CV学习笔记
文章平均质量分 93
宅家懒人才顺
这个作者很懒,什么都没留下…
展开
-
高光谱图像的光谱超分辨(HSI-SR)
无监督的光谱超分辨创新点Coupled Unmixing Nets with Cross-Attention模型总览输入/出介绍基本假设退化假设混合假设约束网络架构双编码器Cross-Attention空间光谱一致性损失函数代码:GitHub论文:ECCV创新点提出了一个叫做 CUCaNet的无监督高光谱超分辨模型,将高光谱的物理混合特性建模进入网络。设计了一个交叉注意模块(Cross-Attention),可以提取HSI/MSI中的空间或者光谱信息到另一个分支,产生更充分的空间光谱信息混合。原创 2021-08-06 11:41:16 · 3474 阅读 · 0 评论 -
傅里叶变换,拉氏变换,Z变换学习笔记
傅里叶变换,拉氏变换,Z变换书写动机三角函数正弦波从正弦波到傅里叶“任何”周期信号都可以用一系列成谐波关系的正弦曲线来表示。分解原波即:当两个不同频率的正弦波相乘,对其周期求积分时,结果一定为0.也就是说,不同频率的正弦函数两两正交。拉普拉斯变换问题出现Z变换出现GSP前瞻边缘检测书写动机由于笔者为大一学生,并未学习过信号有关内容,但如今在阅读GSP(图信号处理)时不得不用到,因此在查阅了部分资料后,将自己想法与大佬们的想法整理成此文,以图加深记忆,作为笔记。Note:本文为个人笔记,如有侵权请联系我原创 2021-07-25 16:34:55 · 3452 阅读 · 1 评论 -
EGU-Net——端元导向的解混网络
EGU-Net 一个自监督光谱解混模型理解二级目录三级目录论文地址:论文代码地址:[代码](https://github.com/danfenghong/IEEE_TNNLS EGU-Net/)二级目录三级目录原创 2021-07-09 09:41:26 · 1573 阅读 · 0 评论 -
CV学习:李宏毅2021机器学习(3)
本周事情稍微有点多,因此稍微延缓了几天,下周就会恢复正常。这次主要是针对于CNN进行的总结,总体较为基础,有问题可以告诉我,我会第一时间更正。目录CNN(Convolutional Neural Network)卷积神经网络什么是卷积神经网络二级目录三级目录CNN(Convolutional Neural Network)卷积神经网络CNN是我们耳熟能详的图像处理架构,那么究竟什么是CNN,为什么要使用CNN,它在哪些领域具有不可替代性呢?下面就由我来简要介绍一下吧。什么是卷积神经网络对于一张1原创 2021-04-18 11:40:01 · 354 阅读 · 0 评论 -
CV学习:李宏毅2021机器学习(2)
上次读了前沿论文,发现确实水平远远不足,因此更加努力的看视频和学数学,希望后续能有所改善!本文主要总结关于神经网络训练不起来该怎么处理的问题进行论述,大家可以选择性观看!目录一级目录二级目录三级目录一级目录二级目录三级目录...原创 2021-04-11 11:33:50 · 1205 阅读 · 2 评论 -
Source-Free Domain Adaptation for Semantic Segmentation
目录摘要引言Knowledge Distillation(知识蒸馏)摘要该篇论文主要着手解决的问题是,由于一些场景中由于涉及隐私或商业用途而无法获得足够多的有标签图像,导致模型训练效果较差。而前人所给出的方法(如UDA)又大多依赖于足够多的有标记数据来适应这样一个转化的过程,而这又是一个非常消耗时间与人力的事情。因此作者团队采用SFDA方法,将过往复杂模型利用并转换到自己的模型中,只使用大量无标记数据,并且不依赖于大量Souce Model中的Data也可以自训练出较好的结果。引言如今,语义分割已经原创 2021-04-06 19:19:18 · 3045 阅读 · 5 评论 -
CV学习:李宏毅2021机器学习(1)
CV学习:李宏毅2021机器学习(1)当你需要对于某个领域进行深入研究之前,你最需要做的事情就是打好基础。这不仅意味着知识的积累,更是判断你是否真的对其感兴趣那么从本文开始,我将使用大概一个月的时间学习李宏毅老师于2021与2020对于Machine Learning以及Deep Learning的内容。本文将着重于其前两个Topic——Model训练与机器学习任务问题处理。本文目录:CV学习:李宏毅2021机器学习(1)Model的训练步骤寻找未知的FunctionLinear FunctionNo原创 2021-04-01 18:01:15 · 565 阅读 · 0 评论 -
CV学习笔记:综述论文赏析
581885# 学习目标:提示:这里可以添加学习目标例如:一周掌握 Java 入门知识学习内容:卷积神经网络研究综述论文学习笔记一. 引言部分二. 卷积神经网络概述(对各部分进行解释)三. 至今为止,对CNN进行的改进与尝试四. 训练模型的方法与开源工具五. 实际生活中的应用六. CNN参数设置的一些探索七. 总结八. 参考文献论文简介:以上,便是该篇论文的八个板块。本文从计算机视觉的历史出发,着重介绍了CNN各部分的作用与网络合理化设置的方法,之后点明了CNN后期进行的算法原创 2021-03-27 20:51:41 · 314 阅读 · 0 评论