CBN论文阅读笔记

于 2021-01-29 16:25:04 发布
阅读量249 收藏
点赞数
分类专栏： 论文阅读 人脸超分辨
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/mzj15101229871/article/details/113393204
版权

题目：Deep Cascaded Bi-Network forFace Hallucination

中文：深度幻觉双级联网络

代码：

http://mmlab.ie.cuhk.edu.hk/projects/CBN.html.

在这里插入图片描述

摘要

  • 我们提出了一种新颖的框架，用于幻化不受约束的姿势并且分辨率非常低的面部（面部尺寸小至5pxIOD1）。与现有研究大多忽略或假设预先对齐的人脸空间配置（例如人脸地
最低0.47元/天 解锁文章
只会写bug的菜鸡
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
Deep Cascaded Bi-Network for Face Hallucination--阅读笔记
有信念，才能走的更远
04-28 1920
1、We present a novel framework for hallucinating faces of unconstrained poses and with very low resolution (face size as small as 5pxIOD 1 ). 这篇文章呈现了一种可用于无约束姿态及非常低分辨率的人脸增强方法，人脸大小简单描述为两眼间像素的多少（最少的仅为5个
CBN论文笔记
陈建驱的博客
08-20 326
论文：Cross-Iteration Batch Normalization.Zhuliang Yao,Yue Cao,Shuxin Zheng,Gao Huang,Stephen Lin 摘要 当mini-batch的大小设置的比较小时，BN的作用大大减小。因为太少的样本估计的统计特征无法代表整个数据集的统计特征。为了解决这个问题，本文提出了Cross-Iteration Batch Normalization(CBN)，可以联合最近几次迭代的样本来提高估计的质量。这其中的难点在于由于每...
CBN(Cross-Iteration Batch Normalization)论文详解
Michael’s Blog
08-19 1367
原文链接：Cross-Iteration Batch Normalization 代码链接：https://github.com/Howal/Cross-iterationBatchNorm 随着BN的提出，现有的网络基本都在使用。但是在显存有限或者某些任务不允许大batch（比如检测或者分割任务相比分类任务训练时的batchsize一般会小很多）的情况下，BN效果就会差很多，如下图所示，当batch小于16时分类准确率急剧下降。 为了改善小batch情况下网络性能下降的问题，有各种新的normalize
图像滤镜艺术---换脸算法资源收集
热门推荐
Trent1985的专栏
08-18 1万+
关于人脸变形、换脸的资源
Deep Joint Face Hallucination and Recognition——阅读笔记
有信念，才能走的更远
05-03 1125
1、In this paper, we address this problem by jointly learning a deep model for two tasks, i.e. face hallucination and recognition. 本文是连接两个任务模型：hallucination和recognition。 2、The recognition subnetwork
CBN砂轮轨迹法修整系统设计
07-04
介绍一套CBN砂轮轨迹法修整系统,采用一种通用金刚石滚轮,通过轨迹法以实现对多种形状的CBN砂轮的修整。使用等间距法和连续圆弧代替最小二乘圆弧拟合法,优化了修形轨迹模型。设计了修整系统的硬件结构及软件结构。
CBN成形磨齿技术 (1995年)
05-19
CBN成形磨齿技术 (1995年)
磨料粒度对电镀CBN砂轮磨损影响的有限元仿真分析
02-20
磨料粒度对电镀CBN砂轮磨损影响的有限元仿真分析，蓝善超，李文斌，以单颗CBN磨粒的磨损对电镀CBN砂轮的磨损进行研究。针对磨削淬硬轴承钢GCr15，将单颗CBN磨粒适当简化成圆锥体，建立楔形滑擦模型，利�
立方氮化硼(cBN)单晶的功能特性研究进展
01-08
立方氮化硼(cBN)单晶的功能特性研究进展，王鹏飞，李志宏，本文综述了近十几年以来国内外立方氮化硼(cBN)单晶特别是大尺寸、高品质单晶的制备技术、掺杂cBN大单晶的半导化特性研究及发展，指�
钛沉积工艺制备TiN/cBN和TiC/金钢石涂层颗粒 (2014年)
04-28
