填坑日记
文章平均质量分 52
lct不吃香菜
这个作者很懒,什么都没留下…
展开
-
【特征可视化】超分辨率中的可视化特征图
超分或者图像任务中常用的特征可视化转载 2023-02-23 14:36:46 · 609 阅读 · 0 评论 -
【做图工具】MulimgViewer 论文图像处理神器
Layout部分Row代表行数,,NumperImg代表列数 Vertical控制放大图片垂直展示 OneImg,可以控制几张图像合成一张图像,Crtl+r刷新。 ShowImg表示显示原图,show+放大镜表示显示放大图 通过Gap的第三个参数可以调整横向图中间的空白间隙,第四个参数可以调整上下图之间的间隙BOX部分Inimg表示小红框在图内显示, in表示放大的图的框是红色的, right bottom表示右下角,其余类似, width表示框的粗细 选中select...原创 2022-03-25 10:13:56 · 2098 阅读 · 0 评论 -
【可视化工具】t-SNE Pytorch(可视化两个图片数据集合的差异)
import osimport numpy as npimport cv2from time import timeimport numpy as npimport matplotlib.pyplot as pltfrom mpl_toolkits.mplot3d import Axes3Dfrom sklearn import datasets #手写数据集要用到from sklearn.manifold import TSNE#该函数是关键,需要根据自己的数据加以修改,将图片存到一个.转载 2022-03-05 21:51:10 · 5314 阅读 · 1 评论 -
盲超分中的核估计实现有关函数
以MANet代码为例class MANet_s1(nn.Module): ''' stage1, train MANet''' def __init__(self, in_nc=3, out_nc=3, nf=64, nb=10, gc=32, scale=4, pca_path='./pca_matrix_aniso21_15_x2.pth', code_length=15, kernel_size=21, manet_nf=256, manet_原创 2022-03-01 21:41:13 · 2387 阅读 · 0 评论 -
一些有用的basicblock
from collections import OrderedDictimport torchimport torch.nn as nnimport torch.nn.functional as F'''# ===================================# Advanced nn.Sequential# reform nn.Sequentials and nn.Modules# to a single nn.Sequential# ===============.原创 2022-03-01 11:44:27 · 2737 阅读 · 0 评论 -
大核注意力Large Kernel Attention(LKA)
这种分解方式也被叫做大核注意力(Large Kernel Attention),即LKA。如上图所示,一个很大kernel size的卷积被分解成一个Depth-wise卷积+一个Depth-wise空洞卷积+一个1× \times× 1卷积。这样,就可以大大减少FLOPs和参数量。很有效地解决了小核卷积的local性。class AttentionModule(nn.Module): def __init__(self, dim): super().__init__()...原创 2022-03-01 11:01:05 · 6540 阅读 · 5 评论 -
torch.roll图片实验
torch.roll(input, shifts, dims=None) → Tensorinput为输入张量,shifts表示要滚动的方向。负数表示左上,正数表示右下。dims表示要滚动的维度。比如,我要把一张图片从左边变换到右边:torch.roll(img, (-120, -120))、可以看到猫的图像整体往左上移动了120个单位,而移动的部分会在移动方向相反的地方补足。代码示例如下import torchimport numpy as npimport cv2impo.原创 2022-03-01 09:02:47 · 392 阅读 · 0 评论 -
pytorch中nn.Dropout的使用技巧
x = torch.randn(20, 16)dropout = nn.Dropout(p=0.2)x_drop = dropout(x)那么,这个操作表示使x每个位置的元素都有一定概率归0,以此来模拟现实生活中的某些频道的数据缺失,以达到数据增强的目的。每个频道的数据缺失相互独立,以服从伯努利分布的概率值p来进行随机变为0。也就是说在一张完整特征图中,随机失活一些像素点,以生成残次的特征图,这就是“模拟现实生活中的某些频道的数据缺失”。一句话说明:一个筛子提取特征成为一张纸,一张纸dr.原创 2022-02-28 22:37:27 · 871 阅读 · 0 评论 -
神经网络训练tricks
1、先别着急写代码训练神经网络前,别管代码,先从预处理数据集开始。我们先花几个小时的时间,了解数据的分布并找出其中的规律。比如何凯明发现暗通道去雾算法。一旦从数据中发现规律,可以编写一些代码对他们进行搜索、过滤、排序。把数据可视化能帮助我们发现异常值,而异常值总能揭示数据的质量或预处理中的一些错误。2、设置端到端的训练评估框架下一步是建立一个完整的训练+评估框架。这个阶段的技巧有:· 固定随机种子使用固定的随机种子,来保证运行代码两次都获得相同的结果,消除差异因素。· 过拟合原创 2022-02-28 19:52:54 · 2506 阅读 · 0 评论 -
imgaug
数据增广库。pip3 install git+https://github.com/aleju/imgaug #从github安装pip3 install Augmentor –user #pip直接安装该数据增强库也非常容易上手,加入我们已经读取了二维的图像数据,记为images,images应该有四个维度,分别为(N,height,weidth,channels)就是图像数量,图像高度,图像宽度,图像的通道(RGB)。如果是灰度图的话,也必须为四个维度,其中channels为1。数据必..原创 2022-02-28 17:26:24 · 144 阅读 · 0 评论 -
cProfile——python性能分析
写代码经常会听说一些名词,比如 性能分析、代码调优。cProfile 是 python 代码调优的一种工具,它能够统计在整个代码执行过程中,每个函数调用的次数和消耗的时间。这个工具虽然很常用,但是没必要花太多时间研究这个工具,简单使用就能达到效果,所以我这里只简单记录下核心用法。两种使用方式cProfile.run('func(arg)') # 调优函数,在脚本中使用python -m cProfile myscript.py (-s ziduan) # 调优脚本,转载 2022-02-28 16:33:55 · 2121 阅读 · 1 评论