Paper Reading
guyii54
落英缤纷忘了路
展开
-
[论文阅读-Contrastive Learning(3)] 2020 arXiv SimCLR
2020 arXiv A Simple Framework for Contrastive Learning of Visual Representations动机该文章算一个总结性的文章,对目前contrastive learning中常见的一些模块方法进行了比较,说明了最重要的三个模块:data augmentation、net architecture、loss function方法作者首先给出了一个对比学习的总体框架:T是数据增广方式,f是特征提取器,g是两个MLP,用来把特原创 2020-12-23 14:34:16 · 246 阅读 · 0 评论 -
[论文阅读-Contrastive Learning(2)] 2018 CVPR Unsupervised Feature Learning via Non-Parametric Instance..
2018 CVPR Unsupervised Feature Learning via Non-Parametric Instance Discrimination动机首先这篇文章的任务是做一个无监督的分类,也就是只考虑一个新来的例子是否类似于已有的某个例子(图片),而不考虑语义上它属于哪个分类,说白了也就是新来一张图像,它的特征和哪张现有图像的特征最像。其次这篇文章用无监督的方法,重点在学习一个特征提取器,使得相似图片的特征更相关,不相关图片的特征更不相关。第三,这篇文章提出了几种特别有名原创 2020-12-23 14:31:09 · 450 阅读 · 0 评论 -
[论文阅读-Contrastive Learning(1)] 2006 CVPR Dimensionality Reduction by Learning an Invariant Mapping
前言:最近在阅读近几年来CV领域无监督学习的主流方法,想把一些无监督领域的思想引入到我做的底层图像复原中来,克服实测数据难以解决的问题。对比学习(Contrastive Learning,后面统一简称CL)当属目前最火的无监督学习方法之一,因此最近的论文阅读以CL为专题,首先阅读CL的原理,主要是CL一些baseline的方法,后面阅读CL是如何在各个任务中的应用的。动机这篇文章应是contrastive learning的起源,该文章的目的是做特征降维,类似于LLE、tSNE等方法,解决他们存在的原创 2020-12-23 14:26:10 · 477 阅读 · 0 评论 -
图像去雨实测数据集汇总
数据集名称图像视频拍摄场景Rain80050WildRain100~100WildIVIPC_DQA206WildSPA29500Small PatchRID&RIS2495&2348Driving&SurveilanceSPAC7WildD3R10WildAAU22SurveillanceTotal3473539...原创 2020-12-18 17:01:54 · 6283 阅读 · 0 评论 -
[论文阅读] Attention is all your need(从CV角度看Transformer)
动机这篇文章做的任务是机器翻译。而前面使用广泛的RNN等网络只能对距离较近的词建模较高的关联性,而这篇文章提出一个名为Transformer的网络,具有self-attention机制,能对所有词进行关联性学习,无论远近。方法从CV的角度看,Transformer(后面称trans)和SENet有些像,其本质是在做特征的重标定,让特征中相关性更强的特征有更多的注意力。是一个很好的特征提取器。例如I arrived at the bank after crossing the river.这句原创 2020-12-08 20:45:49 · 300 阅读 · 1 评论 -
[论文阅读] Deep Image Prior
动机这篇文章说明了一个很有意思的观点,即:网络对自然图像有天然的低阻抗,对不规则噪声等具有天然的高阻抗。而网络的这一特性与网络参数,或者说学习,是无关的。我们平常认为的网络学习是两部分构成,一部分是网络的结构,参数随机的网络结构本身就能够作为较强大的先验提取器,有能力从中提取出图像信息,而过滤掉噪声信息。另一部分则是通过对数据进行学习,即对网络参数权重进行优化,从而让这一先验变得更强大。作者的工作主要讨论了第一部分,网络本身结构就可以作为强大的先验提取器(而无需训练),提取有用信息,过滤噪声信息。作原创 2020-12-08 20:42:49 · 699 阅读 · 0 评论 -
[图像处理]高底层任务结合论文归档
高层任务如Recognition, Detection, Tracking, Segmentation等,底层任务如Derainning, Denoising, Deblurring等等。高底层任务长期以来都是相对分离的两个领域,分开来进行研究。近期越来越多的研究提出,以PSNR, SSMI等指标评价的底层任务并不一定能很好的为高层任务服务。那么,什么样的去雨、去雾、去噪结果才是高层任务真正想要的...原创 2020-03-02 21:16:17 · 456 阅读 · 0 评论