研究目的
开发一种无需训练时使用真实光照标注数据的深度学习光照估计方法,通过物体识别等辅助任务间接训练模型。
研究成果
提出的深度学习光照估计方法无需真实光照数据,通过辅助物体识别任务进行训练,在跨数据集评估中取得具有竞争力的结果,优于部分已学习方法并与其它方法持平。该研究证明了间接学习光照估计的可行性,未来工作有望扩展至多光源等更复杂场景。
研究不足
该方法可能受到训练数据集中光照分布的影响,从而导致非中性的预测结果。预训练期间光照的高变异性可能使OR??楣诼嘲?,从而阻碍IE训练。在数据集内评估中,其性能不如使用真实光照的方法。
1:实验设计与方法选择:
该方法包含一个端到端训练的光源估计(IE)??楹臀锾迨侗穑∣R)???。IE??楣浪愠【肮庠床⑿U枷?,随后将校正后的图像输入OR??榻蟹掷?。训练过程仅使用物体识别标签,无需光源真实值数据。
2:样本选择与数据来源:
采用包含200类蔬菜、逾9万张图像的VegFru数据集进行训练(因颜色是关键判别特征)。颜色恒常性评估使用Shi-Gehler和NUS数据集。
3:实验设备与材料清单:
基于AlexNet架构的神经网络,计算使用GPU(获赠NVIDIA Titan X Pascal显卡)。
4:实验流程与操作步骤:
先在VegFru数据集上预训练OR??椋ú皇褂蒙识抖?。随后通过色彩抖动(从高斯分布随机生成光源增强)对IE和OR??榻卸说蕉肆涎盗贰M评斫锥谓鍪褂肐E???,图像预处理时减去0.5偏移量。
5:5偏移量。
数据分析方法:
5. 数据分析方法:采用角度恢复误差比较估计光源与参考光源,结果与包括参数化方法和学习方法在内的最先进技术进行对比。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容