深度学习
文章平均质量分 92
越溪
天行健 君子以自强不息
地势坤 君子以厚德载物
展开
-
个人Ubuntu安装配置
Ubuntu个人使用设置——(1)写在前面Ubuntu系统安装换源合理的创建标题,有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能,丰富你的文章UML 图表FLowchart流程图导出与导入导出导入写在前面作为...原创 2019-11-18 12:20:43 · 407 阅读 · 0 评论 -
深度学习(12)——用于对象分割和细粒度本地化的超列
用于对象分割和细粒度本地化的超列1、上采样2、超列3、网格分类器Hypercolumns for Object Segmentation and Fine-grained Localization1、上采样图像放大几乎都是采用内插值方法,即在原有图像像素的基础上,在像素点之间采用合适的插值算法插入新的元素。双线性插值是目前在语义分割中用的比较多的一种方式,比如FCN中就是用的这种方法。 ...原创 2019-03-02 11:27:35 · 2358 阅读 · 0 评论 -
深度学习(11)——DeepLab v1
DeepLab v1DeepLab 由谷歌团队提出的,至今有了四个版本,也就是v1-v4。其结合了深度卷积神经网络(DCNNs)和概率图模型。在论文《Semantic image segmentation with deep convolutional nets and fully connected CRFs》中提出,发表在 ICLR 2015 。论文的写作时间是2014年,当时深度卷积神...原创 2018-12-26 10:34:05 · 11789 阅读 · 8 评论 -
深度学习(10)——Deep Photo Style Transfer
深度学习(10)——Deep Photo Style TransferDeep Photo Style Transfer1、贡献基于Gatys等人的神经风格转换(NST)方法适用于艺术品风格,在真实照片上会由于“低级噪声”的影响产生像手绘的局部空间扭曲的效果。这篇论文的贡献之一就在于成功抑制了图像扭曲,将风格变换约束在色彩空间的局部仿射变换中。如图1所示,给定一个style图像(a)...原创 2018-12-08 16:45:09 · 1348 阅读 · 1 评论 -
深度学习(9)——无监督语义分割之全卷积域适应网络(译文)
无监督语义分割之全卷积域适应网络Fully Convolutional Adaptation Networks for Semantic Segmentation摘要深度神经网络的最新进展令人信服地证明了在大型数据集上学习视觉模型的高能力。然而,收集专家标记的数据集尤其是像素级注释是一个非常昂贵的过程。一个吸引人的选择是渲染合成数据(例如,计算机游戏)并自动生成基础事实。然而,简单地应用...翻译 2018-11-12 19:52:10 · 12678 阅读 · 4 评论 -
深度学习(8)——无监督语义分割之全卷积域适应网络(FCAN)
深度学习(8)——无监督语义分割之全卷积域适应网络(FCAN)Fully Convolutional Adaptation Networks for Semantic Segmentation篇文章发表在CVPR2018上,主要工作是提出了两种域适应策略,探索了如何使用合成图像提升真实图像的语义分割性能。讲解论文之前,我们先来看几个概念。域适应(Domain adaptation):...原创 2018-11-12 16:11:26 · 5401 阅读 · 3 评论 -
深度学习(7)——艺术风格的神经算法
艺术风格的神经算法 A Neural Algorithm of Artistic Style 译文,未校对 如有错误请见谅摘要在美术,尤其是绘画中,人类已经掌握了通过在图像的内容和风格之间构成复杂的相互作用来创造独特视觉体验的技能。到目前为止,该过程的算法基础是未知的,并且不存在具有类似能力的人工系统。然而,在视觉感知的其他关键领域,如物体和人脸识别,最近由一类被称为...翻译 2018-08-25 09:06:26 · 2210 阅读 · 0 评论 -
深度学习(6)——基于卷积神经网络的图像样式转换
基于卷积神经网络的图像样式转换 Image Style Transfer Using Convolutional Neural Networks 译文,未校正 如有错误还请见谅摘要以不同风格呈现图像的语义内容是困难的图像处理任务。 可以说,先前方法的主要限制因素是缺乏明确表示语义信息的图像表示,因此允许将图像内容与样式分离。 在这里,我们使用从针对对象识别优化的卷积神...翻译 2018-08-24 09:36:38 · 9640 阅读 · 2 评论 -
深度学习(5)——强度非均匀性下图像分割的水平集方法及其在MRI中的应用(下)
C.数值实现我们的方法的实现很简单。公式(22)和(26)中的水平集演化可以通过使用与[11]中提供的DRLSE相同的有限差分方案来实现。虽然我们使用一个简单的完整域实现来实现本文中提出的水平集方法,但值得指出的是,[11]中提供的DRLSE的窄带实现也可以用于实现所提出的方法,将大大降低计算成本并使算法明显快于完整域实现。在数值实现中,Heaviside函数HHH被近似为HHH的平滑函数...翻译 2018-08-21 10:49:37 · 4571 阅读 · 10 评论 -
深度学习(4)——强度非均匀性下图像分割的水平集方法及其在MRI中的应用(上)
强度非均匀性下图像分割的水平集方法及其在MRI中的应用摘要强度不均匀性经常出现在真实世界的图像中,这对图像分割提出了相当大的挑战。最广泛使用的图像分割算法是基于区域并且通常依赖于感兴趣区域中图像强度的均匀性,这通常由于强度不均匀性而不能提供准确的分割结果。本文提出了一种新的基于区域的图像分割方法,能够处理分割中的强度不均匀性。首先,基于具有强度不均匀性的图像模型,我们导出图像强度的...翻译 2018-08-21 10:48:17 · 3138 阅读 · 2 评论 -
深度学习(3)——生成对抗网络公式推导
生成对抗网络公式推导 本文仅是学习GAN时做的笔记整理,参考链接已在上篇文章列出,如有侵权请与笔者联系1. KL散度1.1 信息熵热力学中的热熵是表示分子状态混乱程度的物理量。香农用信息熵的概念来描述信源的不确定度。两个独立符号所产生的不确定性应等于各自不确定性之和在信源中,考虑的不是某一单个符号发生的不确定性,而是要考虑这个信源所有可能发生情况的平均不确定性。...原创 2018-08-21 10:44:07 · 4259 阅读 · 3 评论 -
深度学习(2)——生成对抗网络
深度学习(2)——生成对抗网络 译文,如有错误请与笔者联系摘要本文提出一个通过对抗过程来预测生成模型的新框架,其中我们同时训练两个模型:一个用来捕捉数据分布的生成模型G和预测样本来自训练数据而不是G的概率的判别模型D。G的训练目的是最大化D的判别出错概率。该框架实现了“二元极小极大博弈(minimax two-player game)”。在G和D的任意函数空间中,存在唯一解,...翻译 2018-08-21 10:39:40 · 19395 阅读 · 3 评论 -
深度学习(1)——CNN学习整理
CNN学习整理 本文只作为个人学习整理归纳总结,如有侵权请见谅算法原理概述 上世纪60年代,Hubel等人通过对猫视觉皮层细胞的研究,提出了感受野这个概念,到80年代,Fukushima在感受野概念的基础之上提出了神经认知机的概念,可以看作是卷积神经网络的第一个实现网络。第一个卷积神经网络模型名为LeNet。卷积神经网络(Convolutional Neural Network,CNN)是一原创 2018-05-06 11:01:27 · 1553 阅读 · 0 评论