论文笔记
Deephome
know yourself, know the world.
展开
-
AlexNet笔记
1. 简介AlexNet是Hinton小组在ISVRC2012中使用的神经网络模型,并获得了第一名,top5测试错误率是15.3%,第二名是26.2%。AlexNet有60M个参数,650,000个神经元,5个卷积层和3个全连接层(1000类的softmax分类器)。AlexNet模型在两个GTX 580 3GB GPU上训练5、6天左右,如果有更大的数据集和更高效GPU出现,结果还会更好。 贡翻译 2017-02-19 22:08:40 · 10053 阅读 · 2 评论 -
VGGNet笔记
1. 简介VGGNet由牛津大学的视觉几何组(Visual Geometry Group)提出,是ILSVRC-2014中定位任务第一名和分类任务第二名。其突出贡献在于证明使用很小的卷积(3*3),增加网络深度可以有效提升模型的效果,而且VGGNet对其他数据集具有很好的泛化能力。如今,卷积神经网络已经成为计算机视觉领域的常用工具,所以有很多人尝试改善2012年提出的AlexNet来实现更好的效果。翻译 2017-03-18 20:06:30 · 47791 阅读 · 1 评论 -
GoogLeNet笔记
1.介绍GoogLet是ILSVRC-2014分类任务和目标检测任务的冠军,又称为Inception-v1,有22层。在增加网络深度和宽度的同时,能够保持计算预算恒定。2.NiN自从LeNet以来,卷积神经网络有个主流的结构是一系列卷积层(+normalization/max-pooling)和全连接层,这样的结构在MNIST和Cifar等数据集上取得了很好的结果。对于像Imagenet这样的大数据原创 2017-04-07 21:00:50 · 718 阅读 · 0 评论 -
[论文笔记] Deep image prior
Deep image prior阅读笔记论文:《 Deep image prior 》 项目主页:https://dmitryulyanov.github.io/deep_image_prior1. Introduction(介绍)CNN在图像生成和图像复原任务中应用广泛,效果好有种解释是因为CNN能从大量数据中学到真实图像的先验知识,强调的是大量数据和学习能力,但是这种解释原创 2018-01-18 12:23:10 · 8488 阅读 · 1 评论 -
[论文笔记]Meta-SR: A Magnification-Arbitrary Network for Super-Resolution(CVPR2019)
在本文中,旷视研究院提出一种全新方法,称之为 Meta-SR,首次通过单一模型解决了超分辨率的任意缩放因子问题(包括非整数因子)。Meta-SR 包含一种新的模块——Meta-Upscale Module,以代替传统的放大模块(upscale module)。Meta-SR利用采样核动态上采样,由于SR尺度不一,所以针对不同的分辨率需要特定的采样参数,这些采样参数又Meta upscale m...原创 2019-04-01 16:28:56 · 949 阅读 · 0 评论 -
[论文笔记]Unsupervised Domain-Specific Deblurring via Disentangled Representations(CVPR2019)
1. 简介文章提出了一种基于解缠表示的无监督域特定图像去模糊方法,通过将模糊图像中的内容和模糊特征解开,以将模糊信息准确地编码到去模糊框架中。2. 方法2.1网络结构:2.2 损失函数1)对模糊编码的隐空间进行约束,参考VAE, p(z)∼N(0,1),KL 散度2)GAN的对抗损失,两个Generator有各自对应的损失函数,以GsG_sGs为例3)循环一致损失,参考Cy...原创 2019-04-01 15:56:16 · 2186 阅读 · 1 评论 -
[论文笔记] Learning Parallax Attention for Stereo Image Super-Resolution (CVPR2019)
1. 简介本文出自国防科大,提出了一个立体图像超分辨率重建的方法,主要创新点是基于视差的注意力机制 parallax attention,来建模立体图像的对应关系。另外,采用Residual ASPP 提取丰富的上下文特征,这种大感受野和多尺度的特征学习可以提取更有辨别力的特征。首先分别提取两图像特征,然后PAM计算相似性和对齐,最后聚合特征,生成SR。2. 方法2.1 视差注意力 pa...原创 2019-04-11 22:10:46 · 3712 阅读 · 0 评论