- 博客(3)
- 收藏
- 关注
RSS订阅原创 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