6个小石头-CSDN博客

原创《ADRN: ATTENTION-BASED DEEP RESIDUAL NETWORK FOR HYPERSPECTRAL IMAGE DENOISING》阅读笔记

一、论文《ADRN: ATTENTION-BASED DEEP RESIDUAL NETWORK FOR HYPERSPECTRAL IMAGE DENOISING》高光谱图像（HSI）降噪对于许多后续应用（例如HSI分类和解释）至关重要。在本文中，我们提出了一种基于注意力的深度残差网络，以直接学习从嘈杂的HSI到干净的HSI的映射。为了共同利用空间光谱信息，同时利用当前频带及其K个相邻频带作为输入。然后，我们采用具有不同滤波器大小的卷积层融合多尺度特征，并使用快捷连接来合并多层次信息，以更好

2020-05-17 09:53:21 1042

原创《BRDNet+ADNet》阅读笔记

一、论文《Image denoising using deep CNN with batch renormalization》深度卷积神经网络（CNN）在图像去噪领域引起了极大的关注。但是，有两个缺点：（1）很难训练更深的CNN来进行去噪任务；（2）大多数更深的CNN都存在性能饱和的问题。在本文中，我们报告了一种称为批重归一化去噪网络（BRDNet）的新型网络的设计。具体来说，我们将两个网络合并以增加网络的宽度，从而获得更多功能。因为批处理重归一化已融合到BRDNet中，所以我们可以解决内部

2020-05-16 18:43:15 2000 1

原创《Deep Iterative Down-Up CNN for Image Denoising》论文阅读

一、论文《Deep Iterative Down-Up CNN for Image Denoising》由于GPU内存的有效使用及其产生大接收场的能力，在低级视觉研究中已广泛研究了使用按比例缩小和按比例放大特征图的网络。在本文中，我们提出了一种用于图像去噪的深度迭代向下卷积神经网络（DIDN），该算法反复减少和增加特征图的分辨率。网络的基本结构受到U-Net的启发，U-Net最初是为语义分段而开发的。我们针对图像去噪任务修改了按比例缩小和按比例放大的图层。训练常规降噪网络以处理单级噪声，或者可替代

2020-05-16 17:40:17 1253

原创《Self-Guided Network for Fast Image Denoising》阅读笔记

一、论文《Self-Guided Network for Fast Image Denoising》在过去的几年中，使用高度复杂的神经网络在图像恢复任务上取得了巨大进步。尽管它们具有良好的恢复性能，但是沉重的计算负担阻碍了将这些网络部署在受限设备上。智能手机和消费电子产品。为解决此问题，我们提出了一种自导网络（SGN），该网络采用自上而下的自导体系结构来更好地利用图像多尺度信息。 SGN通过混洗操作直接生成多分辨率输入。以低分辨率提取的大规模上下文信息逐渐传播到高分辨率子网络中，以指导这些规.

2020-05-16 16:14:13 1975

原创《Multi-Level Wavelet Convolutional Neural Networks》阅读笔记

一、论文《Multi-Level Wavelet Convolutional Neural Networks》摘要：在计算机视觉中，卷积网络（CNN）通常采用合并来扩大接收域，其优点是计算复杂度低。但是，合并可能导致信息丢失，因此不利于进一步的操作，例如特征提取和分析。最近，已经提出了扩张滤波器来在接收场大小和效率之间进行折衷。但是，伴随的网格化效果可能导致对具有棋盘格图案的输入图像进行稀疏采样。为了解决这个问题，在本文中，我们提出了一种新颖的多级小波CNN（MWCNN）模型，以在接收场大小

2020-05-16 12:24:39 5970 10

原创《FRACTALNET: ULTRA-DEEP NEURAL NETWORKS WITHOUT RESIDUALS》阅读笔记

一、论文《FRACTALNET:ULTRA-DEEP NEURAL NETWORKS WITHOUT RESIDUALS》二、学习资料分形网络结构——FractalNet: Ultra-Deep Neural Networks without Residuals论文笔记论文笔记：分形网络（FractalNet: Ultra-Deep Neural Networks without Residuals）基于分形结构的极深神经网络，超越 ImageNet 2015 冠军 ResNet（附论文

