基于共轭梯度法和全变差正则化的图像复原

当图像边界满足齐性Dirichlet条件时,正则化图像复原问题可归结为求解系数矩阵为含有正则化参数的线性方程组。为了更好地复原退化图像的边缘细节,选取原图像的全变差函数为正则化函数,取定适当的正则化参数,用共轭梯度法求解线性方程组而得到复原图像。仿真结果表明:与Tikhonov正则化复原方法相比较,全变差约束能更好地保留图像的细节,对模糊图像能够取得比较满意的复原效果。从GMG和LS两种客观指标也说明了这一点。

PointNet的点云数据集的破损测试与深度解读

目前人们对二维图像的研究已经取得了非常好的结果,然而随着深度学习的发展,研究正在逐步由二维向三维数据发展,并且应用领域越来越广泛,比如自动驾驶领域的三维场景建模,VR虚拟环境等。对三维数据的研究也逐渐实现了由有序输入到无序输入的过度并且取得了很高的成绩。Point Net则是第一个突破点云数据无序性输入的深度神经网络,值得人们深入的研究和借鉴。但是目前对破损和遮挡的点云数据问题还有待研究。本文着重对Point Net进行了深入研究并对点云数据进行了攻击和测试。测试发现当点云数据dropout约75%以后物体识别准确率显著下降,overlap12. 5%以后准确率也下降了近4个点,值得后续深入的研究和攻克。