Hungryof的专栏

论文：Informer: Beyond Efficient Transformer for Long Sequence Time-Series Forecastingtransformer主要是增强网络的全局信息利用能力。因为普通的卷积网络都是local信息利用，其在全局信息利用上存在不可避免的短板。所以才会有类似non-local attn的存在。 transformer里面的核心就是attn，一般来说，A(qi,K,V)=Softmax(QKTd)V\mathcal{A}(\mathbf{q}_i,

总说作为从来没有接触过序列预测的我来说，看到这个是有点难度哈。然而经过我钻研了几天，终于基本看明白。太有意思了！！！！！！！！！！！！！论文主要是，根据已有的数据，显示地估计出内在的离散的graph结构，用graph结构作为引导，更好的进行序列预测，而且全程是无监督的方式，来获得graph。其实普通的预测序列的模型，比如LSTM之类的也可以预测，这种方法是隐式学习graph的方法。另外，稍微说一句：由于encoder要预测的graph是一个概率分布（就是每个节点右边的概率），但是预测出来的就只能是离

总说只是随意看了看名字，下载了几篇论文读读，方向很局限。（待更新，最近更新 2019-11-21）Content and Style Disentanglement for Artistic Style Transfer

文章列表：Active Convolution: Learning the Shape of Convolution for Image Classification这篇文章首先将卷积进行参数的拓展，之前都是直接学习权重就是了。之前的卷积都是fixed的采样。比如3*3，就是采样与window中心点相对位置一样的9个点。即：Y=W∗X+bY=W*X+bY=W∗X+bym,n=∑c∑i,j...

总说这里主要讲解Inpainting的主要发展历程。从2001年到2014年的图像填充方法概述。

总说这篇论文是基于CoGAN的，下面是总体结构图： 文章假设来自两个不同domain的同种语义的图片具有相同的latent vector。比如白天的上海滩与黑夜的上海滩，都是上海滩（高层语义一致，即latent vector一致），而这种语义特征再经过解码成具体的表现形式（底层网络用于语义的具体表现形式）。 因此网络设计如下： E1E_1和E2E_2的高层网络进行共享（具有相同的语义），得

猫变狗的语义GAN生成

总说简单来说，这个其实类似 Deep photo吧，都是加了分割mask的。和Deep Photo的区别就是，那么仍旧采用Gram-matrix-matching的方式进行style loss的计算。这个采用的是CNNMRF的style loss。 框架也是一样，采用一个能提取特征的model，一般就选VGG19了。然后在隐藏层上进行一些loss的计算。主要是content loss和styl

根据文字描述生成对应的图片

像素级别的属性转换

DistanceGAN, 这篇论文related work写的不错。。。

总说主要从几个方面来进行说明吧 - 加快transfer的速度 - 让transfer的效果看起来更加visual-pleasing - 其他的一些方面 - 用GAN来做加快style stransfer 谈谈图像的Style Transfer（一） 这里写了 Neural style以及fast neural style。 在超越fast style transfer—-任意风格图和内

给定任意风格图与内容图，0.1秒实现风格转换。

总说最近更新：17-5-9 增加Neural style使用Gram矩阵的前提工作其实这个方向火起来是从2015年Gatys发表的一篇文章 A Neural Algorithm of Artistic Style, 当然了，当时新闻报道还是很标题党的，看的我热血沸腾。。言归正传，虽然只过了短短一年多，但是相关的论文已经有二三十篇了，这些论文在原有的基础上进行了极大的扩展。从最初的Neural

Going Deeper with ConvolutionsRethinking the Inception Architecture for Computer VisionDeep Residual Learning for Image RecognitionInception-v4,Inception-ResNet and the Impact of Residual