[cv] Image Convolution and Edge Detection (2nd)

最新推荐文章于 2024-06-04 09:55:47 发布
最新推荐文章于 2024-06-04 09:55:47 发布
阅读量708 收藏
点赞数
分类专栏： computer-vision 文章标签： cv matlab
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/myjiayan/article/details/75331767
版权


Non-max supression:


Edge Linking










canny edge detection







image pyramids




sub-sampling



image reduce





image expansion



laplace pyramid

origin picture - smoothed picture


this is called laplacian image.


laplacian image - defination


how to get laplacian picture



reconstruct







matdodo
关注
专栏目录
Relational inductive biases, deep learning, and graph networks（关系归纳偏差、深度学习和图形网络）
weixin_41697507的博客
07-15 4991
Relational inductive biases, deep learning, and graph networks Peter W. Battaglia1, Jessica B. Hamrick1, Victor Bapst1, Alvaro Sanchez-Gonzalez1, Vinicius Zambaldi1, Mateusz Malinowski1, Andrea Tacche...
Laplacian of Gaussian
I am Rocky
08-03 3180
http://homepages.inf.ed.ac.uk/rbf/HIPR2/log.htm Laplacian/Laplacian of Gaussian Common Names: Laplacian, Laplacian of Gaussian, LoG, Marr Filter Brief Description The Laplacian is a 2-
论文阅读《Edge Detection Using Convolutional Neural Network》
努力学挖掘机的李某某的博客
09-14 2732
Abstract： 提出了一个基于CNN的边缘检测算法，可以直接得到图像块是否为边缘的预测。 Introduction： 1.传统的方法：基于梯度，假设不同的物体之间存在较大的梯度，相同物体内的梯度较小，但是现实情况下很多时候这个假设不成立，因此考虑用学习的方法。 2.之前的学习方法：学习能力不够，无法直接根据原始图像块进行边缘检测，需要进行许多颜色和梯度的特征提取来表征原图像，很复杂而且
推荐系统笔记（十七）：对超图、超图卷积、超图注意力的初步理解和应用（HyperGCN）
qq_46006468的博客
08-19 1万+
对于我们熟悉的图而言，它的一个边(edge）只能和两个顶点连接；而对于超图来讲，它的边(这里叫超边，hyperedge)可以和任意个数的顶点连接。每个边所包含的顶点个数都是相同且为k个的，就可以被称为k阶超图。2阶超图就是我们平时所见到的图，因为我们平时的图由线条(edge，边)和点(vertice，顶点)构成，每条线都只包含两个点，所以这是符合2阶超图的定义的。超边的构建，将具有同一个属性的样本归到同一条超边里。
Hypergraph Convolution and Hypergraph Attention笔记
ZG
11-21 295
本文在图神经网络族中引入了两个端到端可训练算子，即超图卷积和超图注意力。超图卷积定义了在超图上执行卷积的基本公式，超图注意力通过利用注意力模块进一步增强了表示学习的能力。CNNs（卷积神经网络）持有一个极其严格的假设，即输入数据应具有规则的网格状结构。这种限制阻碍了细胞神经网络在不规则结构数据广泛存在的许多任务中的推广和应用。为了处理普遍存在的不规则数据结构，人们对图神经网络GNN越来越感兴趣，这是一种利用图数据学习深度模型的方法。大多数现有方法都假设感兴趣对象之间的关系是成对的，而实际情况复杂得多。
基于动态超图卷积的地铁客流预测
zuiyishihefang的博客
03-08 1272
1.文章信息《Metro Passenger Flow Prediction via Dynamic Hypergraph Convolution Networks》，这是2021年4月发表在IEEE Transactions on Intelligent Transportation Systems 上的一篇文章。2.摘要地铁客流预测是智能交通系统中缓解交通压力、协调运营时间、规划未来建设的战...
推荐文章：HyperGCN——超图上的图卷积网络新方法
最新发布
gitblog_00004的博客
06-04 488
推荐文章：HyperGCN——超图上的图卷积网络新方法 HyperGCN项目地址:https://gitcode.com/gh_mirrors/hy/HyperGCN 1、项目介绍 HyperGCN 是一个基于 PyTorch 的开源项目，它提出了一种在超图上训练图卷积网络（GCN）的新方法。由印度科学研究所（IISc）Mall Lab 团队开发的这个项目，其灵感来源于 NeurIPS 2019...
让你垂涎的计算机视觉 Matlab 源码~ 希望对你有用~
Rouen的专栏
11-17 6058
（http://blog.renren.com/share/340039432/17742227002?from=0101010202&ref=timelinefeed&sfet=102&fin=0&fid=26025230354&ff_id=340039432&platform=6&expose_time=1416224932） 不小心浏览到Peter Kovesi的个人主页，打开了这
【CV笔记】CV笔记1：图像处理基础-滤波器
真的很想吃烤鸭！！
04-29 2422
图像处理基础：滤波器。 内容包括高斯滤波和边缘检测，其中边缘检测算子主要介绍了sobel算子和拉普拉斯算子以及Canny算子。
