图像图片处理_深度学习

weixin_ry5219775

已于 2022-08-11 22:12:08 修改

阅读量935

点赞数

于 2022-05-25 11:05:10 首次发布

本文链接：https://blog.csdn.net/kyle1314608/article/details/124962336

版权

20220811

图像数据增强：尺寸减小剪裁，水平翻转
在这里插入图片描述
中间和四个角分别裁剪，
水平翻转之后，再裁剪

rgb通道做协方差矩阵，减少受光照的影响的程度？
imagenet

20220714

在这里插入图片描述

20220621

opencv遇到错误error: (-215:Assertion failed) _src.empty() in function ‘cv::cvtColor‘的解决方案
https://blog.csdn.net/thy0000/article/details/122847280

perception loss:预测结果与vgg的某些中间层的特征图或者结果做loss来指导图片的生成

(ResUNet)作为基本的编码器-解码器结构。具体来说，我们构建了一个共享的编码器和多个解码器作为主体结构，每个编码器/解码器包含5个不同尺度的堆叠ResBlocks(每个尺度3个)来捕获多尺度特征。
Deep Residual U-Net
在这里插入图片描述
splitNet
https://blog.csdn.net/weixin_42096202/article/details/110623077

20220611

在这里插入图片描述
任何图形可以拆分成很多圆形的组合，复杂问题拆分成小问题的组合

在这里插入图片描述要求不同层的对应,可以先求一小片处的对应，因为这里是纹理分辨率高，所以是从大到小的空间映射，一个像素点对应很多纹理的点,纹理的变化可以看成是导数的变化

对应水印的mask:就是把除水印之外的所有地方进行遮挡
在这里插入图片描述
平移和缩放

在这里插入图片描述
噪声对图片的影响
白色的地方有黑点，黑色的地方有白点

在这里插入图片描述前景背景

低频滤波器：让低频分量通过
在这里插入图片描述 center是加偏置，scaler是乘系数，缩放

bias和gain(缩放)：仿射变换
在这里插入图片描述 swim-transformer

在这里插入图片描述 tensor遍历

在这里插入图片描述
空洞卷积：kernel_h-1：h个点能中间容纳多少个空格，dilation-1：每个空格容纳多少个新的元素

理解张量的维度时候，可以先忽略无关的维度比如【1,4 ，2,5 】理解425的时候，可以先不管维度1，认为其不存在
在这里插入图片描述
两个input通道，8个卷积核，两个卷积核形成一个输出通道
分组为1和2之后，分成了两组 1个input，2个卷积核，总的计算量减少2倍
本质上，通道之间的相互关系，考虑的少了，通道融合并不充分

在这里插入图片描述
上下左右填充
第一第二代表了 height的上下，第三，四代表了width的左右，后面是对channel和batchsize维度

一个通道的时候，bias是一个标量值
两个输入通道，一个输出通道的时候，把每个通道的输出对应位置相加之后再输出
训练目的就是要使的kernel的参数和图像的值越来越接近，预测的时候，如果图片的某部分数据
和kernel值越相近，则表明找到

卷积的weight就是kernal

在这里插入图片描述权重和baitchsize无关，因为是共享的

输出，输出通道数都是三的时候，有9个kenerl？kenerl和不同通道卷积的时候，所用的kenerl
里面的具体值是不相同的

在这里插入图片描述特征图和kenerl是两个不同的东西
绿色是输出，小字是kenerl
第一张特征图就是原图

在这里插入图片描述
pad是对上下左右都进行处理

kenerl数量等于input_channelxoutput_channel 却是是每个通道对应不同的kenerl
kernel也可以叫做滤波器
transformer特点和使用场景

20220607
领接矩阵：两个向量相乘，得到每个位置相对其他位置的相关性，transformer

dropout的作用是希望实现集成学习的特点
在这里插入图片描述并行计算：多个卷积核同时计算
长程：多层卷积
相对位置敏感：相对位置变化会影响效果
绝对位置不敏感：正，反，旋转后再卷积效果一样

在这里插入图片描述
seq2seq
对位置，顺序敏感结果不一样

在这里插入图片描述不是指对局部有效

在这里插入图片描述 decoder

在这里插入图片描述
没见过的句子长度也可以用已有的形式表示

transformer

除以8,64 = 512 保持计算量差不多？

1x1 pointwise_convolution和ffn差不多？但是1x1考虑了通道融合，ffn是embedding融合？
在这里插入图片描述

翻译任务的话，output输出的语言和input是不一样的

在这里插入图片描述
dk是方差，除以根号dk，使得方差等于1

不做改变的话，分布会很尖锐，使得分布更稳定，方差更小？，好像确实是，使得分母变大了，进一步说不要使雅克比矩阵其中某个导数等于零了，目的是使模型学的更好

平移不变性：从左到右，从右到左做卷积，结果是一样的
只是空间混合（group）：就是指的利用像素点的周围信息，也就是卷积核的作用，通道混合（1x1卷积）：就是指不同通道间信息的融合，相加等