2020-05-12 09:45:35 441

原创《Toward Convolutional Blind Denoising of Real Photographs》阅读笔记

一、论文《Toward Convolutional Blind Denoising of Real Photographs》摘要：尽管深卷积神经网络（CNN）在加性高斯白噪声（AWGN）的图像去噪方面取得了令人瞩目的成功，但其性能在实际嘈杂的照片上仍然受到限制。主要原因是他们的学习模型很容易在简化的AWGN模型上过度拟合，而AWGN模型与复杂的实际噪声模型大相径庭。为了提高深层CNN去噪器的泛化能力，我们建议使用更逼真的噪声模型和真实的噪声清洁图像对来训练卷积盲去噪网络（CBDNet）。一方面

2020-05-11 17:21:07 627

原创《Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising》阅读笔记

阅读论文整理的笔记，只为了自己复习备用一、论文《Beyond a Gaussian Denoiser: Residual Learning of Deep CNN for Image Denoising》二、学习资料DnCNN论文阅读笔记前馈去噪卷积神经网络三、模型结构这个模型比较简单。四、代码class DnCNN(nn.Module): def __init__(self, depth=17, n_channels=64, image_c...

2020-05-11 09:12:13 1575

原创《ResNeSt: Split-Attention Networks》阅读笔记

ResNeSt：注意力分散网络摘要：尽管图像分类模型最近一直在继续发展，但是由于其简单且模块化的结构，大多数下游应用程序（例如对象检测和语义分段）仍将ResNet变体用作骨干网。我们提供了一个模块化的Split-Attention块，该块可实现跨功能图组的关注。通过以ResNet样式堆叠这些Split-Attention块，我们获得了一个称为ResNeSt的新ResNet变体。我们的网络保留了完整的ResNet结构，可直接用于下游任务，而不会引起额外的计算成本。ResNeSt模型的模型复..

2020-05-10 16:31:01 2345 1

原创 CNN基础模型总结

一、LeNet-51、模型图为了下面表述方便，把ReLU激活函数和池化层都画出出来了，虽然花了七层，但是其中的两个池化层是没有参数的，有参数的是卷积层（两个）和全连接层（三个），所以是LeNet-5网络结构图。使用池化层达到下采样的目的。2、LeNet-5模型代码# -*-coding:utf-8-*-import torch.nn as nnimport torch.n...

2020-05-07 11:08:32 1247

原创《SENet+SKNet》阅读笔记

Squeeze-and-Excitation Networks摘要卷积神经网络建立在卷积运算的基础上，通过融合局部感受野内的空间信息和通道信息来提取信息特征。为了提高网络的表示能力，许多现有的工作已经显示出增强空间编码的好处。在这项工作中，我们专注于通道，并提出了一种新颖的架构单元，我们称之为“Squeeze-and-Excitation”（SE）块，通过显式地建模通道之间的相互依赖关系，...

2020-05-05 18:18:24 2854

原创《MobileNetV1 + MobileNetV2 + MobileNetV3 》论文阅读笔记

《MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications》摘要：我们为移动和嵌入式视觉应用提出了一种称为MobileNets的有效模型。 MobileNets基于简化的架构，该架构使用深度可分离卷积来构建轻型深度神经网络。我们介绍了两个简单的全局超参数，它们可以有效地在延迟和准确性...

2020-05-04 20:42:58 1461 1

原创《A High-Quality Denoising Dataset for Smartphone Cameras》阅读笔记

智能手机相机的高质量去噪数据集（就是简单的把文章地翻译一下）摘要在过去的十年里，从DSLR和点射相机成像到智能手机相机成像的巨大转变。由于孔径小和传感器大小，智能手机图像比DSLR图像具有明显的噪声。虽然智能手机图像去噪是一个活跃的研究领域，但研究界目前缺乏一个能代表高质量地面真相的智能手机相机真实噪声图像的去噪图像数据集。我们在本文中讨论了这个问题，并作出了以下贡献...

