИ
1583 Сеть агрегирования функций для устранения дымки одного изображения
2217 ВНИМАНИЕ ПО СРАВНЕНИЮ ФУНКЦИЙ НА ОСНОВЕ КАНАЛОВ ДЛЯ ВИЗУАЛЬНОЙ КЛАССИФИКАЦИИ МЕЛКОГО ЗЕРНА
2934 УЛУЧШЕНИЕ И СЛИЯНИЕ ФУНКЦИЙ ДЛЯ ОЦЕНКИ МАТЕРИИ ЧАСТИЦ НА ОСНОВЕ ИЗОБРАЖЕНИЯ С ПОТЕРЬЮ F-MSE
1500 ИЗВЛЕЧЕНИЕ ФУНКЦИИ ДЛЯ ВИЗУАЛЬНОЙ АУТЕНТИФИКАЦИИ ДИНАМИКА ПРОТИВ ВИДЕОАТАК, Сгенерированных компьютером
3148 ИНТЕГРАЦИЯ ФУНКЦИЙ С ПОМОЩЬЮ ГЕОМЕТРИЧЕСКОГО НАБЛЮДЕНИЯ МНОГООБРАЗНОЙ КАНОНИЧЕСКОЙ КОРРЕЛЯЦИИ ДЛЯ НЕПОЛНОГО НАЗНАЧЕНИЯ МЕТКИ
2783 НЕКОТОРЫЕ ОБУЧЕНИЕ ДЛЯ ТОЧЕЧНЫХ ОБЛАЧНЫХ ДАННЫХ С ИСПОЛЬЗОВАНИЕМ МОДЕЛИ АГНОСТИЧЕСКОГО МЕТА ОБУЧЕНИЯ
1743 КЛАССИФИКАЦИОННОЕ ОБУЧЕНИЕ ДЛЯ ОПРЕДЕЛЕНИЯ КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ
3013 МНОГОКРАТНОЕ ОБУЧЕНИЕ ДЛЯ ВОССТАНОВЛЕНИЯ ИЗОБРАЖЕНИЙ С ДИСТАНЦИОННЫМ ЗОНДОМ С MAML
1329 Быстрое обучение с помощью сверточных сетей с взвешенным графиком для гиперспектральной классификации изображений
2836 ГИБКОЕ ПРОСТРАНСТВЕННОЕ И УГЛОВОЕ СВЕТОВОЕ ПОЛЕ СУПЕР РАЗРЕШЕНИЕ
2862 СКЛАДНОЕ СЖАТИЕ АТРИБУТОВ ТОЧЕЧНОГО ОБЛАКА
1703 FOLDMATCH: ТОЧНАЯ И ВЫСОКАЯ УСТАНОВКА ОДЕЖДЫ НА 3D-СКАНИРОВАНИИ
1837 FoNet: ортогональная сеть на основе Фурье с эффективным использованием памяти для распознавания объектов
1161 FPB: УЛУЧШЕНИЕ МНОГОМАСШТАБНОГО ПРЕДСТАВЛЕНИЯ ФУНКЦИЙ ВНУТРИ КОНВОЛЮЦИОННОГО СЛОЯ С ПОМОЩЬЮ БЛОКА ПИРАМИДЫ ФУНКЦИЙ
2061 FPHA-AFFORD: ДОМЕННЫЙ ЭТАЛОННЫЙ НАБОР ЭТАЛОННЫХ ДАННЫХ ДЛЯ ОЦЕНКИ ОБЪЕКТОВ ЗАКРЫТОГО ОБЪЕКТА ПРИ ВЗАИМОДЕЙСТВИИ ЧЕЛОВЕК-ОБЪЕКТ-РОБОТ
2795 ПРЕОБРАЗОВАНИЕ ЧАСТОТЫ КАДРА С ИСПОЛЬЗОВАНИЕМ ДВУНАПРАВЛЕННЫХ ОПТИЧЕСКИХ ПОТОКОВ С ДВОЙНОЙ РЕГУЛЯРИЗАЦИЕЙ
1272 ОТ ПЛАНЕТСКОПА В МИРОВОЗЗРЕНИЕ: МИКРОСПУТНИКОВОЕ ИЗОБРАЖЕНИЕ С ВЫСОКОМ РАЗРЕШЕНИЕМ С ОПТИМАЛЬНЫМ ТРАНСПОРТНЫМ РАССТОЯНИЕМ
2743 ОТ ПОРОГОВ ДО РАССТОЯНИЯ ДЛЯ ЛУЧШЕГО ОБНАРУЖЕНИЯ ВЛАЖНОГО СНЕГА НАД ГОРАМИ С ПОМОЩЬЮ SENTINEL-1 СПУТНИКОВОЙ РСА ИЗОБРАЖЕНИЙ TIMESERIES
3178 Фундаментальные пределы стеганографической способности мультимедийных данных с многомерным квантованием и распределением по Гауссу
2150 ДОПОЛНИТЕЛЬНЫЕ ИЗОБРАЖЕНИЯ С СМЕЩЕННОЙ ГЕОМЕТРИЕЙ ДЛЯ АНАЛИЗА ТЕКСТУРНОЙ СЕТКИ
2596 Сочетание карты SALIENCY MAP И ГЛУБОКОГО ФУНКЦИОНАЛЬНОГО КОРРЕЛЯЦИОННОГО ФИЛЬТРА ДЛЯ ПОВЫШЕНИЯ ХАРАКТЕРИСТИК ОТСЛЕЖИВАНИЯ
1347 Сеть генерации маски внимания цели Fusion для сегментации видео
2386 ПОХОДКА: ПЕРЕВОД ИЗОБРАЖЕНИЯ В ИЗОБРАЖЕНИЕ С ГРАДИЕНТНОЙ НАСТРОЙКОЙ НЕЗАПРАВЛЯЕМЫЙ
1977 GAPNET: СЕТЬ ОБЩИХ АТРИБУТОВ-ПОЗИЦИЙ ДЛЯ ТОЧНОЙ ВИЗУАЛЬНОЙ КАТЕГОРИЗАЦИИ С ИСПОЛЬЗОВАНИЕМ МОДУЛЯ МНОГОАРАКТЕРИСТИК ВНИМАНИЯ
2651 РАСПОЗНАВАНИЕ ГЕНДЕРА НА ИЗОБРАЖЕНИИ RGB-D
2398 ОБОБЩЕНИЕ ГИБРИДНОГО ПОДХОДА К КОРРЕКЦИИ ИЗОБРАЖЕНИЙ КОНУСНО-ЛУЧЕВОЙ КТ С ИСПОЛЬЗОВАНИЕМ РЕГИСТРАЦИИ ИЗОБРАЖЕНИЙ МЕЖДУ ПАЦИЕНТАМИ
2889 ОПТИМИЗАЦИЯ ОБОБЩЕННОЙ КРИТИЧЕСКОЙ ПОЛИТИКИ: МОДЕЛЬ ДЛЯ ОБЪЕДИНЕНИЯ ОЦЕНОК ПРЕИМУЩЕСТВА В КРИТИЧЕСКИХ МЕТОДАХ
2958 ОБОБЩЕННЫЙ БЫСТРО ИТЕРАЦИОННО ПЕРЕВЕСЕННЫЙ АЛГОРИТМ МЯГКОГО ПОРОГА ДЛЯ РАЗРЕЗНОГО КОДИРОВАНИЯ В СЛОЖНЫХ ФРЕЙМАХ В КОМПЛЕКСНОМ ДОМЕНЕ
2990 ГЕНЕРАЦИЯ ПРОСМОТРЕННЫХ ЗАПИСЕЙ ИЗОБРАЖЕНИЯ В РЕЗУЛЬТАТЕ ДЕЯТЕЛЬНОСТИ ЧЕЛОВЕЧЕСКОГО МОЗГА ЧЕРЕЗ НЕУПРАВЛЯЕМОЕ ТЕКСТОВОЕ СКРЫТОЕ ПРОСТРАНСТВО
2854 ОБНАРУЖЕНИЕ ГЛАУКОМЫ НА НЕОБХОДИМЫХ ОКТ-ИЗОБРАЖЕНИЯХ ОБЪЯВЛЕНИЙ С ПОЛНОСТЬЮ СОВЕРШЕННЫМ НЕЙРОННЫМИ СЕТЯМИ
2706 ОЦЕНКА ГЛИСОНА ГИСТОЛОГИЧЕСКИХ ИЗОБРАЖЕНИЙ ПРОСТАТЫ ПОСРЕДСТВОМ СЕМАНТИЧЕСКОЙ СЕГМЕНТАЦИИ ЧЕРЕЗ ОСТАТОЧНУЮ U-NET
1469 ГЛОБАЛЬНО ПРОСТРАНСТВЕННО-ВРЕМЕННОЕ ВОСПРИЯТИЕ: ДОЛГОВРЕМЕННАЯ СИСТЕМА ОТСЛЕЖИВАНИЯ
2132 УЛУЧШАЕМ НЕЙРОННЫЕ СЕТИ БЕЗ ПРОПУСКНЫХ СОЕДИНЕНИЙ
1927 УСКОРЕНИЕ ПОЛЯРНОГО ФУРЬЕ-АНАЛИЗА НА GPU ДЛЯ ИЗВЛЕЧЕНИЯ ФУНКЦИЙ
3005 ОБУЧЕНИЕ НА ОСНОВЕ ГРАДИЕНТНОЙ ДЕКОНФЛИКЦИИ ДЛЯ МНОГОВЫХОДНЫХ АРХИТЕКТУР
2879 ГРАДИЕНТЫ КАК МЕР НЕОПРЕДЕЛЕННОСТИ НЕЙРОННЫХ СЕТЕЙ
