Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Bücher
Zeitschriften
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
MTZ-Fachkongress

Antriebe und Energiesysteme von morgen


Austausch von Automobil- und Energiewirtschaft

Am 14./15. Mai geht es in Chemnitz um die Mobilitätswende durch Elektro- und Wasserstofffahrzeuge.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
A Length and Width Feature Extraction Method of Ship Target Based on IR Image Kapitel lesen Erstes Kapitel lesen

2020 | OriginalPaper | Buchkapitel

Detection of White Gaussian Noise and Its Degree in Image Processing Using Generative Adversarial Nets

verfasst von : Wentao Hua, Jian Xiong, Jie Yang, Guan Gui

Erschienen in: Communications, Signal Processing, and Systems

Verlag: Springer Singapore

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

Since the theory of generative adversarial nets (GANs) put forward in 2014, various applications based on GANs have been developed. Most of the applications focused on generator network (G) of GANs to solve the daily challenges. However, rare of them had been aware of the great value of the discriminator network (D). In this paper, we propose a new method of detecting white Gaussian noise and its degree by the discriminator of generative adversarial nets. The results of our experiments show the feasibility of detecting white Gaussian noise (WGN) and evaluating its degree through generative adversarial nets.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Vorheriges Kapitel The Image Preprocessing and Check of Amount for VAT Invoices
Nächstes Kapitel Super-Resolution Imaging Using Convolutional Neural Networks
Literatur
1.
Tomasi C, Manduchi R. Bilateral filtering for gray and color images. In: Sixth international conference computer vision (IEEE Cat. No.98CH36271). p. 839–46.
2.
Buades A, Coll B, Morel J-M. A non-local algorithm for image denoising. In: IEEE computer society conference computer vision pattern recognition, 2005. CVPR 2005, vol. 2; 2005. p. 60–5.
3.
Dabov K, Foi A, Katkovnik V. Image denoising by sparse 3D transformation-domain collaborative filtering. IEEE Trans Image Process. 2007;16(8):1–16.MathSciNetCrossRef
4.
Chuah JH, Khaw HY, Soon FC, Chow C. Detection of Gaussian noise and its level using deep convolutional neural network; 2017. p. 2447–50.
5.
Krizhevsky A, Sutskever I, Hinton GE. ImageNet classification with deep convolutional neural networks. Adv Neural Inf Process Syst. 2012;25:1–9.
6.
Heidemann G. Unsupervised Learning.pdf. Image Vis Comput. 2005;23:861–76.CrossRef
7.
B. N. Transform and B. N. Transform, “Batch Normalizing”.
8.
Hara K, Saito D, Shouno H. Analysis of function of rectified linear unit used in deep learning. In: Proceedings of international joint conference neural networks, vol. 2015–Sept 2015.
Metadaten
Titel
Detection of White Gaussian Noise and Its Degree in Image Processing Using Generative Adversarial Nets
verfasst von
Wentao Hua
Jian Xiong
Jie Yang
Guan Gui
Copyright-Jahr
2020
Verlag
Springer Singapore
Buch
Communications, Signal Processing, and Systems

Print ISBN: 978-981-13-6503-4

Electronic ISBN: 978-981-13-6504-1

Copyright-Jahr: 2020

DOI
https://doi.org/10.1007/978-981-13-6504-1_7

Neuer Inhalt

    Bildnachweise