BriefGPT - AI 论文速递
·
CCC++：基于分段任意建模（SAM）增强的物体选择性颜色协调的优化彩色分类上色
💡
原文中文，约800字，阅读约需2分钟。
📝
内容提要
本研究提出了一种基于多项式分类问题的上色方法，通过优化颜色类别转换的不同 bin 尺寸，并应用加权函数于类别。实验结果表明，该方法在可视化、CNR 以及新提出的 CCAR 和 TAR 测量指标方面优于其他模型。
🎯
关键要点
- 本研究提出了一种基于多项式分类问题的上色方法。
- 通过优化颜色类别转换的不同 bin 尺寸，应用加权函数于类别。
- 提出532种颜色类别，基于大规模实时图像进行分类任务。
- 引入类别加权函数，确保正确饱和个别对象。
- 调整主要类别和次要类别的权重以优化分类效果。
- 应用正则化方法增强次要类别的稳定性。
- 提出新颖的对象选择性颜色均衡方法以改进边缘效果。
- 引入色彩类别激活比率（CCAR）和真实激活比率（TAR）作为新的评估指标。
- 在六个不同数据集上进行定性和定量比较，验证模型优越性。
- 实验结果显示模型在可视化、CNR、CCAR和TAR指标上优于其他模型。
➡️