2762 ПОСТЕПЕННОЕ УМЕНЬШЕНИЕ ЦВЕТА И ВЫСОКОУРОВНЕВАЯ ВИЗУАЛЬНАЯ МАСКИРОВКА В ВИДЕО
2678 Сопоставление графиков, применяемое для распознавания текстурных образов
3144 Сеть диверсифицированного внимания, основанная на потере графов, для кросс-модального поиска
2250 ГРУППОВЫЙ МОДУЛЬ УЛУЧШЕНИЯ ВРЕМЕННОГО РАСПОЗНАВАНИЯ ДЕЙСТВИЙ ЧЕЛОВЕКА
2775 GSANET: СЕМАНТИЧЕСКАЯ СЕГМЕНТАЦИЯ С ГЛОБАЛЬНЫМ И ВЫБОРОЧНЫМ ВНИМАНИЕМ
1422 Управляемое восстановление CNN с явным указанием линейной комбинации
1019 УПРАВЛЯЕМОЕ СООТВЕТСТВИЕ РЕЗЬБНЫМ ФУНКЦИЯМ ЧЕРЕЗ ПРИБОРНО ОПРЕДЕЛЕННЫЕ ПЛОТНЫЕ СООТВЕТСТВИЯ
2633 ГЕНЕРАЦИЯ ПРОЕКТИРОВАНИЯ РУКОВОДСТВА С ИСПОЛЬЗОВАНИЕМ ГЕНЕРАТИВНЫХ СЕТЕЙ
1534 ОЦЕНКА БЕЗОПАСНОСТИ ИЗОБРАЖЕНИЯ HDR С ПОМОЩЬЮ ВЫПУСКНОЙ ОПТИМИЗАЦИИ
2793 ИЗОБРАЖЕНИЕ HDR ПО КВАНТОВОМУ ШУМУ
1542 HDR ТОМОГРАФИЯ С ПОМОЩЬЮ МОДУЛО РАДОНОВОГО ТРАНСФОРМА
1691 ОПРЕДЕЛЕНИЕ ЧАСТОТЫ ПУЛЬСА ПО ВИДЕО НА ЛИЦУ С ИСПОЛЬЗОВАНИЕМ МНОГОСЛОЙНОГО КОДИРОВАНИЯ С ЧАСТОТНЫМ УПРАВЛЕНИЕМ
2765 СКРЫТОЕ МОДЕЛИРОВАНИЕ ПО МАРКОВУ И РАСПОЗНАВАНИЕ ДВИЖЕНИЙ НА ОСНОВЕ ЭЙЛЕРА ДЛЯ АВТОМАТИЧЕСКОГО ОБНАРУЖЕНИЯ ФАКТОРОВ РИСКА ИЗ ЕВРОПЕЙСКОЙ СБОРНОЙ ТАБЛИЦЫ
1759 ИЕРАРХИЧЕСКАЯ ПЕРЕДАЧА СЛОЯ ФУРЬЕ ДЛЯ ПЕРЕДАЧИ СВЕТОВОГО ПОЛЯ
2030 ИЕРАРХИЧЕСКАЯ МОДЕЛЬ ДЛЯ ОБЪЯВЛЕНИЯ ДЛИННЫХ ВИДЕО С УЛУЧШЕННЫМИ АУДИО / ВИЗУАЛЬНЫМИ ФУНКЦИЯМИ НЕПОСРЕДСТВЕННО УЛУЧШЕННЫМИ ФУНКЦИЯМИ
1773 ВЫСОКОЭФФЕКТИВНАЯ ПЕРЕДАЧА ЖИВОГО ВИДЕО С ВЫКЛЮЧЕНИЕМ КАДРА
2280 ВЫСОКОЭФФЕКТИВНОЕ ВИЗУАЛЬНОЕ ОТСЛЕЖИВАНИЕ С СИАМСКОЙ АКТЕРНО-КРИТИЧЕСКОЙ СЕТЬЮ
1346 СЕТЬ ДЕМОАРА ВЫСОКОГО РАЗРЕШЕНИЯ
2670 ВЫСОКОУРОВНЕВАЯ ВИЗУАЛЬНАЯ МАСКА АРТЕФАКТОВ СЖАТИЯ ИЗОБРАЖЕНИЯ
2077 УЛУЧШЕНИЕ ИЗОБРАЖЕНИЯ НА ОСНОВЕ СПЕЦИФИКАЦИИ ГИСТОГРАММЫ ДЛЯ ИЗОБРАЖЕНИЯ С ФОНОВОЙ ПОДСВЕТКОЙ
2736 HOUGHENCODER: НЕЙРОСЕТЕВАЯ АРХИТЕКТУРА СЕМАНТИЧЕСКОЙ СЕГМЕНТАЦИИ ДОКУМЕНТНЫХ ИЗОБРАЖЕНИЙ
2241 Как неполностью сегментированная информация влияет на отслеживание и сегментацию нескольких объектов (MOTS)
2123 HRINET: АЛЬТЕРНАТИВНАЯ СЕТЬ НАБЛЮДЕНИЯ ДЛЯ ИНТЕРПОЛЯЦИИ ИЗОБРАЖЕНИЙ КТ ВЫСОКОГО РАЗРЕШЕНИЯ
2265 HRNET: ГАМИЛЬТОНОВСКАЯ СЕТЬ ПЕРЕКАЛИРОВАНИЯ ДЛЯ УМЕНЬШЕНИЯ ИЗОБРАЖЕНИЯ
1396 ОБНАРУЖЕНИЕ ЧЕЛОВЕКА В ПЛОТНОЙ СЦЕНЕ КЛАССА
3130 ГЕНЕРАЦИЯ ДВИЖЕНИЯ ЧЕЛОВЕКА СТОХАСТИЧЕСКИМ КОНДИЦИОНИРОВАНИЕМ ГЛУБОКИХ РЕКУРРЕНТНЫХ СЕТЕЙ НА ПОЗИЦИОННЫХ КОЛЛЕКТОРАХ
2896 ГИБРИДНАЯ ГЛУБОКОУСИЛЕННАЯ РЕГРЕССИЯ ДЛЯ ИЗМЕРЕНИЯ СЕРДЕЧНО-ТОРАКАЛЬНОГО СООТНОШЕНИЯ
2662 КОДИРОВАНИЕ СВЕТОВЫХ ПОЛЕЙ НА ОСНОВЕ ГИБРИДНОГО ОБУЧЕНИЯ И НА ОСНОВЕ HEVC
2210 ОБРАБОТКА ИЗОБРАЖЕНИЙ НА ОСНОВЕ ГИПЕРГРАФА
3035 Гиперспектральное разделение с помощью предварительной настройки plug-and-play
2806 ВЫЯВЛЕНИЕ ДЕТЕЙ С РАССТРОЙСТВОМ АУТИЗМИЧЕСКОГО СПЕКТРА НА ОСНОВЕ ГАЗ-СЛЕДУЮЩИХ
1351 Фронтализация лицевого ориентира с инвариантной идентичностью для анализа выражения лица
2301 ОСВЕЩЕНИЕ ТРАНСПОРТНЫХ СРЕДСТВ С ПРЕДВАРИТЕЛЬНЫМИ ДВИЖЕНИЯМИ ДЛЯ ОБНАРУЖЕНИЯ ОБНАРУЖЕНИЯ ТРАНСПОРТНЫХ СРЕДСТВ
2066 ОСВЕЩЕНИЕ АДАПТИВНОГО ЛИЦА НА ОСНОВЕ МОДЕЛИ УЧИТЕЛЬ-СТУДЕНТ И НЕОБХОДИМОГО ПОДГОТОВКИ
2334 ЗАВЕРШЕНИЕ И ЭКСТРАПОЛЯЦИЯ ИЗОБРАЖЕНИЙ С ПОМОЩЬЮ КОНТЕКСТИЧЕСКОГО ЦИКЛА
2847 Сжатие изображений с использованием рисования в пространстве с лапласовским масштабом
3025 ДЕГЕНТАЦИЯ ИЗОБРАЖЕНИЯ С КОНТЕКСТУАЛИЗИРОВАННЫМ ВНИМАТЕЛЬНЫМ U-NET
3158 Рисование изображений с использованием параллельной сети
2963 ВОССТАНОВЛЕНИЕ ИЗОБРАЖЕНИЙ С ЯЗЫКОМ И ВИЗУАЛЬНЫМ ПАРАФРАСОМ ЧЕРЕЗ ГЕНЕРАЦИОННЫЕ МОДЕЛИ
2410 ПЛИТКА ИЗОБРАЖЕНИЙ ДЛЯ КЛАСТЕРИЗАЦИИ ДЛЯ ПОВЫШЕНИЯ СТАБИЛЬНОСТИ ДВУСТОРОННЕЙ ФИЛЬТРАЦИИ ПОСТОЯННОГО ВРЕМЕНИ ЦВЕТА
2741 НЕЯВНАЯ СОБСТВЕННОСТЬ В ГЛУБОКИХ НЕЙРОННЫХ СЕТЯХ
3089 ОБНАРУЖЕНИЕ ВАЖНЫХ СЦЕН БЕЙСБОЛЬНЫХ ВИДЕО С ПОМОЩЬЮ ГЛУБОКОГО МНОГОКАНОНИЧЕСКОГО КАНОНИЧЕСКОГО КОРРЕЛЯЦИИ С ПОМОЩЬЮ ЗАДЕРЖКИ ВРЕМЕНИ.