GitHub：超分辨率最全资料集锦
阿木寺的博客
10-23 8407
作者：ChaofWang | 编辑：Amusi 前言 本文将分享的内容是：超分辨率（Super Resolution，SR）最全资料合集，涵盖了SISR、VSR等。 一张图看懂超分辨率SR作用 注：文末附超分辨率SR微信交流群，欢迎加入学习 Awesome-Super-Resolution 项目作者：ChaofWang Star 数量：636 Commit 数量：120 https://github.com/ChaofWang/Awesome-Super-Resolution 该项目主要包含以下内
用于组推荐的超图卷积网络笔记
ZG
03-20 1088
;;
HyperGCN: A New Method of Training Graph Convolutional Networks on Hypergraphs--论文笔记
mei1318874404的博客
05-07 2909
论文题目–《超图卷积网络–一种新的方法用于训练超图的图卷积网络》 摘要 在许多现实世界的网络中，其实有很多关系都不仅仅是成对的关系，比如co-authorship, co-citation网络，其中的关系非常的复杂。超图提供了一种灵活且自然的工具去模拟诸如以上网络的复杂关系。以上存在的复杂的关系刺激了使用超图学习的问题。目前一种流行的方法是基于超图的半监督学习，其目标是分配标签给超图中没有标签的节...
超图嵌入论文阅读2：超图神经网络
Ricardo1998的博客
09-02 1921
贡献：用于数据表示学习的超图神经网络 (HGNN) 框架，对超图结构中的高阶数据相关性进行编码定义超边卷积来处理表示学习过程中的数据相关性够学习考虑高阶数据结构的隐藏层表示，是一个通用框架——GCN可以看作是 HGNN 的一个特例，其中简单图中的边可以被视为仅连接两个顶点的 2 阶超边引文图、图像识别数据集上实验，优于图卷积网络（GCN）others：在处理多模态数据时具有优势背景图卷积能够使用神经网络模型对不同输入数据的图结构进行编码，用于无监督、半监督、监督学习，在表示学习方面显示出优越性。
基于图像超分辨率的深度卷积网络的学习
热门推荐
Benson的学习笔记
11-13 2万+
摘要。我们提出了一种用于单图像超分辨率（SR）的深度学习方法。我们的方法直接学习低/高分辨率图像之间的端对端映射。 映射表示为一个深层卷积神经网络（CNN）[15]，它将低分辨率图像作为输入，并输出高分辨率图像。我们进一步表明，传统的基于稀疏编码的SR方法也可以看作是一个深层卷积网络。 但不同于传统方法分别处理每个组件，我们的方法联合优化所有层。 我们的深层CNN具有轻量的结构，但展示了最先进的恢
基于会话推荐的自监督超图卷积网络 笔记
ZG
04-02 1022
本文提出一种双通道超图推荐系统的应用。
[论文笔记] 2022-ICDE-Inhomogeneous Social Recommendation with Hypergraph Convolutional Networks
weixin_46448399的博客
04-09 683
现有的方法大多假设社会关系可以均匀地应用于所有的物品，这对于用户实际不同的偏好是不现实的。本文认为社会关系的影响应该是不均匀的，即两个社会相关的用户可能只对某些特定的产品具有相同的偏好，而对于其他产品，他们的偏好可能是不一致的甚至是矛盾的。在这一思想的启发下，建立了一个新的社会化推荐模型，将传统的成对“用户-用户”关系扩展为“用户-物品-用户”的三元关系。为了很好地处理这种高阶关系，将框架建立在超图的基础上。更具体地说，每个超边连接一个用户-用户-物品三元组，表示两个用户在物品上共享类似的偏好。
推荐系统笔记（十六）：推荐系统图协同过滤的深入理解：GDE
qq_46006468的博客
08-18 2003
1）作者研究了GCN的特征表示的主贡献部分是rough和smooth部分的特征，因此用超图分别卷积user和item，进行特征提取。（卷积又分为只用特征值最大的和特征值最小的一部分（看作两个卷积核），卷积核的参数可以动态学习也可以用函数映射特征值）。（2）作者在本文的出发点是GCN本身，通过频域分析，证实了GCN其实是针对局部进行卷积，设计了多层的频率响应，而本文则只使用一层进行卷积，反而达到卷积到更远的视野的目的。...
【论文阅读】Hypergraph Convolutional Network for Group Recommendation
qq_43955154的博客
08-07 1158
超图卷积在组推荐中的应用
hyper graph 超图
积跬步，至千里
09-28 7745
hyper graph 的基础概念   超图数据模型hypergraph data model (HDM）是知识图的基础（GRAKN.AI） 概念（notations）: 超图由非空的顶点集和超边集组成(a hypergraph consists of a non-empty set of vertices and a set of hyperedges) 超边是一组有限的顶点集合(通过...
dea-net: single image dehazing based on detail-enhanced convolution and cont
09-19
dea-net是一种基于细节增强卷积和对比度的单幅图像去雾算法。它的主要目标是提高图像的可视质量，减少雾霾对图像造成的影响。 dea-net算法使用了细节增强卷积和对比度两种技术来去除雾霾，以提高图像的细节信息和对比度。细节增强卷积是通过对图像进行一系列卷积操作，突出图像中的细节信息，从而提高图像的清晰度和细节表现力。而对比度提升则是通过调整图像的亮度和对比度，增强图像的视觉效果。 dea-net算法在去除雾霾的过程中，首先通过细节增强卷积提取图像的细节信息，然后利用对比度提升技术增强图像的对比度。接下来，通过对像素值进行归一化处理来消除雾霾的像素值的弱化效应。最后，再利用细节增强卷积增强图像的细节信息，提高图像的清晰度。 实验结果表明，dea-net算法在单幅图像去雾方面取得了较好的效果。与其他算法相比，在恢复图像的细节和对比度方面具有明显的优势。该算法能够有效地去除雾霾并恢复图像的清晰度和细节，提高图像的可视质量。 总结而言，dea-net是一种基于细节增强卷积和对比度的单幅图像去雾算法，通过提取细节信息和增强对比度的方式，有效地去除雾霾，提高图像的清晰度和细节表现力。该算法在图像去雾方面具有较好的效果，对于提升图像的可视质量具有重要的应用价值。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值