2020-04-27 18:50:53 1625

原创口罩识别-分类

口罩识别—分类一、问题背景新冠肺炎的爆发，配戴口罩成为防控疫情保护自己的必需措施。不佩戴口罩严禁进入小区、学校、工厂，严禁乘坐公交、地铁等交通工具。但随着近日来，疫情逐渐好转，可能会有一部分降低了对新冠疫情的警惕性，不佩戴口罩出入公众场所，对此我们设计了一个口罩识别系统，把口罩识别问题当做一个分类问题，去检测人脸是否佩戴口罩。（对于口罩识别问题大多都是目标检测问题，其实这里为了只是为了更好...

2020-04-23 10:51:09 7856 31

原创《Deep Adaptive Inference Networks for Single Image Super-Resolution》论文阅读

《Deep Adaptive Inference Networks for Single Image Super-Resolution》摘要近年来，由于深度卷积神经网络的部署，单图像超分辨率(SISR)取得了巨大的进展。对于大多数现有的方法，每个SISR模型的计算成本与局部图像内容、硬件平台和应用场景无关。尽管如此，内容和资源自适应模型更受欢迎，并鼓励将更简单和高效的网络应用于更容...

2020-04-14 12:22:47 1509 1

原创《SuperPoint: Self-Supervised Interest Point Detection and Description》论文笔记

SuperPoint: Self-Supervised Interest Point Detection and Description摘要本文提出了一种自我监督的框架，用于训练感兴趣点检测器和描述符，适用于计算机视觉中的大量多视图几何问题。与基于补丁的神经网络相反，我们的完全卷积模型在全尺寸图像上运行，并在一个正向通道中联合计算像素级兴趣点位置和相关描述符。我们介绍了Homographi...

2019-11-15 14:16:48 2480 3

原创《U-Net: Convolutional Networks for Biomedical Image Segmentation》阅读笔记

一、摘要人们普遍认为，成功的深层网络培训需要数千个带注释的培训样本。在本文中，我们提出了一种网络和培训策略，它依赖于数据增强的强大使用来更有效地使用可用的带注释的样本。该体系结构由捕获上下文的收缩路径和支持精确本地化的对称扩展路径组成。In this paper, we present a network and training strategy that reli...

2019-10-11 10:22:47 1133

原创《FFDNet: Toward a Fast and Flexible Solution for CNN based Image Denoising》阅读笔记

一、摘要已存在的模型存在如下缺点：不同的噪声水平需要不同的模型，不能用来处理空间噪声，缺乏灵活性。为了解决这些问题，我们提出了一种快速、灵活的卷积神经网络，即FFDNet，它以一个可调的噪声水平图作为输入。提出的FFDNet对下采样的子图像进行处理，在推理速度和去噪性能之间取得了良好的平衡。与现有的有区别的去噪器相比，FFDNet具有几个令人满意的特性，包括(i)处理不同噪...

2019-09-20 15:02:01 3358 1

原创 matplotlib.pyplot 小结

matplotlib.pyplot 小结一、数据为列表#coding:UTF-8#matplotlib.pyplot是一组命令样式函数，使matplotlib像MATLAB一样工作。import matplotlib.pyplot as plt import numpy as np#如果为...

2019-09-10 15:17:26 380

原创致即将迈入研究生的自己

致即将迈入研究生的自己今天是开学的第一天，每到开学的第一天感触都特别多，经过去年的学习，如愿考上了研究生。已经来到学校来到了两个月，但是感觉效率一般，学习状态一般，努力程度一般。今天算是正式开启了研究生生活，还是对未来充满了期待与憧憬，所以还是总结一下或者说规划一下自己的接下来的学习生活。...

2019-09-10 14:58:02 618 2

原创 pytorch学习笔记

一、激活函数以及图像的学习#coding:utf-8import torchimport torch.nn.functional as F # log(1+e^x)激励函数from torch.autograd import Variable# 做一些假数据来观看图像x = torch.linspace(-5, 5, 200) # x data (tensor), shap...

2019-09-04 09:32:44 1490

原创 DnCNN代码学习—main_testpy

DnCNN代码学习—main_testpy一、源代码+注释# -*- coding: utf-8 -*-# =============================================================================# @article{zhang2017beyon...