2151 УЛУЧШЕННОЕ ВНУТРЕННЕЕ КОДИРОВАНИЕ ЗА ПРЕДЕЛАМИ AV1 С ИСПОЛЬЗОВАНИЕМ АДАПТИВНЫХ УГЛОВ ПРОГНОЗИРОВАНИЯ И ССЫЛОЧНЫХ ЛИНИЙ
2366 УЛУЧШЕНИЕ 3D-СЕГМЕНТАЦИИ ОПУХОЛЕЙ МОЗГА С ПОМОЩЬЮ ПРОГНОЗИРУЮЩЕГО МЕХАНИЗМА С ИСПОЛЬЗОВАНИЕМ СОБСТВЕННОСТИ И КАРТ ФУНКЦИЙ
1083 УЛУЧШЕНИЕ ОБНАРУЖЕНИЯ И РАСПОЗНАВАНИЯ ДЕГРЕДИРОВАННЫХ ЛИЦ ПРИ ДИСКРИМИНАЦИОННОМ ВОССТАНОВЛЕНИИ ФУНКЦИЙ С ПОМОЩЬЮ GAN
2894 Улучшение показателей качества на основе PSNR для геометрии облака точек
1316 Повышение устойчивости с помощью совместной сети внимания для обнаружения дегенерации сетчатки по изображениям оптической когерентной томографии
2096 ДОПОЛНИТЕЛЬНЫЙ ДИСКРИМИНАНТНЫЙ АНАЛИЗ FAST SUBCLASS
2180 ВЫВОДИТЕ ВХОД В ГЕНЕРАТОР ДОПОЛНИТЕЛЬНЫХ КЛАССИФИКАТОРОВ ГЕНЕРАТИВНЫХ СЕТЕЙ ПРОТИВОПОКАЗАНИЯ
1507 ИНФОРМАЦИЯ: ИНФОРМАЦИОННАЯ ТЕОРЕТИЧЕСКАЯ СУДЬБА ЦИФРОВЫХ ИЗОБРАЖЕНИЙ
2686 ИНФОРМАЦИЯ, СКРЫВАЮЩАЯСЯ В УЛУЧШЕНИИ ИЗОБРАЖЕНИЯ
2028 Обнаружение целей в инфракрасном диапазоне с использованием интенсивности, заметности и самовнимания
1451 ПОВТОРНОЕ ИДЕНТИФИКАЦИЯ ЧЕЛОВЕКА ДЛЯ ИНФРАКРАСНОЙ ВИДИМОСТИ С ПОМОЩЬЮ МЕЖМОДАЛЬНОЙ ПАРТИИ НОРМАЛИЗОВАННОЙ ИНДИВИДУАЛЬНОСТИ ВСТРОЕНИЯ И ВЗАИМНОГО ОБУЧЕНИЯ
2296 ОБРАЗЦЫ ПОТОКА ЧЕРНИЛ НА МНОГОЦВЕТНЫХ СТРУЙНЫХ ИЗОБРАЖЕНИЯХ И ИХ ВЛИЯНИЕ НА ШУМ ЗЕРНИСТОСТИ
2165 Отключение входа для пространственно выровненных модальностей
2320 Повышение интенсивности через GAN для мультимодального распознавания выражения лица
2231 СЕТЬ ИНТЕРАКТИВНОГО РАЗДЕЛЕНИЯ ДЛЯ ВПЕЧАТЛЕНИЯ ИЗОБРАЖЕНИЙ
2193 ИНТЕРПРЕТАЦИОННЫЙ СИНТЕТИЧЕСКИЙ УМЕНЬШЕННЫЙ БЛИЖАЙШИЙ СОСЕД: ПОДХОД МАКСИМИЗАЦИИ ОЖИДАНИЙ
2677 ИНТЕРПРЕТАЦИЯ CNN ДЛЯ НИЗКОЙ СЛОЖНОСТИ ИЗУЧЕННОЙ СУБПИКСЕЛЬНОЙ КОМПЕНСАЦИИ ДВИЖЕНИЯ В ВИДЕО КОДИРОВАНИИ
2315 Агрегация внутри клипа для повторной идентификации личности по видео
1338 IOU — SIAMTRACK: ВХОДНАЯ СЕТЬ SIAMESE ДЛЯ ВИЗУАЛЬНОГО ОТСЛЕЖИВАНИЯ ОБЪЕКТОВ
1586 ipA-MedGAN: НАРАСЫВАНИЕ ПРОИЗВОДСТВЕННЫХ РЕГИОНОВ В МЕДИЦИНСКИХ ИЗОБРАЖЕНИЯХ
1929 ИТЕРАЦИОННЫЙ ПОРОГ Коши: РЕГУЛЯРИЗАЦИЯ С ПРИОРИТЕТОМ ТЯЖЕЛЫХ ХВОСТОВ
2251 НАДЕЖНЫЙ ПЕРЕНАПРАВЛЕНИЕ ВИДЕО С ПОМОЩЬЮ ФИЛЬТРА KALMAN И СЕТИ ВНИМАНИЯ SALIENCY FUSION
1944 СОВМЕСТНОЕ СОДЕРЖАНИЕ АДАПТИВНОГО СЛОВАРЯ И НЕКОТОРЫЕ ВЫБОРНОЙ ЭКСТРАПОЛЯЦИИ ДЛЯ ВОССТАНОВЛЕНИЯ КРОСС-СПЕКТРАЛЬНОГО ИЗОБРАЖЕНИЯ
2839 Совместный демозаикинг / исправление изображений камеры «рыбий глаз» с использованием лапласианской регуляризации многоцветного графа
2764 СОВЕРШЕННОЕ РАЗРЕШЕНИЕ СОВМЕСТНОГО ИЗОБРАЖЕНИЯ С ПОМОЩЬЮ ПОВРЕЖДЕНИЙ КОНВОЛЮЦИОННЫХ НЕЙРОННЫХ СЕТЕЙ С СВЯЗАННЫМИ РЕЗЬБНЫМИ ПРИОРАМИ
2867 СОВМЕСТНОЕ СТАТИСТИЧЕСКОЕ И ПРОСТРАНСТВЕННОЕ ПРЕДСТАВЛЕНИЕ ДЛЯ НАДЕЖНЫХ ИЗОБРАЖЕНИЙ И КЛАССИФИКАЦИИ НАБОРА ИЗОБРАЖЕНИЙ
3121 МОДЕЛЬ СОВМЕСТНОГО РАСПРЕДЕЛЕНИЯ И ОСНОВАННОЙ СКОРОСТИ ПРИРОСА ДЛЯ ОБНАРУЖЕНИЯ ЦИРКУЛЯЦИОННЫХ ЦИСТЕРН НА ИЗОБРАЖЕНИЯХ ДИСТАНЦИОННОГО ЗНАЧЕНИЯ
1506 ПРОСТО ЗНАЧИТЕЛЬНАЯ РАЗНИЦА ДЛЯ МАШИН ПО СОЗДАНИЮ НЕПРАВИЛЬНЫХ ИЗОБРАЖЕНИЙ
3141 ПРОСТО ЗНАЧИТЕЛЬНЫЕ УРОВНИ КВАНТИЗАЦИИ ДЛЯ ИЗОБРАЖЕНИЙ ВЫСОКОГО ДИНАМИЧЕСКОГО ДИАПАЗОНА
1791 РЕГУЛЯРИЗАЦИЯ ЯДРА ДЛЯ ВОССТАНОВЛЕНИЯ ИЗОБРАЖЕНИЯ
2488 Ядро-плотные слои для распознавания мимики
2186 Сопоставление признаков на основе ключевых точек для частичной повторной идентификации человека
2167 Подтверждение родства по походке?
2100 РЕГИОНАЛЬНАЯ СЕТЬ ПРЕДЛОЖЕНИЙ НА ОСНОВЕ KL-РАЗНООБРАЗИЯ ДЛЯ ОБНАРУЖЕНИЯ ОБЪЕКТОВ
3058 ДИСТИЛЛЯЦИЯ ЗНАНИЙ ПОДДЕРЖИВАЕТ ТОЧНУЮ НАСТРОЙКУ TUCKER-РАЗЛОЖЕННЫХ CNN И АНАЛИЗ НЕПРЕРЫВНОЙ НАДЕЖНОСТИ
2361 СОВМЕСТНАЯ СЕТЬ, НАПРАВЛЯЕМАЯ ЗНАНИЯМИ И УВЕЛИЧЕНИЕМ ВНИМАНИЯ, ДЛЯ КЛАССИФИКАЦИИ ДОБРОПОЛОГИЧЕСКИХ ЗЛОКАЧЕСТВЕННЫХ УЗЛОВ ЛЕГКОГО
2222 KRF-SLAM: НАДЕЖНЫЙ AI SLAM, ОСНОВАННЫЙ НА ПЕРЕДАЧЕ КЛАВИАТУРЫ И СЛИЯНИИ
1941 СТРУКТУРА ПРОГНОЗИРОВАНИЯ ЭТИКЕТКИ ДЛЯ ПОЛУНАПРАВЛЕННОГО КРОСС-МОДАЛЬНОГО ОТКРЫТИЯ
3097 ЛЕСТНИЧНЫЕ ПИРАМИДНЫЕ СЕТИ ДЛЯ ОДНОГО ИЗОБРАЖЕНИЯ СУПЕР РАЗРЕШЕНИЕ
2226 ИЗУЧЕНИЕ КРОСС-МОДАЛЬНЫХ ПРЕДСТАВЛЕНИЙ ДЛЯ ЯЗЫКОВЫХ МАНИПУЛЯЦИЙ С ИЗОБРАЖЕНИЯМИ
2087 ОСОБЕННОСТИ ДИСКРИМИНАЦИОННОЙ ЧАСТИ ОБУЧЕНИЯ ЧЕРЕЗ ВНИМАНИЕ ДЛЯ ЭФФЕКТИВНОГО И МАСШТАБИРУЕМОГО ПОИСКА ПЕРСОНАЛА
1248 ИЗУЧЕНИЕ ДИСКРИМИНАЦИОННОГО ПРЕДСТАВЛЕНИЯ ДЛЯ ВЫРАЖЕНИЯ ЛИЦА ПРИЗНАНИЕ ИЗ НЕОПРЕДЕЛЕННОСТЕЙ
1990 Обучение представлений разрозненных функций для обнаружения аномалий
3152 Обучение расширенным функциям оценки позы человека с учетом разрешения
2792 ИЗУЧЕНИЕ ЭСТЕТИКИ ИЗОБРАЖЕНИЙ, НАУЧАЯСЬ НА РИСУНКЕ
1577 ИЗУЧЕНИЕ СИНТЕЗА СВЕТОВОГО ПОЛЯ С МНОГОПЛОСКИМИ ИЗОБРАЖЕНИЯМИ: КОДИРОВАНИЕ СЦЕН КАК ПОВТОРНАЯ ЗАДАЧА СЕГМЕНТАЦИИ
2245 КОРРЕЛЯЦИЯ СТИЛЕЙ ОБУЧЕНИЯ ДЛЯ РАЗРАБОТКИ КЛАССИФИКАЦИИ ПО МЕДЛЕННОМУ ВЫПЛАТУ
1333 НАУЧЕНИЕ СЛЕПОЙ ОЦЕНКИ КАЧЕСТВА ИЗОБРАЖЕНИЙ В ЛАБОРАТОРИИ И ДИКОЙ
2755 ОБУЧЕНИЕ МОДЕЛИРОВАНИЮ И КАЛИБРОВКЕ ОПТИКИ С ПОМОЩЬЮ СИМУЛЯТОРА РАЗЛИЧНОЙ ВОЛНОВОЙ ОПТИКИ
2401 РАЗРАБОТКА АДАПТИВНОГО ИЗОБРАЖЕНИЯ НА ОСНОВЕ ЛЕГЕНД, СОЧЕТАНИЕ ГРАДИЕНТНОЙ ИНФОРМАЦИИ
1831 СВЕТОВОЕ СШИВАНИЕ НА ОСНОВЕ КОНЦЕНТРИЧЕСКОГО СФЕРИЧЕСКОГО МОДЕЛИРОВАНИЯ
3093 ВОССТАНОВЛЕНИЕ ЛЕГКОГО ИЗОБРАЖЕНИЯ С СУПЕР РАЗРЕШЕНИЕМ С ИЕРАРХИЧЕСКОЙ СЕТЬЮ НА ОСНОВЕ ФУНКЦИЙ
2718 Легкие нейронные сети из дистиллированных плотных нейронных сетей на основе PCA и LDA
2693 ИДЕНТИФИКАЦИЯ ЛИНЕЙНОЙ ПРОСТРАНСТВЕННО-ИНВАРИАНТНОЙ СИСТЕМЫ И ОЦЕНКИ РАСХОДА ДЛЯ ОЦЕНКИ ДИНАМИЧЕСКИХ ИЗОБРАЖЕНИЙ