用钛熔盐沉积及热处理工艺分别制备碳化钛涂覆的立方碳化硼颗粒（TiN/cBN）及碳化钛涂覆的金刚石颗粒（TiC/金刚石）。将cBN或金刚石颗粒分别与钛粉和KCl、NaCl和K2TiF6熔盐混合。将所得混合物在Ar气氛中加热至900 ℃...
Learning Face Hallucination in the Wild--阅读笔记
有信念，才能走的更远
04-27 1258
1、However, conventional hallucination methods are often designed for controlled settings and cannot handle varying conditions of pose, resolution degree, and blur. 传统的方法有约束控制，不能处理多种姿态、像素深度及遮挡的情况。 2、
论文解读-<Instance-aware Semantic Segmentation via Multi-task Network Cascades>
小火车~
11-08 6159
论文题目： 《Instance-aware Semantic Segmentation via Multi-task Network Cascades》 论文信息： CVPR2016,Jifeng Dai, Kaiming He, Jian Sun, Microsoft Research 论文： https://arxiv.org/abs/1512.04412 作者主页： http:
[論文筆記] Super-Identity Convolutional Neural Network for Face Hallucination
Dennis_Lee_的博客
09-23 2473
原文 : Super-Identity Convolutional Neural Network for Face Hallucination Introduction Face Hallucination 為一將人臉影像從低解析度(low resolution)轉變為高解析度(high resolution)的過程，以往方法大多考量的是輸出影像是否清晰、逼真(visual quality)，...
深度学习中的BN_CBN_CmBN
Hobart
08-04 5844
BN: 反向传播时经过该层的梯度是要乘以该层的参数的，即前向有： 反向传播时便有： 那么考虑从l层传到k层的情况，有： 其中这个 便是问题所在。如果Wi小于1,就会发生提督弥散 而如果Wi大于1，那么传到这里的时候又会有梯度爆炸问题 BN所做的就是解决这个梯度传播的问题，因为BN作用抹去了w的scale影响。 BN为了保证非线性的获得，对变换后的满足均值为0方差为1的x又进行了scale加上shift操作(y=scale*x+shift)，每个神经元增加了两个参数
6/17 Deep Face SR with Iterative Collaboration between Attentive Recovery and Landmark Estimation
qq_40723205的博客
06-17 1666
CVPR2020 Deep Face SR with Iterative Collaboration between Attentive Recovery and Landmark Estimation Attention恢复与关键点估计之间具有迭代协作的深度人脸超分辨率 Abstract 现有方法无法充分利用先验知识，因为人脸先验信息（例如关键点 component map）是由低分辨率或粗略的超分辨图像估计的，这可能是不准确的，因此会影响超分性能。 在这篇文章中，作者提出一种在这两个循环网络
BDCN：Bi-Directional Cascade Network for Perceptual Edge Detection论文解读和代码实现
我的博客有点东西
05-02 9539
今天为大家带来一篇CVPR2019，解决边缘提取问题，应该是目前最好的方法了。 论文地址：here 官方代码： 看博客最下面。官方在github上提供了pytorch 0.2 版的代码，我自己修改成了1.0版本，并且调试通过，有需要的朋友直接看最下面。 背景 作者发现，轮廓这个东西，尺度不同一的问题非常严重，比如说，一个人的边缘，手部的轮廓好头部的轮廓尺度就很不一样，手弯弯曲曲很小，这样的边缘很难...
Deep Convolutional Network Cascade for Facial Point Detection实践总结
XZZPPP的博客
07-10 3942
测试代码：https://github.com/luoyetx/mini-caffe/tree/master          （example中deeplandmark例子） 训练代码：https://github.com/luoyetx/deep-landmark 测试代码的配置参考：http://blog.csdn.net/xzzppp/article/details/68495
