图像分辨率

主要语义分割网络调研 介绍 图像的语义分割是将输入图像中的每个像素分配一个语义类别，以得到像素化的密集分类。虽然自 2007 年以来，语义分割/场景解析一直是计算机视觉社区的一部分，但与计算机视觉中的其他领域很相似，自 2014 年 Long等人 首次使用全卷积神经网络对自然图像进行端到端分割，语义分割才产生了大的突破。 网络架构 一般的语义分割架构可以被认为是一个 编码器-解码器 网络。 编码器 通常是一个预训练的分类网络，像 VGG、ResNet，然后是一个 解码器 网络。这些架构不同的地方主要在于 解码器 网络。 解码器 的任务是将 编码器 学习到的可判别特征（较低分辨率）从语义上投影到像素空间（较高分辨率），以获得密集分类。 不同于分类任务中网络的最终结果（对图像分类的概率）是唯一重要的事，语义分割不仅需要在像素级有判别能力，还需要有能将编码器在不同阶段学到的可判别特征投影到像素空间的机制。不同的架构采用不同的机制（跳跃连接、金字塔池化等）作为解码机制的一部分。 Fully Convolution Networks (FCNs) 全卷积网络 Fully Convolutional Networks for Semantic Segmentation(2015) 作者将当前分类网络（AlexNet, VGG net 和 GoogLeNet）修改为全卷积网络

摘要 视频恢复任务，包括超分辨率，去模糊等，正在计算机视觉社区中引起越来越多的关注。在NTIRE19挑战赛中发布了名为REDS的具有挑战性的基准。这个新的基准测试从两个方面挑战现有方法：(1)如何在给定大运动的情况下对齐多个帧，(2)如何有效地融合具有不同运动和模糊的不同帧。在这项工作中，我们提出了一种新的视频恢复框架，其具有增强的可变形卷积，称为EDVR，以应对这些挑战。首先，为了处理大运动，我们设计了金字塔，级联和可变形(PCD)对准模块，其中使用可变形卷积以粗到细的方式在特征级别完成帧对齐。 其次，我们提出了时间和空间注意(TSA)融合模块，其中在时间和空间上都应用注意力，以便强调后续恢复的重要特征。 得益于这些模块，我们的EDVR赢得了冠军，并且在NTIRE19视频恢复和增强挑战的所有四个轨道中都大幅超越了第二名。 EDVR还展示了最先进的视频超分辨率和去模糊方法的卓越性能。代码可在https://github.com/xinntao/EDVR找到。 1.介绍 在本文中，我们描述了我们在NTIRE 2019视频恢复和增强挑战中的成功解决方案。 该挑战为上述任务发布了一个有价值的基准，称为REalistic和Diverse Scenes数据集(REDS)。相比下，对于现有数据集，REDS中的视频包含更大且更复杂的内容动作，使其更具现实性和挑战性

Unity2d屏幕适配 从示意图中可以看出这两种模式都有可能会出现将图片裁切，导致我们实际的游戏内容显示不完整，影响用户体验，所以此处我们选择使用expand模式。 为什么要做屏幕适配 因为现在市场上的手机厂商很多，屏幕分辨率也有很多，分辨率（屏幕分辨率）是屏幕图像的精密度，是指显示器所能显示的像素有多少.分辨率的单位有：（dpi点每英寸）、lpi（线每英寸）和ppi（像素每英寸）。图像的分辨率越高，所包含的像素就越多，图像就越清晰，印刷的质量也就越好。 但是也出现了问题，如果同样的图放到不同分辨率的手机上，展示出来的大小会与开发时想要展示的大小不同。如果想要在不同的分辨率显示相同的UI则需要根据每一个分辨率做相应的UI，但是这种方法会导致需要的资源很多，所以，我们是不是可以只用一套资源来让所有的分辨率都能以我们想要的方式展示出来，就需要给程序做屏幕适配。 如何实现屏幕适配 首先我们先搞明白 Canvas （实际上就是所支持的设备屏幕，调节 Game 视图里面的分辨率就是调节 Canvas 的大小，也就是选择所支持的设备屏幕大小） : 确切的说是搞明白 Canvas 提供的缩放方案，然后 应该确定一套分辨率作为我们的设计分辨率，然后在不同的手机上进行相应的缩放并确保我们游戏的有效内容区域都可以展示在屏幕上。 Unity提供的屏幕适配方案 expand：

# include <iostream> # include <opencv2/opencv.hpp> using namespace cv ; using namespace std ; void color_reduce ( Mat & image , int x ) ; void colorReduce3 ( Mat & image , int div ) ; //将一张图片的像素改为64x64 void colorReduce4 ( Mat & image , int div ) ; void colorReduce5 ( Mat & image , int div ) ; int main ( ) { Mat image = imread ( "大教堂.jpg" ) ; resize ( image , image , Size ( ) , 0.4 , 0.4 ) ; colorReduce5 ( image , 64 ) ; imshow ( "结果" , image ) ; waitKey ( 0 ) ; return 0 ; } //方法1 void colorReduce1 ( Mat & image , int div = 64 ) //将一张图片的像素改为64x64 { //大体思路：将图片中的每个像素的值改为其像素空间中，256/64大小方格中的中间的值。