2081 АНАЛИЗ ЛОКАЛЬНОЙ ГЕОМЕТРИИ ДЛЯ ОБНАРУЖЕНИЯ ПОВРЕЖДЕНИЯ ИЗОБРАЖЕНИЯ
2814 ЛОКАЛИЗАЦИЯ НОСИТЕЛЕЙ ОРУЖИЯ ПО ИДЕНТИФИКАЦИИ ПАР ЧЕЛОВЕКА-ПРЕДМЕТА
1935 LOOC: ЛОКАЛИЗАЦИЯ ПЕРЕСЕЧЕНИЯ ОБЪЕКТОВ С НАДЗОРОМ СЧЕТА
1963 УМЕНЬШЕНИЕ УБЫТКОВ ИЗ-ЗА ВЫВОДА НЕОПРЕДЕЛЕННОСТИ ПРИ ОДНОЭТАПНОМ ОБНАРУЖЕНИИ ОБЪЕКТОВ
1906 СЖАТИЕ БЕЗ ПОТЕРИ ДЛЯ ОБЪЕМНЫХ МЕДИЦИНСКИХ ИЗОБРАЖЕНИЙ С ИСПОЛЬЗОВАНИЕМ ГЛУБОКОЙ НЕЙРОННОЙ СЕТИ С ЛОКАЛЬНЫМ ОТБОРОМ ПРОБ
2207 КОДИРОВАНИЕ ВИДЕО БЕЗ ПОТЕРИ НА ОСНОВЕ ОПТИМИЗАЦИИ ВЕРОЯТНОСТНОЙ МОДЕЛИ С ИСПОЛЬЗОВАНИЕМ ПРИМЕРА ПОИСКА И АДАПТИВНОГО ПРОГНОЗИРОВАНИЯ
2669 СЖАТИЕ ГЕОМЕТРИИ ОБЛАКА ТОЧКИ ПОТЕРЯ ЧЕРЕЗ ДИАДИЧЕСКОЕ РАЗЛОЖЕНИЕ
1305 Улучшение изображения при слабом освещении за счет мультиспектрального объединения изображений RGB и NIR
1717 LOWNET: КЛАССИФИКАЦИЯ ИЗОБРАЖЕНИЙ ПОЛОЖЕНИЯ С СОХРАНЕНИЕМ КОНФИДЕНЦИАЛЬНОСТИ
2218 Представление подпространства низкого ранга из оптимальной кодированной апертуры для неконтролируемой классификации гиперсепектральных изображений
3040 ЛСРАГАН: СОЗДАНИЕ РАЗЛИЧНЫХ ЦВЕТНЫХ ФОТОГРАФИЙ ПО Эскизу
2800 ПРОГНОЗ ВЕРОЯТНОСТИ РАСПРЕДЕЛЕНИЯ ВЕРОЯТНОСТЕЙ СИМВОЛОВ НА ОСНОВЕ МАШИННОГО ОБУЧЕНИЯ ДЛЯ КОДИРОВАНИЯ ЭНТРОПИИ В AV1
2426 MASKPAN: УПРАВЛЯЕМАЯ СЕТЬ MASK PRIOR ДЛЯ ПРОФИЛАКТИКИ
1176 МАТРИЧНЫЙ КЛАССИФИКАТОР НА ДИНАМИЧЕСКОМ ФУНКЦИОНАЛЬНОМ ПОДКЛЮЧЕНИИ ДЛЯ ИДЕНТИФИКАЦИИ MCI
1069 MDT: Неконтролируемый многодоменный преобразователь изображения в изображение на основе генерирующих состязательных сетей
2601 ОЦЕНКА ПАМЯТИ УНИВЕРСАЛЬНОГО ВИДЕО КОДИРОВАНИЯ
2242 РЕЖИМ СЛИЯНИЯ С РАЗНИЦОМ ВЕКТОРОВ ДВИЖЕНИЯ
1419 MGPAN: МАСКА НАПРАВЛЯЕМАЯ СЕТЬ АГРЕГАЦИИ ПИКСЕЛЕЙ
2684 НЕОПРЕДЕЛЕННОСТЬ МОДЕЛИ ДЛЯ НЕОПРЕДЕЛЕННОЙ АДАПТАЦИИ ДОМЕНА
1572 МОДЕЛИРОВАНИЕ ДИНАМИКИ ФОРМЫ ВО ВРЕМЯ ПОДВИЖНОСТИ КЛЕТКИ В МИКРОСКОПИЧЕСКИХ ВИДЕО
1394 Модифицированная метрика декодирования распределенного арифметического кодирования
2420 ДЕМОЗАИКАЦИЯ МОНОХРОМНОЙ И ЦВЕТОВОЙ ПОЛЯРИЗАЦИИ С ИСПОЛЬЗОВАНИЕМ ОСТАТОЧНОЙ ИНТЕРПОЛЯЦИИ EDGE-AWARE
2796 Мозаика динамического видео брыжейки с градиентным наложением
2720 АНАЛИЗ ДВИЖЕНИЯ ДАННЫХ ГЛУБИННОЙ КАМЕРЫ ДЛЯ КОЛИЧЕСТВЕННОГО СОСТОЯНИЯ ДВИГАТЕЛЯ ПАЦИЕНТОВ С БОЛЕЗНЬЮ ПАРКИНСОНА В РАМКАХ ИНДИВИДУАЛЬНОГО ИГРОВОГО КОМПЛЕКТА I-PROGNOSIS
1622 MOTION BLUR PRIOR
2829 СЕТЬ РЕКТИФИКАЦИИ ДВИЖЕНИЯ ДЛЯ НЕУПРАВЛЯЕМОГО ИЗУЧЕНИЯ МОНОКУЛЯРНОЙ ГЛУБИНЫ И ДВИЖЕНИЯ КАМЕРЫ
2290 С ИСПОЛЬЗОВАНИЕМ ОСТАТОЧНЫХ КАДРОВ С 3D CNN
1573 M-SOSANET: ЭФФЕКТИВНАЯ КОНВОЛЮЦИОННАЯ СЕТЕВАЯ ОСНОВА ДЛЯ ВСТРОЕННЫХ УСТРОЙСТВ
2078 MSR-HARDI: УСКОРЕННОЕ ВОССТАНОВЛЕНИЕ ДАННЫХ HARDI С ИСПОЛЬЗОВАНИЕМ НЕСКОЛЬКИХ РЕГУЛЯРИЗОВАТЕЛЕЙ ЗАПЧАСТИ
1814 MT-UNET: НОВАЯ МНОГОЗАДАЧНАЯ АРХИТЕКТУРА НА ОСНОВЕ U-NET ДЛЯ ПОНИМАНИЯ ВИЗУАЛЬНЫХ СЦЕН
2362 МНОГОФИЦИАЛЬНАЯ СИАМСКАЯ СЕТЬ ДЛЯ ПОВТОРНОЙ ИДЕНТИФИКАЦИИ ПЕРСОНАЛА
2770 Оценка качества облака точек на нескольких расстояниях
1919 Слепое размытие нескольких изображений с использованием сглаженного NUV PRIOR и итеративно измененного координатного спуска
3123 ОБОСНОВАНИЕ МНОГОУРОВНЕВОГО ВЗАИМОДЕЙСТВИЯ ДЛЯ ОПРЕДЕЛЕНИЯ СЛОЖНОГО СОБЫТИЯ
2542 МУЛЬТИМОДАЛЬНЫЙ МЕХАНИЗМ ВНИМАНИЯ ДЛЯ РАСПОЗНАВАНИЯ ВРЕМЕННЫХ ЭМОЦИЙ
2500 МУЛЬТИМОДАЛЬНАЯ ФУЗИЯ С ТОЧКАМИ НАБЛЮДЕНИЯ ДЛЯ РАСПОЗНАВАНИЯ ДЕЙСТВИЯ СКЕЛЕТА
2304 МУЛЬТИМОДАЛЬНЫЙ ПЕРЕВОД ИЗОБРАЖЕНИЯ В ИЗОБРАЖЕНИЕ ДЛЯ ПОЛУЧЕНИЯ ИЗОБРАЖЕНИЙ ГАСТРИТА
2659 MULTI-MODE INTRA PREDICTION FOR LEARNING-BASED IMAGE COMPRESSION
3081 MULTIPLE EVENTS DETECTION IN SEISMIC STRUCTURES USING A NOVEL U-NET VARIANT
2422 MULTI-SCALE EXPLAINABLE FEATURE LEARNING FOR PATHOLOGICAL IMAGE ANALYSIS USING CONVOLUTIONAL NEURAL NETWORKS
1530 MULTI-SCALE FEATURE PYRAMIDS FOR WEAKLY SUPERVISED THORACIC DISEASE LOCALIZATION
1802 MULTI-SCALE FEATURES JOINT RAIN REMOVAL FOR SINGLE IMAGE
2121 MULTISPECTRAL FUSION FOR OBJECT DETECTION WITH CYCLIC FUSE-AND-REFINE BLOCKS
3143 MULTISTATE CONSTRAINED INVARIANT KALMAN FILTER FOR ROLLING SHUTTER CAMERA AND IMU CALIBRATION
1830 MULTI-STEP QUANTIZATION OF A MULTI-SCALE NETWORK FOR CROWD COUNTING
1091 NDDR-LCS: A MULTI-TASK LEARNING METHOD FOR CLASSIFICATION OF CAROTID PLAQUES
1120 NEURAL DISCRIMINANT ANALYSIS FOR FINE-GRAINED CLASSIFICATION
2900 NEW DESIGN FOR COLOR SCREEN SETS FOR HIGH-END DIGITAL COLOR PRESS
2582 NEWTON-KRYLOV METHODS FOR POLYCHROMATIC X-RAY CT
1341 Noise-Sampling Cross Entropy Loss: Improving Disparity Regression via Cost Volume Aware Regularizer
2011 NOISY LOCALIZATION ANNOTATION REFINEMENT FOR OBJECT DETECTION
3161 NON-CONVEX OPTIMIZATION FOR SPARSE INTERFEROMETRIC PHASE ESTIMATION
1675 NON-LINEAR 3D RECONSTRUCTION FOR COMPRESSIVE X-RAY TOMOSYNTHESIS
2548 NON-STATIONARY HYPERSPECTRAL FORWARD MODEL AND HIGH-RESOLUTION
3004 NO-REFERENCE VIDEO QUALITY ASSESSMENT BASED ON SIMILARITY MAP ESTIMATION
2074 NoR-VDPNet: A No-Reference High Dynamic Range Quality Metric Trained on HDR-VDP2
2681 NOVEL VIEW SYNTHESIS WITH SKIP CONNECTIONS
2724 NOVELTY DETECTION THROUGH MODEL-BASED CHARACTERIZATION OF NEURAL NETWORKS
2986 NYQUIST PULSES FOR SUB-NYQUIST SAMPLING – APPLICATION TO UNDERWATER IMAGING
2739 OBJECT DETECTION FOR HIGH SPATIAL RESOLUTION REMOTE SENSING IMAGERY: A KNOWLEDGE-BASED APPROACH