point_wise和x本身的区别是point_wise是各个通道对应位置的融合，而x是不考虑通道间的融合，只是x第一个通道
point_wise：中间为1，其他地方都是0

x变成3x3的卷积,每个卷积在每个通道上只考虑一次，剩下的通道为全0

在这里插入图片描述权重矩阵 4x3xx3，图片的每个通道分别去和每个权重做滑动乘积

1x1和x本身扩展成3x3卷积

在这里插入图片描述 layer里面还可以包含很多的子层，子模块

在这里插入图片描述
权重输入通道为2，输出为4
https://blog.csdn.net/qq_26928055/article/details/117637017
表明输入通道由输入x决定，比如图像有rgb三通道,输出通道由卷积核个数决定
每个卷积核也有对应于每个输入值的通道数，
比如图像有rgb三个通道，卷积核对应也有三个通道
在这里插入图片描述
group操作

平移不变性：正面，反面，旋转之后再卷积结果不变？
point-wise 卷积：只把每个通道对应位置的点进行加权求和操作，周围的点不考虑，相当于nlp 通道融合
depth-wise ：groups设置成大于1的数

conv2d：group大于1,深度可分离卷积
在这里插入图片描述
conv2d第一位是batchsize,第二位是通道

https://blog.csdn.net/cxx654/article/details/109681004
group

我们进行了全面的消融研究，以调查我们网络中每个阶段和每个模块的益处。

https://baike.baidu.com/item/%E8%92%99%E7%89%88/1146926?fr=aladdin
蒙版
在这里插入图片描述图像数据增强

1x1的卷积的作用是把通道数转化为指定的数量

20220606

生成的分割掩码(白色:前景，黑色:背景)

patch（以像素为中心的区域）

，经过VGG16⽹络，得到特征map,然后将特征map上采样回去。再将预测结果和ground
truth每个像素⼀⼀对应分类，做像素级别分类。也就是说将分割问题变成分类问题，⽽分类问题正好是深度学习的强项。如果只将特
征map直接上采样或者反卷积，明显会丢失很多信息

每个子模块之后有一个通过max pool实现的下采样层。
分辨率通过上采样操作依次上升
下采样：分辨率逐渐降低，上采样反之

语义分割(Semantic Segmentation)是图像处理和机器视觉一个重要分支。与分类任务不同，语义分割需要判断图像每个像素点的类别，进行精确分割。语义分割目前在自动驾驶、自动抠图等领域有着比较广泛的应用。

VGGNet使用了Multi-Scale的方法做数据增强，将原始图像缩放到不同尺寸S，然后再随机裁切224′224的图片，这样能增加很多数据量，对于防止模型过拟合有很不错的效果。实践中，作者令S在[256,512]这个区间内取值，使用Multi-Scale获得多个版本的数据，并将多个版本的数据合在一起进行训练。

padding：指的是对矩阵在外边填充n圈，padding=1即填充1圈，5X5大小的矩阵，填充一圈后变成7X7大小；

去水印程序，数据中出现空值，导致报错值需要在0和1之间
这个时候很有可能是输入的图片有问题，如不支持png

每个迭代损失函数的变化不符合预期，可能是损失函数用错了

20220525

Patch是图像块的大小，比如说原图10241024，随机从图中裁剪出256256大小的块，就是patch。

Masking out non-watermark area helps to make
RefineNet avoid considering irrelevant parts and focus on
refining those necessary.

alpha matte：α 在图像领域通常表示不透明度

在这里插入图片描述
U-net架构(例如最低分辨率为32x32像素)。每个蓝框对应一个多通道特征图。通道的数量在方框的顶部表示。x-y尺寸在盒子的左下边缘。白盒代表复制的特征映射。箭头表示不同的操作
神经网络简单清晰的画法

The network architecture is illustrated in Figure 1. It consists of a contracting path (left side) and an expansive path (right side). The contracting path follows the typical architecture of a convolutional network. It consists of the repeated application of two 3x3 convolutions (unpadded convolutions), each followed by a rectified linear unit (ReLU) and a 2x2 max pooling operation with stride 2 for downsampling. At each downsampling step we double the number of feature channels. Every step in the expansive path consists of an upsampling of the feature map followed by a 2x2 convolution ( up-convolution ) that halves the number of feature channels, a concatenation with the correspondingly cropped feature map from the contracting path, and two 3x3 convolutions, each followed by a ReLU. The cropping is necessary due to the loss of border pixels in every convolution. At the final layer a 1x1 convolution is used to map each 64-component feature vector to the desired number of classes. In total the network has 23 convolutional layers.

DecompNet takes advantage of the
skip connections of U-Net to combine the low-level features
and the high-level features together, allowing the sharing
of global information and edge details between the input
and the output.