深度学习
文章平均质量分 77
CHNguoshiwushuang
这个作者很懒,什么都没留下…
展开
-
阅读论文《 Real-Time Neural Style Transfer for Videos》
这是2017腾讯AI Lab的一篇论文,当前阶段主要关注空间上图像质量的风格转换,对于时间方面的后续在做视频时再补充。空间风格转换 和DPED一样,论文的idea是将网络分成了生成网络和损失网络两个部分,生成网络用来生成图片,损失网络用来产生损失函数方便训练。下面对这两个部分分别介绍一下:生成网络部分 在生成网络部分,这里应该是用了之前一些论文的思想,使用三个卷积层先将图像分辨率降为原来的四原创 2018-03-29 15:46:35 · 1320 阅读 · 0 评论 -
cycleGAN
传统GAN的原理已经了解,写博客还是为了学习新东西,cycleGAN网上已经有了很多介绍,这里也是参考别人写的东西,自己再学习了解。 cycleGAN个人感觉主要可以用于风格迁移,可以用来处理图像转换过程中数据unpair的问题。其本质是两个对称的GAN,构成一个环形网络。两个GAN共享两个生成器,并各自带一个判别器,即总共两个判别器和两个生成器。其基于的原理是,一个A类型的图片,经...原创 2018-07-27 22:12:18 · 5638 阅读 · 2 评论 -
常见的图像分割网络了解(上)
虽然本人目前的方向是图像增强,但是个人感觉还是要多了解别的方向的东西,有些思路可以借鉴到后面的工作中。这里简要参考别人的博客来了解一下常见的图像分割网络的结构和原理。FCN 这是最早用来做分割的网络了。FCN的原理就是,将传统的CNN用于分类的全连接层转换成卷积层,具体操作是将最后的全连接层变成核大小为1的卷积层,即卷积核的大小(通道数,宽,高)分别为(4096,1,1)、(...原创 2018-08-05 21:09:20 · 6891 阅读 · 0 评论 -
常见的图像分割网络了解(中)
RefineNet 这个网络主要针对使用膨胀卷积在不进行下采样扩大感受野出现的限制(限制高层特征和输出尺度只能为输入的1/8,膨胀卷积导致严重的细节损失),以及FCN8-s不能有效利用中间层信息。这里认为所有层的信息对于语义分割都是有帮助的。高层的信息识别图像的区域类别,底层有利于保留轮廓、细节等信息。RefineNet结合这些特征进行设计。 网络结构如下所示,这里主要是将不同分辨...原创 2018-08-11 22:32:12 · 1807 阅读 · 0 评论 -
常见的图像分割网络了解(下)
deeplab-v3 在看deeplab-v3之间简要了解一下deeplab-v1和deeplab-v2网络。deeplab-v1网络主要是在保持feature map不变小的情况下,尽可能的增大感受野,这里采用了空洞卷积的方法,最后加上全连接的条件随机场进行优化。 deeplab-v2主要是参考了多尺度在深度学习里的优点,设计了不同的空洞卷积核,从而获得不同的感受野,如下图所示:...原创 2018-08-18 18:30:23 · 2653 阅读 · 0 评论