3039 Object Segmentation in Electrical Impedance Tomography for Tactile Sensing
2911 OBJECT TRACKING VIA IMAGENET CLASSIFICATION SCORES
1350 OCCLUSION-GUIDED VERTICAL RETARGETING FOR STEREOSCOPIC IMAGES BASED ON PIXEL FUSION
2820 OCT IMAGE SEGMENTATION USING AN EFFICIENT NEURAL ARCHITECTURE SEARCH
2728 On Extended Transform Partitions for the Next Generation Video Codec
1436 ON INTRA VIDEO CODING AND IN-LOOP FILTERING FOR NEURAL OBJECT DETECTION NETWORKS
1855 ON PREDICTIVE RAHT FOR DYNAMIC POINT CLOUD CODING
2809 ON THE STRUCTURES OF REPRESENTATION FOR THE ROBUSTNESS OF SEMANTIC SEGMENTATION TO INPUT CORRUPTION
2928 ON-DEVICE EVENT FILTERING WITH BINARY NEURAL NETWORKS FOR PEDESTRIAN DETECTION USING NEUROMORPHIC VISION SENSORS
2754 ONE SHOT RADIAL DISTORTION CORRECTION BY DIRECT LINEAR TRANSFORMATION
1736 ONE-SHOT LAYER-WISE ACCURACY APPROXIMATION FOR LAYER PRUNING
1390 ONE-TO-ONE PERSON RE-IDENTIFICATION FOR QUEUE TIME ESTIMATION
2655 ONLINE LEARNING FOR BETA-LIOUVILLE HIDDEN MARKOV MODELS: INCREMENTAL VARIATIONAL LEARNING FOR VIDEO SURVEILLANCE AND ACTION RECOGNITION
2048 OPEN AUGMENTED REALITY SYSTEM FOR MOBILE MARKERLESS TRACKING
1828 OpenCC – An Open Benchmark Dataset for Corpus Callosum Segmentation and Evaluation
2396 OPEN-SET METRIC LEARNING FOR PERSON RE-IDENTIFICATION IN THE WILD
1892 OPTIMAL MEASUREMENT BUDGET ALLOCATION FOR PARTICLE FILTERING
2910 OPTIMAL MEASUREMENT CONFIGURATION IN COMPUTATIONAL DIFFRACTIVE IMAGING
2579 OPTIMIZATION OF MOTION COMPENSATION BASED ON GPU AND CPU FOR VVC DECODING
1465 OPTIMIZATION USING ARTIFICIAL IMMUNE SYSTEMS APPLIED TO OBJECT TRACKING AND SEGMENTATION
2842 OPTIMIZED COLOR CONTRAST ENHANCEMENT FOR DICHROMATS USING LOCAL AND GLOBAL CONTRAST
2629 OPTIMIZED CONVOLUTIONAL NEURAL NETWORKS FOR VIDEO INTRA PREDICTION
2610 OPTIMIZED LIFTING SCHEME BASED ON A DYNAMICAL FULLY CONNECTED NETWORK FOR IMAGE CODING
1599 PAIRWISE ADJACENCY MATRIX ON SPATIAL TEMPORAL GRAPH CONVOLUTION NETWORK FOR SKELETON-BASED TWO-PERSON INTERACTION RECOGNITION
3196 PAN-SHARPENING BASED ON JOINT SALIENCY DETECTION FOR MULTIPLE REMOTE SENSING IMAGES
1203 Pan-sharpening based on parallel pyramid convolutional neural network
1372 PAN-SHARPENING WITH COLOR-AWARE PERCEPTUAL LOSS AND GUIDED RE-COLORIZATION
2751 Parallax Motion Effect Generation through Instance Segmentation and Depth Estimation
2920 PARAMETRIC GRAPH-BASED SEPARABLE TRANSFORMS FOR VIDEO CODING
3115 PATHNET: LEARNING TO GENERATE TRAJECTORIES AVOIDING OBSTACLES
2215 PENTADENT-NET: PEDESTRIAN ATTRIBUTE RECOGNITION WITH DISTANCE REFINEMENT AND CORRELATION MINING
1687 PERCEPTION ENHANCED FRAME FOR VISUAL OBJECT TRACKING
1907 PERCEPTNET: A HUMAN VISUAL SYSTEM INSPIRED NEURAL NETWORK FOR ESTIMATING PERCEPTUAL DISTANCE
2642 PERCEPTUAL COLOUR DIFFERENCE UNIFORMITY IN HIGH DYNAMIC RANGE AND WIDE COLOUR GAMUT
3194 PERCEPTUAL QUALITY ASSESSMENT ON DIBR SYNTHESIZED VIDEOS WITH COMPOSITE DISTORTIONS
3083 PERCEPTUAL VERSUS LATITUDE-BASED 360-DEG VIDEO CODING OPTIMIZATION
2805 Perceptually inspired weighted MSE optimization using irregularity-aware graph Fourier transform
2753 PHASE-CODED COMPUTATIONAL IMAGING FOR ACCOMMODATION-INVARIANT NEAR-EYE DISPLAYS
1168 PHOTOMETRIC CONSISTENCY FOR DUAL FISHEYE CAMERAS
1303 PIECEWISE POLYNOMIAL APPROXIMATION METHOD FOR CONVOLUTION WITH LARGE KERNEL
1457 PixelHop++: A Small Successive-Subspace-Learning-Based (SSL-based) Model for Image Classification
2947 PLUG-AND-PLAY REGISTRATION AND FUSION
2797 POINT CLOUD GEOMETRY SCALABLE CODING WITH A SINGLE END-TO-END DEEP LEARNING MODEL
3031 POINT CLOUD SEGMENTATION USING RGB DRONE IMAGERY
1774 Point Set Attention Network for Semantic Segmentation
1981 PointHop++: A Lightweight Learning Model on Point Sets for 3D Classification
1037 POINTVOTENET: ACCURATE OBJECT DETECTION AND 6 DOF POSE ESTIMATION IN POINT CLOUDS
2428 POLLEN13K: A LARGE SCALE MICROSCOPE POLLEN GRAIN IMAGE DATASET
1151 POSE GUIDED PERSON IMAGE GENERATION BASED ON POSE SKELETON SEQUENCE AND 3D CONVOLUTION
2566 POST-STIMULUS TIME-DEPENDENT EVENT DESCRIPTOR
2528 PRECISE CEREBROVASCULAR SEGMENTATION
2745 PRECISE STATISTICAL APPROACH FOR LEAF SEGMENTATION
2555 Prediction of Chromatic Visual Masking with Deep Learning
1299 PREDICTION-DECISION NETWORK FOR VIDEO OBJECT TRACKING
2725 PREDICTIVE CODING NETWORKS MEET ACTION RECOGNITION
2282 PRIMARY QUALITY FACTOR ESTIMATION OF RESIZED DOUBLE COMPRESSED JPEG IMAGES
1938 PRIOR VISUAL RELATIONSHIP REASONING FOR VISUAL QUESTION ANSWERING
2698 PRIVACY-AWARE EDGE COMPUTING SYSTEM FOR PEOPLE TRACKING
1910 PROBABILISTIC COLOR CONSTANCY
1493 PROGRESSIVE POINT TO SET METRIC LEARNING FOR SEMI-SUPERVISED FEW-SHOT CLASSIFICATION
2980 PROJECTED IMPROVED FISTA AND APPLICATION TO IMAGE DEBLURRING
1314 PROPOSAL-BASED INSTANCE SEGMENTATION WITH POINT SUPERVISION
2784 PVDECONV: POINT-VOXEL DECONVOLUTION FOR AUTOENCODING CAD CONSTRUCTION IN 3D
1111 QAMFACE: QUADRATIC ADDITIVE ANGULAR MARGIN LOSS FOR FACE RECOGNITION
3114 QUALITY EVALUATION OF DIGITAL HOLOGRAPHIC DATA ENCODED ON THE OBJECT PLANE USING STATE OF THE ART CODECS
