- 博客(163)
- 资源 (14)
- 收藏
- 关注
![](https://csdnimg.cn/release/blogv2/dist/pc/img/listFixedTop.png)
转载 【深度学习笔记】卷积的输入输出的通道、维度或尺寸变化过程
转载自 CNN中卷积层的计算细节卷积层尺寸的计算原理输入矩阵格式:四个维度,依次为:样本数、图像高度、图像宽度、图像通道数输出矩阵格式:与输出矩阵的维度顺序和含义相同,但是后三个维度(图像高度、图像宽度、图像通道数)的尺寸发生变化。权重矩阵(卷积核)格式:同样是四个维度,但维度的含义与上面两者都不同,为:卷积核高度、卷积核宽度、输入通道数、输出通道数(卷积核个数)输入矩阵、权重矩阵、输出矩阵这三者之间的相互决定关系卷积核的输入通道数(in depth)由输入矩阵的通道数所决
2020-07-17 10:21:51
40061
11
![](https://csdnimg.cn/release/blogv2/dist/pc/img/listFixedTop.png)
原创 【深度学习笔记】亚像素 / sub-pixel、亚像素卷积
近段时间需要用到亚像素卷积的知识,因此上网查阅了论文和资料,此文是根据网上的博文以及相关论文,依据个人的理解整理而来。总而言之,拾人牙慧而已。Content1 亚像素的定义1.1 亚像素理解1.2 何谓亚像素?1.3 何谓亚像素精度?2 图像处理中的sub-pixel是什么意思?3 PixelShuffle参考文献1 亚像素的定义下面的内容引自1-21.1 亚像素理解在相机成像的过程中,获得的图像数据是将图像进行了离散化的处理,由于感光元件本身的能力限制,到成像面上每个像素只代表附近.
2020-06-20 14:32:56
24776
14
原创 【WACV2022】DAQ | 首尔大学首次为超分辨率网络提出逐通道分布自适应量化方法,效果显著
本文主要针对超分辨率网络的量化方法的现存问题进行了研究,主要是:常见的模型量化方法难以应用到像素级的超分辨率任务中,现有的SR量化方法通常会大幅牺牲网络的性能。因此,本文为像素级的超分辨率任务专门设计了一种新的超低精度但是很有效的量化方法。同时,作者还提出了自己的发现:在SR网络中的不同特征通道之间,其数据的分布式各不相同的。对此,文中提出了逐通道的分布感知量化架构。实验结果表明,与现有的量化方法相比,文中提出的DAQ架构大大降低了计算成本和对计算资源的需求,同时没有大幅损害SR网络的性能。
2022-09-26 23:25:53
1627
3
原创 【解决错误】NameError: name ‘Pipeline‘ is not defined -- nvidia.DALI
【解决错误】NameError: name 'Pipeline' is not defined -- nvidia.DALI。
2022-09-20 13:34:06
2871
原创 【解决错误】ModuleNotFoundError: No module named ‘progress‘
【代码】【解决错误】ModuleNotFoundError: No module named 'progress'
2022-09-20 13:08:01
3219
原创 【AAAI2022】FDIWN - Feature Distillation Interaction Weighting Network for Lightweight Image SR
本文主要针对基于CNN的SR重建方法的现存问题进行了研究,主要是:计算和内存开销过大,难以应用于实际场景。如何在轻量模型中充分利用好中间特征?针对上述问题,文章提出了一种轻量级特征提取交互加权网络。具体而言,FDIWN的骨干是堆叠而成。FSWG的构件是几个相同的。具体见下图WDIB的组件有:框架、单元、单元,以及一个单元。WIRW之所以叫 identical,是因为其中的跳跃连接上没有添加卷积。相比之下,WCRW的跳跃连接上是有卷积的,
2022-09-19 09:23:17
549
原创 【AAAI2022】Efficient Non-Local Contrastive Attention for Image Super-Resolution (ENLCA)
在第一节中已经阐述,再次不再赘述经典写法:某某机制/模块/网络流行,效果好,但是效果不好。文章针对不足之处,提出了某某模块。模块构成,以及各部分作用。额外用到的机制实验结果总结,比SOTA模型好。
2022-09-07 20:02:40
1309
原创 【模型量化】AIMET文档 - AIMET TensorFlow Quantization SIM API
#顶层API:量化模拟模型类QuantizationSimModel。量化和微调训练好的模型,以学习编码(即range learning)###将量化好的模型导出到目标部署机器的API。QuantizationSimModel类方法。###用于计算模型的编码的API。后量化以及微调(即QAT)
2022-09-02 23:57:45
930
原创 【解决错误】-bash: lspci: command not found
主要是解决错误:-bash: lspci: command not found
2022-08-26 15:57:14
10918
原创 CVPR 2021最全超分辨率论文汇总(附下载及源码链接)
欢迎订阅超分辨率论文解析专栏~标题(含pdf下载链接)来源简介源码Learning the Non-Differentiable Optimization for Blind Super-Resolution西电:惠政;重邮盲超分、不可微的评价指标未开源 【论文解析】Flow-based Kernel Prior with Application to Blind Super-Resolution张凯(SRMDNF)模糊核估计、基于流FKPAdderSR:
2022-05-19 16:52:41
667
原创 【错误解决】不同操作系统间conda环境迁移出现ResolvePackageNotFound错误
