- 博客(7)
- 资源 (2)
- 收藏
- 关注
RSS订阅原创 AMD的GPU拿来跑深度学习？Rocm3.0&Pytorch@Ubuntu16编译实录
折腾了一周了吧，终于是在自己的电脑上编译完成，并且可以跑通Pytorch训练代码了。我也是小白一个，如果有专业词汇使用不当，还请见谅。编译过程参考了官方编译文档, JC大神的博文以及github里面的一些Issue集合而成。向他们表示诚挚的感谢。简单介绍一下硬件：CPU ：I5 9400FGPU：AMD Radeon VII内存：64G软件环境：Ubuntu 16.04 LT...
2019-12-22 17:05:12
14511
3
转载 PyTorch —— 神经网络权重初始化
权重初始化神经网络从错误中学习，但是错误要能够被定位到。如果不能定位到错误那么就无法改正。对于神经网络中的参数来说，如果所有参数全部一样（比如初始化为全0），那么就面临一个问题：梯度往哪里下降是最快呢？？看一个例子神经网络很难判断哪些权重需要更改，因为每个层级的神经元输出是一样的。为了避免神经元具有相同的输出，我们使用独特权重。我们还可以随机选择权重，避免每个周期后的损失都陷于局部最低点...
2019-05-16 10:07:35
5972
翻译 基于循环反投影网络(RBPN)的视频超分辨笔记
Recurrent Back-Projection Network for Video Super-Resolution作者：Muhammad Haris, Greg Shakhnarovich, and Norimichi Ukita作者提出：流行的MISR或者VSR方法一般都是基于准确的运动估计和运动补偿（alignment），这个模式受到运动估计准确度的约束。RBPN希望改进这个模...
2019-05-05 16:15:41
4252
2
原创 基于深度反投影(Back-Projection)网络的图像超分辨
Deep Back-Projection Networks For Super-ResolutionGoogle机翻:用于超分辨率的深背投影网络背景：SR方面的深度学习方法都是前馈的（当时），因此没有充分利用到高低分辨对的相互依赖关系。作者提出通过将多个上下采样块级联，可以更好地学习到高低分辨对的特征，而且级联的上下采样块还可以表征不同的图像劣化方式和高频分量。通过堆叠(concaten...
2019-05-05 10:03:27
3970
翻译 细节还原视频超分辨
Detail Revealing Video SR （SPMC）SPMC - Sub-pixel Motion Compensation运动补偿的作用大的运动有助于定位小的运动有助于恢复细节增进运动补偿可以有效提高SR的效果SPMC的玩法可见，SPMC层不存在可训练参数图像的前向warp 和 后向warpSubpixel的玩法和ESPCN是一致的 根据光流F的指示...
2019-04-29 11:09:28
1613
翻译 基于深浅卷积网络的端到端图像超分辨
End-to-End Image Super-Resolution via Deep and Shallow Convolutional NetworksIEEE access结构和思路非常简单的一个网络：两个分支。浅层分支只有极少量的层，每个层包含极少的卷积核。深层分支包含丰富的卷积核和卷积层。两个分支所有分支都包含：特征提取层以前的（废话）：一二阶梯度...
2019-04-29 11:07:06
939
2
翻译 基于非同步全循环卷积网络的视频超分辨
Video Super-Resolution Using Non-Simultaneous Fully Recurrent Convolutional Network2019的VSR方向的许多文章应用了recurrent的思想，可能是最近起源于2017年的frame recurrent (FRVSR) .本文主要的几点:运动补偿极深的全循环卷积层信息融合残差连接(shortcut...
2019-04-29 10:54:09
546
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人