2788 QUALITY EVALUATION OF STATIC POINT CLOUDS ENCODED USING MPEG CODECS
2050 Quality-driven Dynamic VVC Frame Partitioning for efficient Parallel Processing
2715 QUANTIFYING ACTIN FILAMENTS IN MICROSCOPIC IMAGES USING KEYPOINT DETECTION TECHNIQUES AND A FAST MARCHING ALGORITHM
2674 Quaternion Harris for Multispectral Keypoint Detection
2191 QUICKEST INTRUDER DETECTION FOR MULTIPLE USER ACTIVE AUTHENTICATION
1953 RADAR+RGB FUSION FOR ROBUST OBJECT DETECTION IN AUTONOMOUS VEHICLE
1444 RAILCAR DETECTION, IDENTIFICATION AND TRACKING FOR RAIL YARD MANAGEMENT
1508 RANK-SMOOTHED PAIRWISE LEARNING IN PERCEPTUAL QUALITY ASSESSMENT
2516 RATE CONTROL FOR VERSATILE VIDEO CODING
2816 RATE DISTORTION OPTIMIZATION OVER LARGE SCALE VIDEO CORPUS WITH MACHINE LEARNING
1851 RBVS-Net: A Robust Convolutional Neural Network for Retinal Blood Vessel Segmentation
2019 REALISTIC TALKING FACE SYNTHESIS WITH GEOMETRY-AWARE FEATURE TRANSFORMATION
2459 REAL-TIME IMPLEMENTATION OF SCALABLE HEVC ENCODER
1545 REAL-TIME SEMANTIC BACKGROUND SUBTRACTION
3041 REAL-TIME SEMANTIC SCENE COMPLETION VIA FEATURE AGGREGATION AND CONDITIONED PREDICTION
2756 REGION ADAPTIVE GRAPH FOURIER TRANSFORM FOR 3D POINT CLOUDS
3183 REGION OF INTEREST EXTRACTION BASED ON CO-SALIENCY ANALYSIS AND FEEDBACK STRATEGY FOR REMOTE SENSING IMAGES
2647 Region-based Predictors for Intra Block Copy
2295 REINFORCEMENT LEARNING-BASED LAYER-WISE QUANTIZATION FOR LIGHTWEIGHT DEEP NEURAL NETWORKS
1644 RELATIVE POSE ESTIMATION FOR STEREO ROLLING SHUTTER CAMERAS
1939 RELIABLE TEMPORALLY CONSISTENT FEATURE ADAPTATION FOR VISUAL OBJECT TRACKING
2933 Representation Reconstruction Head For Object Detection
1551 RESIDUAL ENCODER-DECODER NETWORK FOR DEEP SUBSPACE CLUSTERING
1458 RESIDUAL GUIDED DEBLOCKING WITH DEEP LEARNING
3043 RESIDUAL NETWORKS BASED DISTORTION CLASSIFICATION AND RANKING FOR LAPAROSCOPIC IMAGE QUALITY ASSESSMENT
2964 RETHINKING BACKGROUND AND FOREGROUND IN DEEP NEURAL NETWORK-BASED BACKGROUND SUBTRACTION
2768 RETINAL VESSEL SEGMENTATION UNDER EXTREME LOW ANNOTATION: A GAN BASED SEMI-SUPERVISED APPROACH
1991 RETRIEVING AND HIGHLIGHTING ACTION WITH SPATIOTEMPORAL REFERENCE
2993 REVISITING ROLE OF AUTOENCODERS IN ADVERSARIAL SETTINGS
2025 ROBUST ADVERSARIAL LEARNING FOR SEMI-SUPERVISED SEMANTIC SEGMENTATION
1758 ROBUST AUDIO-VISUAL MANDARIN SPEECH RECOGNITION BASED ON ADAPTIVE DECISION FUSION AND TONE FEATURES
1429 ROBUST CBCT RECONSTRUCTION BASED ON LOW-RANK TENSOR DECOMPOSITION AND TOTAL VARIATION REGULARIZATION
2135 ROBUST DEPTH ESTIMATION FROM MULTI-FOCUS PLENOPTIC IMAGES
2740 ROBUST H.264 РАСШИФРОВКА ВИДЕО С ИСПОЛЬЗОВАНИЕМ КОРРЕКЦИИ ОДИНОЧНОЙ ОШИБКИ НА ОСНОВЕ CRC И ПРОВЕРКИ НЕДЕСИНХРОНИЗИРУЮЩИХ БИТОВ
2042 РЕКОНСТРУКЦИЯ ИЗОБРАЖЕНИЯ С НАДЕЖНОЙ ИНТЕНСИВНОСТЬЮ НА ОСНОВЕ КАМЕР СОБЫТИЙ
2485 НАДЕЖНАЯ ОЦЕНКА ГЛУБИНЫ СВЕТОВОГО ПОЛЯ С ОККЛЮЗИЕЙ НА ОСНОВЕ ДАННЫХ О ПРОСТРАНСТВЕННЫХ И СПЕКТРАЛЬНЫХ ЭНТРОПИЯХ
2761 НАДЕЖНЫЙ АНАЛИЗ ОСНОВНЫХ КОМПОНЕНТОВ С ИСПОЛЬЗОВАНИЕМ АЛЬФА-РАЗНООБРАЗИЯ
3197 НАДЕЖНЫЙ СТРУКТУРИРОВАННЫЙ СЛОВАРЬ ДЛЯ ОБУЧЕНИЯ БЛОКОВЫХ РЕЗЕНТАЦИОННЫХ ПРЕДСТАВЛЕНИЯХ С ИСПОЛЬЗОВАНИЕМ альфа-РАЗНООБРАЗИЯ
1793 НАДЕЖНАЯ ВИДЕО АУТЕНТИФИКАЦИЯ ЛИЦА С НЕУПРАВЛЯЕМЫМ РЕЖИМОМ РАСКРЫТИЯ
2827 НАДЕЖНОСТЬ И ПЕРЕОБОРУДОВАНИЕ НЕЯВНЫХ ФОНОВЫХ МОДЕЛЕЙ
1619 RSANET: ГЛУБОКАЯ РЕКУРАТНАЯ СЕТЬ ДЛЯ ПОДСЧЕТА ТОЛПЫ
2917 RTIP: ПОЛНОСТЬЮ АВТОМАТИЧЕСКИЙ ТРЕКЕР НАКОНЕЧНИКА ДЛЯ ИЗМЕРЕНИЯ РАЗВИТИЯ РАСТЕНИЙ С ПЕРИОДИЧНЫМИ ВОЗМУЩЕНИЯМИ
3020 S6: СЕМАНТИЧЕСКАЯ СЕГМЕНТАЦИЯ С ПОЛУНАПРАВЛЕНИЕМ САМОУПРАВЛЕНИЯ
2861 ВПЕЧАТЛЕНИЯ КЛАССА НА ОСНОВЕ БЕЗОПАСНОСТИ ДЛЯ ФУНКЦИОНАЛЬНОЙ ВИЗУАЛИЗАЦИИ ГЛУБОКИХ НЕЙРОННЫХ СЕТЕЙ
2965 ОБРАБОТКА 3D-ТОЧЕЧНОГО ОБЛАКА ПО ДИСКУ ГЕРШГОРИНА
2599 МАСШТАБИРУЕМОЕ СЖАТИЕ ИЗУЧЕННЫХ ИЗОБРАЖЕНИЙ С ПОСТОЯННОЙ НЕЙРОННОЙ СЕТЬЮ HYPERPRIOR
2726 МАСШТАБНО-ИНВАРИАНТНОЕ МНОГООРИЕНТИРОВАННОЕ ОБНАРУЖЕНИЕ ТЕКСТА В ИЗОБРАЖЕНИИ ДИКОЙ СЦЕНЫ
3023 МАСШТАБНО-ИНВАРИАНТНАЯ СИАМСКАЯ СЕТЬ ДЛЯ ПОВТОРНОЙ ИДЕНТИФИКАЦИИ ЧЕЛОВЕКА
1160 ПЕРЕВОД ИЗОБРАЖЕНИЙ В СЦЕНАХ ДЛЯ ВИЗУАЛЬНОЙ ЛОКАЛИЗАЦИИ
1679 SCW-SGD: СТОХАСТИЧЕСКИ ДОВЕРИТЕЛЬНЫЙ ВЕС SGD
2317 SD-FB-GAN: ГАН ОБРАТНОЙ СВЯЗИ С ДИСТАНЦИОННЫМ ЗОНДОМ ДЛЯ ВОССТАНОВЛЕНИЯ ИЗОБРАЖЕНИЯ С ВЫСОКИМ РАЗРЕШЕНИЕМ
2665 SDT: СИНТЕТИЧЕСКИЙ МУЛЬТИМОДАЛЬНЫЙ НАБОР ДАННЫХ ДЛЯ ОБНАРУЖЕНИЯ ЛИЧНОСТИ И КЛАССИФИКАЦИИ ПОЗЫ
2630 SEA-NET: ВНИМАТЕЛЬНАЯ СЕТКА ДЛЯ ДИАБЕТИЧЕСКОЙ РЕТИНОПАТИИ, ДИАБЕТИЧЕСКОЙ И ВОЗБУЖДАЮЩЕЙСЯ СТАНДАРТ
3052 ЗАЩИТА МОДЕЛЕЙ СУДЕБНОЙ РАБОТЫ ЛИЦА ОТ СОБСТВЕННЫХ АТАК
1724 ПРОСМОТРЕТЬ ЧЕРЕЗ ОККЛЮЗИИ: ПОДРОБНАЯ ОЦЕНКА ФОРМЫ ЧЕЛОВЕКА ПО ОДНОМУ ИЗОБРАЖЕНИЮ С ОККЛЮЗИЯМИ
2089 SEG-HASHNET: НЕПРАВИЛЬНЫЙ ХЭШИНГ НА ОСНОВЕ СЕМАНТИЧЕСКОЙ СЕГМЕНТАЦИИ
2224 АЛГОРИТМ СЕГМЕНТАЦИИ ДЕЙСТВУЮЩЕЙ ОБЛАСТИ НА ИЗОБРАЖЕНИЯХ FISHEYE С ИСПОЛЬЗОВАНИЕМ ИНФОРМАЦИИ КРАЙ И ОБЛАСТИ
2707 Сегментация и 3D-реконструкция нежесткой формы из видео RGB
3032 СЕГМЕНТИРОВАНИЕ НЕВИДИМЫХ ПРОМЫШЛЕННЫХ КОМПОНЕНТОВ В ТЯЖЕЛОМ МУЛЬТФЕРЕ ИСПОЛЬЗОВАНИИ СЛИЯНИЯ RGB-D И СИНТЕТИЧЕСКИХ ДАННЫХ
1378 ВЫБОРНЫЕ ДОПОЛНИТЕЛЬНЫЕ ФУНКЦИИ ДЛЯ ОЦЕНКИ ПОЗЫ МНОГООБРАЗИЙ
2679 САМОСТОЯТЕЛЬНАЯ СЕТЬ ОЦЕНКИ ГЛУБИНЫ ДЛЯ НЕПРАВИЛЬНЫХ ПОСЛЕДОВАТЕЛЬНОСТЕЙ ВИДЕО
