文件名称：全变差去噪matlab代码-Benefit_of_Distraction:Benefit_of_Distraction
文件大小：82.39MB
文件格式：ZIP
更新时间：2024-06-12 21:12:25
系统开源
全变差去噪matlab代码分心的好处：使用反向注意对基于相机的生理测量进行消噪 我们提出了一种降噪方法，该方法使用注意力网络忽略的区域作为腐败估计来对感兴趣的时间信号进行降噪。 我们介绍基于相机的心率和呼吸率估计任务的结果。 请观看此视频以获取示例结果： 注意网络通常用于计算机视觉中，并且经常在各种视觉任务中表现出色。 在计算机视觉中，关注的核心思想是感兴趣的信号在某些像素（“前景”）中更强，并且通过有选择地将计算重点放在这些像素上，网络可以提取隐藏在噪声和其他腐败源中的细微信号。 我们的论文基于一个关键的观察结果：在许多实际应用中，“前景”像素和“背景”像素之间经常共享许多损坏源，例如照明和运动。 我们可以利用这个优势吗？ 我们提出了反向关注网络的实用程序，该网络专注于提取有关这些共享的腐败来源的信息。 我们表明，这使我们能够构建有效抑制共享协变量并放大信号信息的模型，从而提高性能。 我们在基于摄像头的生理测量任务上对此进行了说明，其中感兴趣的信号微弱，全局照明变化和运动是腐败的重要共享源。 我们对三个数据集进行了实验，结果表明，我们的逆注意力方法产生了最新的结果，将信噪比提高了5.
【文件预览】：
Benefit_of_Distraction-master
----print_result.m(4KB)
----get_HR()
--------print_result.m(4KB)
--------model_denoising_HR_LSTM.h5(2.31MB)
--------Training()
--------get_initial_HR_load_CAN_model.py(4KB)
--------HR_Result_loaded_LSTM()
--------denoising_LSTM_load_model.py(6KB)
--------HR_Result_loaded_CAN()
--------model_HR_CAN.h5(6.18MB)
----get_BR()
--------Training()
--------model_denoising_BR_LSTM.h5(3.83MB)
--------model_BR_CAN.h5(2.74MB)
--------denoising_LSTM_load_model.py(7KB)
--------get_initial_BR_load_CAN_model.py(5KB)
----README.md(5KB)
----argmax.m(1KB)
----get_noise_estimates.m(3KB)
----Data()
--------Masks_Examples4_corr.png(23.07MB)
--------sample_mask1.mat(3.8MB)
--------sample_CAN_input_data.mat(23.53MB)
--------sample_mask_noise.mat(130KB)
--------Overview.png(883KB)
--------Overview_fig3.jpg(4.09MB)
--------RGB_noise_estimates_red()
--------sample_yptest.mat(4KB)
--------RGB_noise_estimates_blue()
--------denoising_architecture8_corr.png(8.05MB)
--------sample_LSTM_input_data.mat(17KB)
--------RGB_noise_estimates_green()
--------sample_predicted_HR.mat(7KB)
----SupplementaryMaterial.pdf(1.11MB)