2019-08-31 11:23:34 4760 6

原创 DnCNN代码学习—main_train.py

DnCNN代码学习—main_train.py一、源代码+注释# -*- coding: utf-8 -*-# PyTorch 0.4.1, https://pytorch.org/docs/stable/index.html# ======================================...

2019-08-31 11:21:32 9417 10

原创 DnCNN代码学习—data_generator.py

DnCNN代码学习—data_generator.py一、源代码+注释# -*- coding: utf-8 -*-# =============================================================================# @article{zhang2017beyond...

2019-08-31 11:18:17 6323 15

原创 python数据批处理—重命名、修改尺寸和彩色图转换为灰度图

一、对数据集进行重命名—按顺序编号# -*- coding:utf8 -*-#coding:UTF-8import osclass BatchRename(): ''' 批量重命名文件夹中的图片文件 ''' def __init__(self): self.path = 'C:\CBSD68' def rename(self...

2019-08-30 21:17:13 752 2

原创 python基础语法

#print字符串print('hello world')print("hello world")hello worldhello world#print(字符串叠加)print('hello world!'+' hello xian!')hello world! hello xian!#简单运算print(1+1)print(3-1)print(4*6)print...

2019-08-10 14:56:36 392

原创【吴恩达课后编程作业】《神经网络与深度学习》

本文需要使用数据集dataset，点击下载。使用的运行环境是Python3.7。详细注释所有代码，以供自己复习使用。第一部分实验说明一、实验目的搭建一个能够【识别猫】的简单的神经网络二、实验过程建立神经网络的主要步骤：1—定义模型结构（例如输入特征的数量）2—初始化模型的参数3-循环 3.1-计算当前损失（正向传播） 3.2—计算...

2019-07-26 11:07:08 2347 2

原创《神经网络和深度学习》—第二周神经网络的编程基础

神经网络基础知识点参考：https://blog.csdn.net/koala_tree/article/details/78045596课后编程作业#-*- coding: utf-8 -*-import numpy as npimport matplotlib.pyplot as pltimport h5py##加载数据的函数def load_dataset(): ...

2019-07-23 15:56:26 371

原创陕西师范大学，我终于来了！

今天是2019年5月7号，4月2号出的拟录取名单，3月28日至30日参加复试，3月21日出的复试名单，3月15日出成绩，2018年12月24日至12月25日参加考试。感觉是时候对过去的一年做一个回顾与总结，重新整装待发，继续前行！我决定了，我要考陕师大 2017年暑假决定准备考研的时候，当时比较心仪的学校是苏州大学，原因可能很简单，因为13级学姐考上了，并且这个学姐曾...

2019-05-07 18:31:30 2226 4

原创数据结构疑难算法参考资料

数据结构疑难算法参考资料KMP算法：https://www.cnblogs.com/yjiyjige/p/3263858.html#4061486KMP算法中Next数组及改进后的nextval数组的求法：https://blog.csdn.net/yang_chengfeng/article/details/74279416B树和B+树的插入、删除图文详解：https://blog....

2018-09-20 17:58:26 631

原创 B树和B+树的插入、删除图文详解

B树和B+树的插入、删除图文详解简介：本文主要介绍了B树和B+树的插入、删除操作。写这篇博客的目的是发现没有相关博客以举例的方式详细介绍B+树的相关操作，由于自身对某些细节也感到很迷惑，通过查阅相关资料，对B+树的操作有所顿悟，写下这篇博客以做记录。由于是自身对B+树的理解，肯定有考虑不周的情况，或者理解错误的地方，请留言指出。欢迎探讨，如有错误敬请指正如需转载，请注明出处http:...

2018-09-20 16:17:33 983

原创 2019王道《数据结构》——树和二叉树

1.树的存储结构有多种，既可以采用顺序存储结构，也可以采用链式存储结构，都要求能唯一地反映出树中各结点之间的逻辑关系，三种常用的存储结构 1）双亲表示法采用一组连续空间来存储每个结点，同时在每个结点中增设一个伪指针，指示其双亲节点在数组中的位置，根节点下标为0，其伪指针域为-1。#define MAX_TREE_SIZE 100 //树中最多结点数typedef stru...