2895 Самостоятельная аннотация сейсмических изображений с использованием скрытой пространственной факторизации
2216 САМОУПРАВЛЯЕМЫЕ ИЗУЧЕНИЕ ГЛУБИНЫ И ПОЗИЦИИ С ПОМОЩЬЮ ГЕНЕРАТИВНОЙ СЕТИ ПРОТИВНИКОВ ЦИКЛА
2841 САМООБРАБОТКА НЕЙРОННЫХ СЕТЕЙ ГРАФИКОВ С ИСПОЛЬЗОВАНИЕМ ПОДОБИЯ ДЛЯ НАДЕЖНОГО ОБУЧЕНИЯ С ШУМНЫМИ ЭТИКЕТКАМИ
1684 СЕМАНТИЧЕСКО МАСШТАБИРУЕМОЕ КОДИРОВАНИЕ ИЗОБРАЖЕНИЙ СО СЖАТИЕМ КАРТ ФУНКЦИЙ
1525 МАКСИМАЛЬНАЯ КОРРЕЛЯЦИЯ ПОД СЕМАНТИЧЕСКИМ НАБЛЮДЕНИЕМ ДЛЯ КРОСС-МОДАЛЬНОГО ОТКЛЮЧЕНИЯ
2750 СЖАТИЕ ИЗОБРАЖЕНИЯ С СЕМАНТИЧЕСКИМ СОХРАНЕНИЕМ
1592 ПОЛУАВТОМАТИЧЕСКОЕ ПОЛУЧЕНИЕ ПЛОТНЫХ БИНАРНЫХ МАСКИ И НЕВЫПУКЛЫХ ИЗОПОВЕРХНОСТЕЙ ДЛЯ КОЛИЧЕСТВЕННОГО АНАЛИЗА 3D БИОЛОГИЧЕСКИХ ОБРАЗЦОВ
1228 ПОЛУНАПРАВЛЯЕМЫЕ ФОНОВЫЕ ВЫЧИСЛЕНИЯ НЕВИДИМЫХ ВИДЕО: МИНИМИЗАЦИЯ ОБЩЕГО ИЗМЕНЕНИЯ ГРАФИЧЕСКИХ СИГНАЛОВ
2476 СЕТЬ КОНВОЛЮЦИОННОГО ХЭШИНГА ПОЛУНАПРАВЛЯЕМЫХ ГРАФИКОВ ДЛЯ МАСШТАБНОГО КРОСС-МОДАЛЬНОГО ИЗВЛЕЧЕНИЯ
2411 Полуконтролируемое мультимодальное обучение с использованием графических сверточных нейронных сетей для диагностики заболеваний
3078 КЛАССИФИКАЦИЯ МНОГОФУНКЦИОНАЛЬНОГО ПОКРЫТИЯ ПОЛУНАБЛЮДЕНИЯ НАЗЕМНОГО ПОКРЫТИЯ С МНОГОВНИМАТЕЛЬНЫМ И АДАПТИВНЫМ ЯДРОМ
3030 АДАПТИВНАЯ ЯДРО СЕТЬ ДЛЯ ОБНАРУЖЕНИЯ ПЛОТНЫХ ОБЪЕКТОВ
3145 УСИЛЕНИЕ КАК АКТИВАЦИЯ ДЛЯ СЖАТИЯ ИЗУЧЕННОГО ИЗОБРАЖЕНИЯ
2777 SIDU: МЕТОД РАЗЛИЧИЯ ПОДОБИЯ И УНИКАЛЬНОСТИ ДЛЯ ОБЯЗАТЕЛЬНОГО AI
2198 СИЛУЭТ 4D: МЕЖКАДРОВЫЙ ГЕОМЕТРИЧЕСКИЙ КОДЕР ДИНАМИЧЕСКИХ ВОКСЕЛИРОВАННЫХ ТОЧЕЧНЫХ ОБЛАКОВ
2831 ОДНОВРЕМЕННАЯ 3D РЕНТГЕНОВСКАЯ ПТИХО-ТОМОГРАФИЯ С ГРАДИЕНТНЫМ спуском
3110 ЕДИНАЯ АРХИТЕКТУРА И НЕСКОЛЬКО ЗАДАЧ ГЛУБОКАЯ НЕЙРОННАЯ СЕТЬ ДЛЯ ИЗМЕНЕННОГО АНАЛИЗА ОТПЕЧАТКОВ ПАЛЬЦА
2326 ОБЕЗДОМЛЕНИЕ ОДНОГО ИЗОБРАЖЕНИЯ С ПОМОЩЬЮ ИСКУССТВЕННЫХ НЕСКОЛЬКИХ СНИМКОВ В МНОГОМЕРНОМ КОНТЕКСТЕ
1367 УДАЛЕНИЕ БЛИКОВ ОДНОГО ИЗОБРАЖЕНИЯ С ИСПОЛЬЗОВАНИЕМ ГЛУБОКОГО КОНВОЛЮЦИОННОГО СЕТИ
2481 ОДНО ИЗОБРАЖЕНИЕ СУПЕР РАЗРЕШЕНИЕ, ИСПОЛЬЗОВАНИЕ КАРТЫ ГЛУБИНЫ В КАЧЕСТВЕ ОГРАНИЧЕНИЯ
2109 СУПЕР РАЗРЕШЕНИЕ ОДНОГО ИЗОБРАЖЕНИЯ НА ПРОГРЕССИВНОЙ СМЕСИ МОДЕЛИ
2505 ОДИНОЧНОЕ ИЗОБРАЖЕНИЕ СУПЕР РАЗРЕШЕНИЕ ЧЕРЕЗ СЕТЬ ВНИМАНИЯ ОСТАТОЧНЫХ НЕЙРОНОВ
2666 РАСПОЗНАВАНИЕ ДЕЙСТВИЯ СКЕЛЕТА НА ОСНОВЕ РАЗЛОЖЕНИЯ ОДНОЙ ЦЕННОСТИ
2143 ИЗОБРАЖЕНИЕ КЛАСТЕРИРОВАНИЯ РЕЗКОГО ПОДПРОСТРАНСТВА ДЛЯ БОЛЬШИХ ГИПЕРСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЙ
2747 SKINNY: ЛЕГКАЯ U-СЕТКА ДЛЯ ОБНАРУЖЕНИЯ И СЕГМЕНТАЦИИ КОЖИ
2020 СУПЕР РАЗРЕШЕНИЕ НА ОСНОВЕ СЛОЖНЫХ РАЗРЕШЕНИЙ ИСПОЛЬЗОВАНИЕ ЛЕГКОЙ СЕТИ С ПОТЕРЯМИ СВЯЗИ
2160 РАЗДЕЛЕНИЕ МЯГКИХ ЦВЕТОВ НА СВЕТОВЫХ ПОЛЯХ
2347 ДИСТИЛЛЯЦИЯ РЕНТГЕНОВСКОГО ИЗОБРАЖЕНИЯ ЖЕЛУДКА SOFT-LABEL
1227 ОБУЧЕНИЕ АССОЦИАЦИИ С УПРАВЛЕНИЕМ ПО ПРОСТРАНСТВУ ДЛЯ ПОВТОРНОЙ ИДЕНТИФИКАЦИИ ЛИЦА БЕЗ НАПРАВЛЕНИЯ
3200 КАНОНИЧЕСКИЙ КОРРЕЛЯЦИОННЫЙ АНАЛИЗ С СОХРАНЕНИЕМ РАЗРЯДА
2791 ИЗВЛЕЧЕНИЕ ПРОСТРАНСТВЕННОЙ КЛЮЧЕВОЙ КАДРА МОБИЛЬНЫХ ВИДЕО ДЛЯ ЭФФЕКТИВНОГО ОБНАРУЖЕНИЯ ОБЪЕКТОВ НА ГРАНИ
2314 СЕТЬ ПРОСТРАНСТВЕННО-ВРЕМЕННОГО МЕДЛЕННОГО САМОВНИМАНИЯ ДЛЯ РАСПОЗНАВАНИЯ ДЕЙСТВИЙ
1435 НЕЗАВИСИМОЕ ОТ ДИНАМИКОВ С ОГРАНИЧЕННЫМИ ДАННЫМИ
2477 SR²: ПРЕВОСХОДНОЕ РАЗРЕШЕНИЕ С РЕКОНСТРУКЦИЕЙ КОНСТРУКЦИИ
1836 Статистическая свертка на неупорядоченном наборе точек
1783 Оценка стерео диспаратности через совместное контролируемое, неконтролируемое и слабо контролируемое обучение
1202 ST-LSTM: СЕТЬ ДОЛГОСРОЧНОЙ ПАМЯТИ НА ОСНОВЕ ПРОСТРАНСТВЕННОЙ ВРЕМЕННОЙ ГРАФИКИ ДЛЯ ПРОГНОЗИРОВАНИЯ ТРАЕКТОРОВ ТРАНСПОРТНОГО СРЕДСТВА
2608 Экстрактор стилей для распознавания мимики при наличии речи
1668 Субъективная оценка качества для набора данных пользовательского контента YouTube
2001 ПОДСТАВКА ВЫБОРКИ ДЛЯ ПРОГРЕССИВНОГО ОБУЧЕНИЯ НЕЙРОННОЙ СЕТИ
1686 ПОКОЛЕНИЕ ЗАМЕЩЕННОЙ МОДЕЛИ ДЛЯ ПРОТИВОБОРНОЙ АТАКИ BLACK-BOX, ОСНОВАННОЙ НА ИСПОЛЬЗОВАНИИ ЗНАНИЙ
2649 ОБОБЩЕНИЕ ХАРАКТЕРИСТИК АЛГОРИТМА ВЫВОДА ФОНА, ИЗМЕРЕННОГО НА НЕСКОЛЬКИХ ВИДЕО
1621 СУПЕРГАУССОВЫЕ ПРИОРЫ СЛЕПОЙ ЦВЕТНОЙ ДЕКОНВОЛЮЦИИ ГИСТОЛОГИЧЕСКИХ ИЗОБРАЖЕНИЙ
1653 ПРЕВОСХОДНОЕ РАЗРЕШЕНИЕ ПО УЛУЧШЕНИЮ ИЗОБРАЖЕНИЯ С ПОМОЩЬЮ ПЕРЕДАЧИ ТЕКСТУРЫ
1456 ПРЕВОСХОДНОЕ РАЗРЕШЕНИЕ 3D-МРТ, ПОВРЕЖДЕННОЕ СИЛЬНЫМ ШУМОМ, С ТРАНСФОРМОМ СРЕДНЕГО ФИЛЬТРА
1954 Коммерческие спутниковые изображения сверхвысокого разрешения с использованием реалистичных обучающих данных
1805 КОНТРОЛИРУЕМЫЙ МНОГООБРАЗНЫЙ РАСПРЕДЕЛЕННЫЙ ХЭШИНГ
2200 ПОВЕРХНОСТЬ ПОВЕРХНОСТИ: РЕКОНСТРУКЦИЯ ПОВЕРХНОСТИ ИЗ ОДНОГО ИЗОБРАЖЕНИЯ С ИСПОЛЬЗОВАНИЕМ СЕТЕЙ ВЫСШИХ ФУНКЦИЙ
2623 ОБНАРУЖЕНИЕ ЦЕЛЕЙ В ЗАПАСНЫХ СРЕДАХ С ИСПОЛЬЗОВАНИЕМ ИНФРАКРАСНЫХ ИЗОБРАЖЕНИЙ
1590 ЦЕЛЕВАЯ ВКЛЮЧАЮЩАЯ ПРОСТРАНСТВЕННАЯ ИНФОРМАЦИЯ В РАЗРЯДНОЙ ПОДПРОСТРАНСТВЕННОЙ КЛАСТЕРИИ ГИПЕРСПЕКТРАЛЬНЫХ ДИСТАНЦИОННЫХ ИЗОБРАЖЕНИЙ
2442 МНОГОМОДАЛЬНЫЙ ВОПРОС, ОРИЕНТИРОВАННЫЙ НА ЗАДАЧУ, ОТВЕТЫ ДЛЯ СОВМЕСТНЫХ ПРИЛОЖЕНИЙ
1903 Создание предложения временного действия с помощью Deep Feature Enhancement
3140 ДЕНОИЗАЦИЯ СВЕТОВОГО ПОЛЯ НА ОСНОВЕ ТЕНЗОРА ИСПОЛЬЗОВАНИЕМ НЕЛОКАЛЬНЫХ ПОДОБНОСТЕЙ НА НЕСКОЛЬКИХ РАЗРЕШЕНИЯХ
2703 ВЛИЯНИЕ МОРСКОГО СОСТОЯНИЯ НА ОБНАРУЖЕНИЕ СУДОВОГО спутного следа ПО МОДЕЛИРОВАНИЮ РСА
2821 Хорошее, плохое и уродливое: нейронные сети прямо из JPEG
2641 ВАЖНОСТЬ ПРОПУСКАНИЯ ПОДКЛЮЧЕНИЙ В АРХИТЕКТУРАХ ЭНКОДЕРА-ДЕКОДЕРА ДЛЯ ОБНАРУЖЕНИЯ КОЛОРЕКТНЫХ ПОЛИПОВ