一、报错 在windows系统向Linux系统迁移conda环境的过程中执行生成的.yaml文件时出错, 执行命令是:conda env create -f py37.yamlCollecting package meatadata (repodata.json): doneSolving environment: failedResolvePackageNotFound: - qt=5.12.5=h7ef1ec2_0 - setuptools=46.4.0=py37hc8d
2022-05-15 15:53:12
2568
原创 CVPR 2022超分辨率论文汇总(附下载及源码链接)
本文会持续更新CVPR 2022年超分领域论文,附下载链接及源码,欢迎订阅~标题来源简介源码 High-Resolution Image Harmonization via Collaborative Dual TransformationsCVPR2022注意力机制CDTNetLocal Texture Estimator for Implicit Representation FunctionCVPR2022隐式表示函数LTEA Text Attenti
2022-05-14 14:41:37
8623
原创 【CVPR2021】Learning the Non-differentiable Optimization for Blind Super-Resolution(AMNet)
针对SR方法中的逐步迭代优化策略费时且计算量大的问题,作者提出了高效轻量的AmLayer作为模糊核预测器。针对盲超分与感知评价指标(如NIQE)不可微的问题,作者将强化学习首次引入到了SR任务当中。实验结果表明,文中提出的模型在图像保证度与感知指标两方面整体上均超越了SOTA方法。
2022-05-07 17:50:04
572
原创 【CVPR2021】Unsupervised Degradation Representation Learning for Blind Super-Resolution
内容导读文章针对盲超分,提出了一种无监督的降质表示学习方案,而无需进行显式的降质估计。具体而言,通过学习抽象表示,去区分表示空间中的各种退化,而非像素空间中的显式估计。文章提出了一个降质/退化感知(Degradation-Aware)网络——DASR。1、论文来源2021 CVPR,一作是国防科技大学在读博士生 王龙光论文下载链接源码下载2、摘要2.1 研究基本点现有的SR方法大多假设降质模型是固定且是已知的,比如bicubic、加性高斯白噪声或已知的模糊kernel等,但是当
2022-05-04 01:03:46
2095
原创 【持续更新】2022年超分辨率论文持续更新
本文会持续更新2022年超分领域比较优秀的论文,欢迎订阅~标题来源简介源码推荐指数 High-Resolution Image Harmonization via Collaborative Dual TransformationsCVPR2022注意力机制code8.5Deep Constrained Least Squares for Blind Image Super-ResolutionCVPR2022盲超分、最小约束二乘Local Textu
2022-05-02 16:11:58
2999
原创 【CVPR2021】AdderSR: Towards Energy Efficient Image Super-Resolution
目录1、论文来源2、摘要3、引言4、相关工作5、网络结构6、实验结果与分析6.1 消融实验6.2 与SOTA对比6.3 能耗分析7、结论8、点评1、论文来源CVPR2021,华为诺亚方舟实验室,华为去年在会议上发了30篇,恐怖如斯!!!论文下载链接源码2、摘要文章主要是使用加法网络(adder neural networks,AdderNets)来研究SISR任务。不同于CNN,加法网络是使用加法来计算输出特征,因此能够减少由乘法带来的大量的计算成本(由此可以看出该文旨在降低SR模型的能
2022-05-01 12:34:52
1715
原创 【Applied Intelligence2022】Single image super-resolution using global enhanced upscale network
本文主要对2022applied intelligence上的论文Single image super-resolution using global enhanced upscale network进行了详细解析,同时结合其创新性和现有工作对该文进行了整体讨论与点评。
2022-04-30 10:18:17
639
原创 【Applied Intelligence2022】Efficient residual attention network for single image super-resolution
本文主要对2022applied intelligence上的论文Efficient residual attention network for single image super-resolution进行了详细解析,同时结合其创新性和现有工作对该文进行了整体评价。
2022-04-29 15:04:20
2266
1
原创 【论文投稿】Hindawi旗下4区Mobile Information Systems(misy)投稿详细步骤
〇、期刊简介2021基础版中科院4区,需要2300刀APC,开源OA,审稿周期一个月左右一、选择期刊这个在misy期刊的主页点击submit跳转之后,复选框里面会自动填充期刊的名称,不用担心,当然,如果我们是直接从投稿系统开始投稿,那么就要自己填充完成的期刊名字~二、提交前相关信息确认这里主要就是一些必须知道的事项,即,• 文章处理费2300刀。• 所有作者均都已阅读并同意本当前版本的初稿。• 准备好所有作者的电子邮件地址。• 确认初稿文件是 Microsoft Word 或 Adob
2022-04-21 21:59:38
10445
78
原创 Sensors投稿详细步骤
一、上传初稿二、确认初稿的相关信息三、补充作者信息四、选择审稿人如果自己这边没有推荐的审稿人的话可以从期刊编辑委员会或者期刊审稿委员会中进行选择五、上载初稿六、确认并发送给编辑状态更新...