2018-08-06 15:32:00 1945

原创 2019王道《数据结构》——栈和队列

重点栈（出入栈的过程、出栈序列的合法性）和队列的操作及其特征是重中之重。均是线性表的应用和推广1.栈的定义栈只允许一端进行插入或删除操作的线性表。栈是一种线性表。但是限定这种线性表只能在某一端进行插入和删除操作。栈顶（Top）:线性表允许进行插入和删除的那一端。栈底（Bottom）:固定的，不允许进行插入和删除的那一端。空栈：不含任何元素的空表...

2018-08-06 15:25:04 3128 1

原创 2019王道《数据结构》——线性表

一、线性表的定义和基本操作 1、线性表的定义线性表是具有相同数据类型的n(n >= 0)个数据元素的有限序列。其中n为表长，当n=0时，该线性表是一个空表。若用L命名线性表，则一般表示为： L=(a1,a2,a3...ai,ai+1...an) 其中，a1是唯一的第一个数据元素，又称为表头元素；an是唯一的最后一个数据元素，又称为表尾元素。除第...

2018-08-04 16:36:43 2337

原创 2019王道《数据结构》——绪论

数据结构的基本概念一、基本概念和术语 1、数据：是信息的载体，是描述客观事物的属性的数、字符以及所有能输入到计算机中并被计算机程序识别和处理的符号的集合。 2、数据元素：数据元素是数据的基本单位，通常作为一个整体进行考虑和处理。一个数据元素可由若干个数据项组成，数据项是构成数据元素不可分割的最小单位。例如，学生记录就是一个数据元素，它由学号、姓名、性别等数据项组成。 3...

2018-08-04 16:32:03 3078

原创王道数据结构

bool Del_min(sqList &L,ElemType &value){ if(L.length == 0) { return flase; } value = L.data[0]; int pos = 0; for(int i = 1; i < L.length; i++) { if(L.dada[i] < value) { ...

2018-08-04 16:19:05 2564

原创排序算法大总结

排序算法大总结算法一：直接插入排序1、算法描述插入排序是一种最简单直观的排序算法，它的工作原理是通过构建有序序列，对于未排序数据，在已排序序列中从后向前扫描，找到相应位置并插入。2、算法步骤1）将第一待排序序列第一个元素看做一个有序序列，把第二个元素到最后一个元素当成是未排序序列。2）从头到尾依次扫描未排序序列，将扫描到的每个元素插入有序序列的适当位置。（如果待插入的元...

2018-07-25 19:46:25 376

原创考试随机生成座位表

考试随机座位表记得期末考试田小远写了一个随机生成代码座位的小代码（JAVA），并且在全院每场考试中使用,给田小远点赞。当时我就在想可不可以用C试试，一直没有付诸行动，，就写一篇关于这的用C试试。。两种不同的思路如下。。。java我就是个渣渣........... 问题转化：班级人数以60为例，座位表—即产生60个不重复的随机数。（方案1：直接生成...

2018-07-21 20:29:16 8156 1

原创记录NCRE的点滴

记录NCRE的点滴全国计算机等级考试（National Computer Rank Examination，简称NCRE），是经原国家教育委员会（现教育部）批准，由教育部考试中心主办，面向社会，用于考查应试人员计算机应用知识与技能的全国性计算机水平考试体系。客观的说计算机等级考试证书对于计算机...

2018-05-17 16:35:56 665

原创《计算机网络》— 计算机网络基础

1.基本概念划分OIS的七层协议：应用层、表示层、会话层、运输层、网络层、数据链路层、物理层。 OIS的五层协议：应用层、运输层、网络层、数据链路层、物理层。由下往上介绍如下：2.第一章物理层特性：机械特性、电气特性、功能特性、过程特性。数据通信系统：源系统（或发送端、发送方）、传输系统（或传输网络）和目的系统（或接受端、接受方）...

2017-11-22 07:58:53 3256