1912 Сила трехкомпонентных первичных преобразователей для получения изображения со сжатием
2650 Преобразование Радона для терагерцовой компьютерной томографии с учетом формы луча
2701 БАЗА ДАННЫХ СКАНИРУЕМЫХ ДОКУМЕНТОВ SUPATLANTIQUE ДЛЯ СУДЕБНЫХ ЦЕЛЕЙ ЦИФРОВЫХ ИЗОБРАЖЕНИЙ
2005 Tiny-HourglassNet: эффективный дизайн для трехмерной оценки позы человека
2730 К НАДЕЖНЫМ МОДЕЛЯМ ДЛЯ АУТЕНТИФИКАЦИИ МУЛЬТИМЕДИА-СОДЕРЖАНИЯ: ОБНАРУЖЕНИЕ ПЕРЕДАЧИ АРТЕФАКТОВ С ПОМОЩЬЮ БАЙЕСОВСКИХ НЕЙРОННЫХ СЕТЕЙ
2036 НА ПУТИ РЕАЛИЗАЦИИ ПРОГРАММНОГО ДЕКОДЕРА ДЛЯ ПРЕДСТОЯЩЕГО КОДЕКА УНИВЕРСАЛЬНОГО ВИДЕО КОДИРОВАНИЯ (VVC)
2276 НА ПУТИ К АДАПТИВНОЙ СЕМАНТИЧЕСКОЙ СЕГМЕНТАЦИИ ПО ПРОГРЕССИВНОМУ УПРАВЛЕНИЮ ФУНКЦИЙ
1344 НА ПУТИ ОБОБЩЕНИЯ ДОМЕНА ПРИ ОБНАРУЖЕНИИ ПОДВОДНЫХ ОБЪЕКТОВ
2646 К ОБНАРУЖЕНИЮ ЧЕЛОВЕЧЕСКИХ ИНТЕРПРЕТАЦИОННЫХ ОБЪЕКТОВ С ПОМОЩЬЮ КОДИРОВАНИЯ ПРОСТРАНСТВЕННЫХ ОТНОШЕНИЙ
1187 К БОЛЕЕ ЭФФЕКТИВНОМУ И ЭФФЕКТИВНОМУ РЕЗУЛЬТАТУ: СОВМЕСТНОЕ РЕШЕНИЕ МНОГОУЧАСТНИКОВ
2746 НАПРАВЛЕНИЕ РАСЧЕТА ВИЗУАЛЬНОЙ СИСТЕМЫ НА 3D ГРАФИЧЕСКОМ СОДЕРЖАНИИ ДЛЯ ИНТЕРАКТИВНОЙ ВИЗУАЛИЗАЦИИ
1213 TPN: ТОПОЛОГИЧЕСКАЯ СЕТЬ ВОСПРИЯТИЯ ДЛЯ 3D-ПРЕДСТАВЛЕНИЯ СЕТКИ
2480 TRACK: МУЛЬТИМОДАЛЬНАЯ ГЛУБОКАЯ АРХИТЕКТУРА ДЛЯ ПРОГНОЗИРОВАНИЯ ДВИЖЕНИЯ ГОЛОВЫ В ВИДЕО НА 360 ГРАДУСОВ
1556 ОТСЛЕЖИВАНИЕ СОТНИ ЛЮДЕЙ НА ПЛОТНО НАСЕЛЕННЫХ СЦЕНАХ С ПОМОЩЬЮ ФИЛЬТРАЦИИ ЧАСТИЦ ПОД НАБЛЮДЕНИЕМ ГЛУБОКО КОНВОЛЮЦИОННЫХ НЕРВНЫХ СЕТЕЙ
1824 ТРАДИЦИОННЫЙ МЕТОД, вдохновленный ГЛУБОКОЙ НЕЙРОННОЙ СЕТЬЮ ДЛЯ ОБНАРУЖЕНИЯ КРАЯ
1373 ОБУЧЕНИЕ С КЭШОМ: СПЕЦИАЛИЗАЦИЯ ДЕТЕКТОРОВ ОБЪЕКТОВ ИЗ ЖИВЫХ ПОТОКОВ БЕЗ ПЕРЕПОЛНЕНИЯ
1289 ПЕРЕХОДНАЯ ПРОТОТИПИЧНАЯ СЕТЬ ДЛЯ КЛАССИФИКАЦИИ МЕСКОЛЬКИХ ВЫПУСКОВ
2588 ПЕРЕДАЧА ОБУЧЕНИЯ ДЛЯ ВИДЕО: ОТ ПРИЗНАНИЯ ДЕЙСТВИЙ К РАСПОЗНАВАНИЮ ЯЗЫКА ПОДПИСЕЙ
1266 ТРОЙНОЕ ВНИМАНИЕ ДЛЯ НАДЕЖНОГО ПОДСЧЕТА ВИДЕО ТОЛПЫ
2559 ТРИПЛЕТНАЯ ДИСТИЛЛЯЦИЯ ДЛЯ ГЛУБОКОГО РАСПОЗНАВАНИЯ ЛИЦА
1804 Двухэтапное прогрессивное внутреннее предсказание для универсального кодирования видео
1086 АТАКА ТИПА I ДЛЯ ГЕНЕРАТИВНЫХ МОДЕЛЕЙ
1772 Объединение ультразвуковых и магнитно-резонансных изображений с использованием мозаичной полиномиальной модели
2644 НЕОГРАНИЧЕННОЕ ПЕРИОКУЛЯРНОЕ РАСПОЗНАВАНИЕ: ИСПОЛЬЗОВАНИЕ ГЕНЕРАТИВНЫХ РАМКИ ГЛУБОКОГО ОБУЧЕНИЯ ДЛЯ НОРМАЛИЗАЦИИ АТРИБУТОВ
2277 ОБЕЗДОМЛЕНИЕ ИЗОБРАЖЕНИЯ ПОД ВОДОЙ С ИСПОЛЬЗОВАНИЕМ УМЕНЬШЕНИЯ РАЗМЕРА ЦВЕТОВОГО ПРОСТРАНСТВА ПРИОР
2578 УНИФИЦИРОВАННОЕ ВТОРИЧНОЕ ПРЕОБРАЗОВАНИЕ ДЛЯ ВНУТРЕННЕГО КОДИРОВАНИЯ ЗА ПРЕДЕЛАМИ AV1
1790 УНИВЕРСАЛЬНАЯ АТАКА ПРОТИВНИКА ЧЕРЕЗ УЛУЧШЕННЫЙ ПРОЕКТНЫЙ ГРАДИЕНТНЫЙ СПУСК
1741 ОЧИСТКА ЭТИКЕТКИ НЕИЗВЕСТНОГО КЛАССА ДЛЯ ОБУЧЕНИЯ С ОТКРЫТЫМИ ШУМОВЫМИ ЭТИКЕТКАМИ
3129 СНИЖЕНИЕ ПАРНЫХ ИЗОБРАЖЕНИЙ
1284 ПЕРЕДАЧА ФОРМЫ ИЗОБРАЖЕНИЯ В ИЗОБРАЖЕНИЕ ПО ДАННЫМ О МОДЕ
2818 АВТОЭНКОДЕР ДЛЯ ГЕНЕРАЦИИ ИЗОБРАЖЕНИЙ НЕПРИОРТИЗИРОВАННЫЙ
2106 НЕПОДВИЖНАЯ СЕТЬ УСЛОВНОГО ОТКЛЮЧЕНИЯ ДЛЯ ДЕГЕНТАЦИИ ИЗОБРАЖЕНИЯ
1922 НЕПРОВОДИМЫЙ КОНЕЧНАЯ РАМКА ГРУППОВОЙ РЕГИСТРАЦИИ БЕЗ СОЗДАНИЯ ШАБЛОНОВ
2116 НЕКонтролируемое разложение изображения в векторных слоях
2137 НЕПРАВИЛЬНОЕ ИЗУЧЕНИЕ ИЗ ОГРАНИЧЕННЫХ ДОСТУПНЫХ ДАННЫХ B-NMF И DUAL AUTOENCODER
2522 НЕПРОВОДНАЯ ПРЕДВАРИТЕЛЬНАЯ ОБУЧЕНИЕ, ОСНОВНАЯ И ЛЕГКАЯ МОДЕЛЬ ДЛЯ ГЛУБОКОГО ОБУЧЕНИЯ НА ОСНОВЕ РАСПОЗНАВАНИЯ ИРИСА С ОГРАНИЧЕННЫМИ АННОТИРОВАННЫМИ ДАННЫМИ
2988 ВЫВОД НЕУПРАВЛЯЕМЫХ ВИЗУАЛЬНЫХ ОТНОШЕНИЙ
2589 Регулировка вертикального положения с помощью сверточных сетей с графиком
2852 ИСПОЛЬЗОВАНИЕ ВЫБОРА BAND SUBSET ДЛЯ УМЕНЬШЕНИЯ РАЗМЕРНОСТИ ПРИ СУПЕРПИКСЕЛЕЙНОЙ СЕГМЕНТАЦИИ ГИПЕРСПЕКТРАЛЬНЫХ ИЗОБРАЖЕНИЙ
2880 АДАПТАЦИЯ НЕПРАВИЛЬНОГО ДОМЕНА НА ОСНОВЕ ВАРИАЦИОННОГО АВТОЭНКОДЕРА ДЛЯ СЕМАНТИЧЕСКОЙ СЕГМЕНТАЦИИ
3125 ВАРИАЦИОННЫЕ АВТОКОДЕРЫ БЕЗ ОБРАБОТКИ ГРАФИКОВ ДЛЯ ОБУЧЕНИЯ ТОЧНОЙ СЕТКИ
2939 НАДЕЖНАЯ КЛАССИФИКАЦИЯ НА ОСНОВЕ ВАРИАЦИОННОГО КОДЕРА
3054 VC-VQA: МЕХАНИЗМ ВИЗУАЛЬНОЙ КАЛИБРОВКИ ДЛЯ ВИЗУАЛЬНОГО ОТВЕТА НА ВОПРОС
2148 Универсальное кодирование видео 360º с использованием адаптивного изменения разрешения
1434 VESSEL-NET: АНСАМБЛЬНАЯ СЕТЬ С ИНФОРМАЦИЕЙ О СУДНАХ ДЛЯ СКРИНИНГА РЕТИНОПАТИИ ПО FUNDUS IMAGE
2000 Получение логотипа видео на основе локальных функций
3165 ОБЗОР ВИДЕО С ЯКОРАМИ И МНОГОГОЛОВНЫМ ВНИМАНИЕМ
2172 КОДИРОВАНИЕ ОБЪЕМНЫХ ДАННЫХ НА ОСНОВЕ ВИДЕО
2785 ВИЗУАЛЬНАЯ КЛАССИФИКАЦИЯ ВЗАИМООТНОШЕНИЙ С ДОБЫЧЕЙ ОТРИЦАТЕЛЬНОЙ ОБРАЗЦЫ
2790 Обнаружение визуальных отношений с помощью глубокой сверточной сети отношений
1033 ВИЗУАЛЬНОЕ ОТСЛЕЖИВАНИЕ С ПОМОЩЬЮ ВРЕМЕННО РЕГУЛЯРИЗОВАННЫХ КОНТЕКСТНЫХ КОРРЕЛЯЦИОННЫХ ФИЛЬТРОВ
1189 МОДУЛЬ ВНИМАНИЯ КАНАЛА WAVELET СО СЛОЖНОЙ СЕТЬЮ ДЛЯ ОБРАБОТКИ ОДНОГО ИЗОБРАЖЕНИЯ
2205 Слабо контролируемая сегментация дефектов в изображениях визуального контроля жидкокристаллических дисплеев в матричном процессе
3092 ГДЕ ЭМОЦИЯ? РАССЕЯНИЕ МНОГОЗАЗОРНОЙ СЕТИ ДЛЯ КЛАССИФИКАЦИИ ИЗОБРАЖЕНИЙ
2915 ГДЕ ПОДДЕЛКА? МУЛЬТФИЛЬМЫ ДЛЯ НАСЫЩЕНИЯ ТЕКСТУРЫ
2202 X-NET ДЛЯ УДАЛЕНИЯ ОДНОГО ИЗОБРАЖЕНИЯ КАПЛИ
2878 YOCO: Обучение модели управления легкой скоростью
1355 ВАМ НУЖНО ТОЛЬКО ИЗОБРАЖЕНИЕ: НЕЗАПРАВЛЯЕМАЯ МНОГОКРАТНАЯ СЕМАНТИЧЕСКАЯ СЕГМЕНТАЦИЯ С СЕТЬЮ СОВМЕСТНОГО НАПРАВЛЕНИЯ
2899 УВЕЛИЧИТЬ ДЕТАЛИ ЧЕЛОВЕЧЕСКОГО ВИДЕО
.

Leave a Reply

Ваш адрес email не будет опубликован. Обязательные поля помечены *

2019 © Все права защищены.