2022-04-20 22:19:43
9198
37
原创 C++的sort()函数实用小结
〇、前言在刷leetcode,sort函数是一个比较常用的方法,在之前都没有系统总结过用法,导致每次写代码都不够顺畅,拉低了解题速度,因此决定小结一下sort() 函数的用法,做下笔记,加深自己的印象一、sort函数定义(2种)包含于#include 头文件中,使用之前记得加上// version1,对 [first, last) 区域内的元素进行默认的升序排序,即使用 < 运算符template <class RandomAccessIterator> void s
2021-07-28 18:12:29
1649
原创 Leetcode300. 最长递增子序列(CPP)
一、题目300. 最长递增子序列给定一个整数数组 nums ,找到其中最长严格递增子序列的长度。子序列是由数组派生而来的序列,删除(或不删除)数组中的元素而不改变其余元素的顺序。例如,[3,6,2,7] 是数组 [0,3,1,6,2,2,7] 的子序列。二、题目分析模式识别:看到最长字眼,首先考虑使用动态规划的思想解题最值型+坐标型动态规划2.1 确定状态最后一步:在最优策略中,最长严格递增子序列一定存在着最后一个元素nums[i]。虽然我们不知道是哪个字符,但是肯定有最后一个元素
2021-07-27 16:02:18
623
原创 Leetcode198. 打家劫舍(CPP)
题目分析最值型题目,考虑使用动态规划编程class Solution {public: int rob(vector<int>& nums) { int n = nums.size(); if (n == 0) { return 0; } // 序列型动态规划 vector<long> f(n + 1); f[1] = nums[0];
2021-07-26 22:58:53
130
原创 Docker常见的基本命令用法小结(容器篇)
查看镜像列表命令格式:docker images用法示例:#pic_center给镜像添加标签(tag)命令格式1:docker tag SOURCE_IMAGE[:TAG] TARGET_IMAGE[:TAG]用法解释 :Create a tag TARGET_IMAGE that refers to SOURCE_IMAGE,也就是说创建的是一个副本,通过比较tag前后的镜像id即可验证。命令格式2:docker tag IMAGEID(镜像id) REPOSITORY:TAG(仓库:
2021-07-21 20:50:38
595
2
原创 Leetcode34. 在排序数组中查找元素的第一个和最后一个位置(CPP)
一、题目题目描述二、输入输出样例(覆盖各种情况)示例 1:输入:nums = [5,7,7,8,8,10], target = 8输出:[3,4]示例 2:输入:nums = [5,7,7,8,8,10], target = 6输出:[-1,-1]示例 3:输入:nums = [], target = 0输出:[-1,-1]示例 4:输入:nums = [0], target = 0输出:[0,0]示例 1:输入:nums = [5,7,7,8,8,8,8,10],
2021-07-21 10:07:36
146
原创 Leetcode437. 路径总和 III(CPP)
题目描述437. 路径总和 III题目分析模式识别:涉及到路径遍历的问题。方法:本文使用两种方法来解析该题,分别是纯粹的DFS,以及借助前缀和技巧的DFS方法一:纯DFS每一次都从一个结点开始,一路走到底,即碰到叶子结点就结束搜索(程序的出口),这样的话的使用两重递归。第一重递归:除了根节点外,还需要遍历根结点的左右子树,原因:因为题目不要求路径的起点一定要从根结点开始。第二重递归:原本DFS中就有的递归。编程(CPP)—方法一/** * Definition for a binary
2021-07-20 21:37:18
153
原创 Leetcode438. 找到字符串中所有字母异位词(CPP)
题目描述详见题目分析**模式识别1:**涉及到次数,或者频率,可以使用哈希表进行存储。**模式识别2:**涉及到字符串的匹配问题,可以考虑使用滑动窗口(双指针,两指针的距离恒定),提高效率。编程class Solution {public: vector<int> findAnagrams(string s, string p) { // 排除特殊情况 if (p.size() > s.size() || s.empty()) {
2021-07-20 11:35:35
142
原创 leetcode621. 任务调度器(CPP)
题目描述题目分析编程(C++)class Solution {public: int leastInterval(vector<char>& tasks, int n) { vector<int> nums(26); for (char ch: tasks) { nums[ch - 65]++; } sort(nums.begin(), nums.end());
2021-07-15 17:23:30
232
原创 word文档中实现目录索引中标题加粗,前导符和页码不加粗
思路首先我们要知道,目录跟随标题走。你要不想变请确定目录不变动后再改目录格式。否则更新后就前功尽弃。流程步骤一在正文中选中我们的标题(这里是我已经实现了的功能,即加粗了),如下图:在工具栏中的样式一栏中,右键对应的样式,如下图:修改样式,取消加粗(点击即可知道设置和不设置的区别,“B”按钮的颜色和背景不同,下图中是没有取消了的),如下图:点击确定即可。步骤2保存后选中标题手动加粗,然后在目录样式中取消加粗,再重新生成/更新目录即可实现加粗前:加粗后:更新/插入目录:...
