- 博客(3)
- 收藏
- 关注
原创 语义分割:Performance Prediction for Semantic Segmentation by a Self-Supervised Image Reconstruction Deco
然而,这并不构成问题,因为在实际使用情况中,我们可以考虑高阈值θ,并在PSNR>θ时丢弃mIoU,因为平均而言,对于高PSNR,我们期望高mIoU。考虑到在编码器中得到的代表性特征在语义分割中的关键性作用,我们先训练公共的编码器,然后训练重构解码器,而不是相反的顺序。是由于附加的横向编解码器连接,因为把后者加上一个横向编码解码器之后结果就变好了,它可以更好的支持图像的重构。,ϵ用来表示输入扰动的强度,下标ϵ表示平均失真强度,不同类型 的扰动在同一ϵ下,信噪比是一样的。这也印证了之前对于干净图片的地相关性。
2023-04-25 15:20:35
108
3
原创 语义分割:Performance Prediction for Semantic Segmentation by a Self-Supervised Image Reconstruction Deco
通过自我监督的图像重构预测语义分割性能PPT
2023-04-25 14:48:30
56
1
原创 community detection:VGAER论文学习笔记
有了均值和方差后,我们就能唯一地确定一个多维高斯分布,然后从中进行采样以得到节点的向量表示Z,也就是说,通过两个GCN我们得到了所有节点向量的均值和方差,然后再从中采样形成节点向量。然后,我们使用两个图神经网络µ=GCNµ(B,A)和log σ = GCNσ(B,A)作为编码器,以拟合节点i的平均向量µ和标准差向量σ。第二部分:第二部分表示利用GCN得到的分布q与标准高斯分布p(Z)间的KL散度,也就是要求分布q尽量与标准高斯分布相似,越相似,该部分值越小。同一社群连接越多,Q越大,模块化越好。
2023-04-23 17:03:11
265
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人