- 博客(5)
- 收藏
- 关注
RSS订阅原创 用于图像恢复的图像层次结构的高效和显式建模Efficient and Explicit Modelling of Image Hierarchies for Image Restoration
图像恢复旨在从低质量图像中恢复高质量图像，这些图像是由图像退化过程（如模糊、子采样、噪声干扰和JPEG压缩）引起的。图像恢复是一个不适定逆问题，因为在图像退化过程中，有关图像的重要内容信息丢失。因此，为了恢复高质量的图像，应该充分利用退化图像中表现出的丰富信息。自然图像包含全局、区域和局部范围的特征层次，深度神经网络可以使用这些特征进行图像恢复。首先，局部范围覆盖几个像素，典型特征是边缘和局部颜色。为了对这些局部特征进行建模，使用了具有小内核（例如3×3）的卷积神经网络。
2023-03-21 16:52:58
1803
3
原创 Team-DETR：作为检测变压器专业团队指导查询
许多后续工作致力于提高查询的可预测性。一个查询现在被分离为一个内容和一个单独的空间[14]。空间查询被建模为锚点[14，15]或锚框[16]，在训练期间不断更新。然而，目前的工作只给查询一个明确的物理含义。查询通常负责不同规模和位置的对象。这对查询本身来说是一个挑战，而且查询之间还会存在空间资源竞争。在本文中，我们致力于作为一个专业团队有效地指导Queries。在不增加参数和计算的情况下，我们通过在规模和空间方面为查询分配函数来加强查询之间的分工.图1：具有不同锚框比例的查询的预测框分布。
2023-03-05 17:39:37
118
原创 HYNETER：用于对象检测的混合网络转换器
卷积神经网络（CNN）多年来一直主导计算机视觉建模。随着越来越大的神经网络和逐渐复杂的协同进化结构的帮助，近年来，性能得到了显著的改善。然而，学者们关注的是更大的模型大小、更多样的卷积核和更复杂的网络结构，这导致了总体性能的进步，模型大小不成比例。另一方面，Transformer在视觉任务方面取得了巨大进展，这源于自然语言处理（NLP）。Transformer专为序列建模和转导任务而设计，以其关注特征中的全局依赖性而闻名。
2023-03-05 16:11:05
132
原创 KS-DETR学习笔记
缩放点积注意力对查询和键的缩放点积应用softmax函数来计算权重，然后将权重和值相乘。在这项工作中，我们研究了如何改进scaleddot产品注意力的学习，以提高DETR的准确性。我们的方法基于以下观察：使用地面真实前景背景掩码（GT-Fg-BgMask）作为权重/值中的附加线索，可学习者学习更好的权重/值；使用更好的权重/值，可以学习更好的值/权重。
2023-02-24 15:54:35
329
原创 SAM-DETR学习笔记Accelerating DETR Convergence via Semantic-Aligned Matching
SAM-DETR论文
2023-02-10 17:30:52
945
2
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人