2018FSNet: An Identity-Aware Generative Model for Image-based Face Swapping论文阅读笔记
不要回答的博客
10-27 3683
论文原文及地址:FSNet: An Identity-Aware Generative Model for Image-based Face Swapping 摘要: 本文提出了基于图像的人脸交换的深层生成模型FSNet。 传统上，人脸交换方法是基于三维变形模型(3DMMS)，在不同的两幅图像中，在估计的三维(3D)几何图形之间替换面部纹理。 然而，使用3DMMS估计三维几何形状以及不同的照明条件仍然是一项困难的任务。 本文用一个潜在变量表示人脸区域，将该变量被分配深度神经网络(DNN)，而不是面部纹理
close all clear clc disp('***** 基于EKF的位置速度观测组合导航程序 *****'); disp('Step1:加载数据;'); load IMU_data200.mat %惯导原始数据 load Reference_data.mat %GPS测量数据 disp('Step2:初始化参数;'); %% 一些导航参数常数项 WIE = 7.292115e-5; % 地球自转角速度 r0 = 6378137.0; % 地球半径 EE = 0.0818191908426; % 偏心率 d2r = pi/180; % degree to radian r2d = 180/pi; % radian to degree dh2rs = d2r/3600; % deg/h to rad/s %% 导航坐标系下初始化姿态，速度，位置 yaw = (0)*pi/180;%航向角 pitch = 0*pi/180;%俯仰角 roll = 0*pi/180;%滚动角 cbn=eul2dcm(roll,pitch,yaw); cnb=cbn'; q=dcm2quat(cbn)'; Vn=0;%北向速度 Ve=0;%东向速度 Vd=0;%地向速度 V_last=[Vn Ve Vd]'; Lati = 31.4913627505302*pi/180;%纬度 Longi= 120.849577188492*pi/180;%经度 Alti = 6.6356;%高度 sampt0=1/200;%惯导系统更新时间 Rn = r0*(1-EE^2)/(1-EE^2*(sin(Lati))^2)^1.5; %子午圈曲率半径 Re = r0/(1-EE^2*(sin(Lati))^2)^0.5; %卯酉圈曲率半径 g_u = -9.7803267711905*(1+0.00193185138639*sin(Lati)^2)... /((1-0.00669437999013*sin(Lati)^2)^0.5 *(1.0 + Alti/r0)^2); g = [0 0 -g_u]';%重力 g0=9.80665; %% 卡尔曼滤波P、Q、R设置 % P的设置 std_roll = (5)*d2r; std_pitch = (5)*d2r; std_yaw = (60)*d2r; std_vel = 0.1; std_pos = 5; std_gyro = 3*0.5*dh2rs; % 陀螺随机漂移0.5度/小时 std_acc = 3*0.15e-3*g0; % 加表零偏0.15mg Pfilter = diag([std_roll^2 std_pitch^2 std_yaw^2 std_vel^2 std_vel^2 std_vel^2 (std_pos/3600/30/57.3)^2 (std_pos/3600/30/57.3)^2 std_pos^2 std_gyro^2 std_gyro^2 std_gyro^2 std_acc^2 std_acc^2 std_acc^2]); % Q的设置 std_Wg = 0.15*(2.909*1e-4); % 陀螺漂移噪声,度/根号小时转化成rad/根号秒 std_Wa = 0.21/60/3; % 加表漂移噪声 Qkf = diag([std_Wg^2 std_Wg^2 std_Wg^2 std_Wa^2 std_Wa^2 std_Wa^2]); G = zeros(15, 6); F = zeros(15); F_i=zeros(9,9); F_s=zeros(9,6); H = zeros(6,15); H(1:3,4:6) = eye(3); H(4:6,7:9) = eye(3); % R的设置 R = diag([std_vel^2 std_vel^2 std_vel^2 (std_pos/3600/30/57.3)^2 (std_pos/3600/30/57.3)^2 (std_pos)^2]);
最新发布
05-29
这段代码是一个基于扩展卡尔曼滤波（EKF）的位置速度观测组合导航程序的初始化部分，主要是对一些导航参数常数项进行初始化，并设置卡尔曼滤波的P、Q、R参数。具体内容如下： 1. 初始化一些导航参数常数项，如地球...
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