2021-05-21 11:48:51
14925
1
原创 【解决错误】The size of tensor a (8) must match the size of tensor b (64) at non-singleton dimension 1
一、报错RuntimeError: Given groups=1, weight of size 64 64 1 1, expected input[16, 48, 40, 40] to have 64 channels, but got 48 channels instead二、原因 错误分析:这里面说的是要求输入的权重是[64,64,1,1],其中第二个维度的要求是64,但是给定的输入却是[16, 48, 40, 40],导致输入的第二个维度48和64不匹配。三、解决方案 一般出错都
2020-12-03 19:16:44
53309
原创 【解决错误】json.decoder.JSONDecodeError: Expecting value: line 11 column 14 (char 82)
一、源码{ "mode": "sr", "use_cl": true, "gpu_ids": [0, 1], "scale": , "is_train": true, "use_chop": true, "rgb_range": 255, "self_ensemble": false, "save_image": false, "datasets": { "train": { "mode": "
2020-12-02 21:58:53
6827
原创 【深度学习笔记】生成requirements.txt文件
〇、用途 python项目中必须包含一个 requirements.txt 文件,用于记录所有依赖包及其精确的版本号。以便新环境部署。一、生成requirement依赖pip freeze > requirements.txt二、安装requirement依赖pip install -r requirements.txt三、注意事项 上述这种生成方式,会将环境中的依赖包全都加入,如果使用的全局环境,则下载的所有包都会在里面,不管是不时当前项目依赖的安装包。四、另外一种生成方
2020-12-01 14:29:02
776
原创 【学习笔记】对vanilla的一些个人理解
一、释义二、个人理解在百余篇论文的阅读以及学习视频的观看过程中,我经常遇到vanilla这个单词,例如vanilla convolution是出现的最多次了,再如vanilla gradient descent等,在这些语境中,我个人的理解的vanilla是原始的 / 纯粹的 / 纯的 / 原来的 / 最初的 / 原始版本 / 普通的意思!!!比如原味奶茶就可以使用vanilla tea,直观理解就是:不添加任何的最纯粹的最原始的物体、概念或者结构,没有经过任何的修饰或者升级,或者是最初的版本即可称
2020-11-23 15:53:27
5363
5
原创 【Python学习笔记】深入剖析随机数种子
深入剖析随机数种子一、定义1.1 作用二、实战2.1 同样的随机数种子2.2 不同的随机数种子2.3 不指定随机数种子三、随机数列的大小是多少呢?3.1 设定为百万,没问题3.2 设定为千万,没问题3.3 设定为亿,没问题3.4 设定为十亿,没问题3.4 设定为百亿,内存不够!!3.3 设定为一万亿,内存更加不够!!!四、random模块中的随机数种子4.1 示例4.2 random模块与 numpy.random的对比一、定义 随机数就是就随机数种子中取出的数。种子就是个序号,这个序号交给一个数列管
2020-11-19 21:42:05
1931
NLP常用数据集.zip
2022-01-04
endnote x9 使用手册.7z
2021-05-20
Cpu-Z 是一款计算机的CPU检测软件
2020-11-15
一款轻量简洁的图片查看器
2020-11-15
OBS-Studio-25.0.8-Full-Installer-x64.exe
2020-06-07
雨梦OCR文字提取 V3.91.zip
2020-06-07
致研究生|耶鲁教授阅读量最多的忠告.pdf
2020-01-13
DIAG-NRE:A Neural Pattern Diagnosis Framework
2019-08-08
SCI分区.docx
2019-08-07
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人