- 博客(10)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 [Style Transfer]——Analyzing and Improving the Image Quality of StyleGAN
[Style Transfer]——Analyzing and Improving the Image Quality of StyleGANStyle GAN2:分析和改善StyleGAN的图像质量 from NVIDIA CVPR2020 Paper CodeAbstractStyleGAN在数据驱动的无监督生成模型中达到了SOTA效果。我们分析了这一模型的特点，通过实验进行了验证。本文重新设计了生成网络的归一化、正则化，从而促进从隐空间到图像的映射。除了提升图像质量,这种路径长度归一化还
2020-10-29 21:54:49
1875
原创 [Style Transfer]——A Style-Based Generator Architecture for Generative Adversarial Networks
【Style Transfer】——A Style-Based Generator Architecture for Generative Adversarial NetworksStyleGAN:基于风格迁移的生成对抗网络 from NVIDIA CVPR2019 Paper:StyleGANCode: StyleGANAbstract本文借鉴风格迁移的思想，改进了GAN中生成网络的结构，这种网络结构可以自动以无监督的方式学习高级特征（如人脸图像中的姿态、身份）和图像中的随机变化（如雀斑、头发
2020-10-28 14:26:35
2484
1
原创 论文阅读——EasyQuant: Post-training Quantization via Scale Optimization via Scale Optimization
论文阅读——EasyQuant: Post-training Quantization via Scale Optimizationfrom DeepGlintPaper:EasyQuant: Post-training Quantization via Scale OptimizationCode:EasyQuantAbstract8bit量化广泛用于深度神经网络推断阶段 的加速，主要由两种量化方式：训练中量化和训练后量化。其中训练中亮化使得会是的训练过程更为复杂，而后量化又可能会导致不可接受的
2020-10-26 17:01:58
2321
原创 论文阅读——Quantizing deep convolutional networks for efficient inference: A whitepaper
Quantizing deep convolutional networks for efficient inference: A whitepaperAbstract 本文针对如何对卷积神经网络的整数量化方法进行综述。 1.8bit权重的逐通道量化和激活值的逐层量化与全精度浮点数网络在分类精度上仅有2%的误差。 2.8bit量化后模型可压缩4倍，主要通过对权重量化后训练达到。 3.与CPU上运行的浮点框架相比，本文在CPU和DSP上运行的。量化后模型，时延有2-3x的提升。在一些特定
2020-10-24 14:12:31
2832
原创 论文阅读——Synthetic Medical Images from Dual Generative Adversarial Networks
论文阅读——Synthetic Medical Images from Dual GenerativeAdversarial Networks基于双生成对抗网络合成医学图像from NIPS2017Abstract目前数据驱动型的方法进行医学图像的分类十分受追捧，但鉴于医学图像的稀缺性，有些图像的获取还涉及到病患隐私等问题使得医学图像更加难以获取。一般只允许将病患的数据用于医学期刊或教学中，也意味着无法为公共研究获取。 本文则提出了一种新的两阶段流水线的模型用于合成医学图像，通过将复杂的图像生成
2020-10-22 17:02:16
1272
原创 论文阅读——Towards Adversarial Retinal Image Synthesis
论文阅读——Towards Adversarial Retinal Image SynthesisGAN用于视网膜图像合成Abstract眼底图像的合成十分具有挑战性，传统方式借助复杂的眼底解剖模型完成，现如今常借助在合适的参数空间采样进行图像的生成。本文则提出了一种直接从数据中进行学习从生成图像。本文需要借助血管分割技术将真实的眼底图像与对应的血管分割树进行配对，从这种图像对中学习二值化的血管到真实眼底图像的映射。为了完成这一目标，使用了最近火热的基于对抗学习的图像转换技术。实验结果显示原图与生成图
2020-10-17 16:42:08
2417
原创 论文阅读——Deformable Medical Image Registration Using Generative Adversarial Networks
基于GAN实现可变医学图像配准 from IBM Research ISBI2018Abstract常规的图像配准都采用迭代的方式，十分耗时。而近期深度学习技术可以在迭代中提取的深层特征进行图像配准。本文借助生成对抗网络从而避免了配准过程中耗时良久的迭代过程，直接生成配准后的图像。通过在GAN的损失函数中增加适当约束可以在一秒内生成精确的图像，在多模态的视网膜图像及心室MR图像中验证了本文方法的有效性。Section I Introduction图像配准是绝大多数医学图像分析的基础步骤，这方面的
2020-10-15 14:24:38
1828
1
原创 论文阅读——Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference
论文阅读——Quantization and Training of Neural Networks for EfficientInteger-Arithmetic-Only Inferencefrom GoogleAbstract随着移动终端的普及以及深度学习模型对算力的巨大要求急需高效且准确的在设备进行推理的方案。本文提出了一种量化方案可以只用整数进行推理，比浮点数效率更高。本文还设计了一种训练程序可以保持量化后端到端的精度。这种方案较好的在精度和设备上端到端的延迟之间取得了较好的均衡，尤其在以
2020-10-13 17:27:06
5147
原创 论文阅读——Retinal Vasculature Segmentation Using Local Saliency Maps and Generative Adversarial Networks
论文阅读——Retinal Vasculature Segmentation Using Local Saliency Maps and Generative Adversarial Networks For Image Super Resolutionfrom IBM Research AustraliaICIAR2018Abstract本文提出了基于生成对抗网络用于超分辨率重建，根据低分辨率的眼底图像生成scale=16的高分辨率图像。从而可以辅助进行精细的自动化图像分析，尤其对于模糊或小型图像
2020-10-12 14:49:10
1633
原创 论文阅读——LSQ+: Improving low-bit quantization through learnable offsets and better initialization
LSQ+: Improving low-bit quantization through learnable offsets and betterinitializationfrom Qualcomn AI Research | Seoul National UniversityCVPR2020LSQ+：通过学习偏移和更好的初始化改进LSQAbstract新的激活函数，如Swish，Mish不像ReLU只有非负值，而是有正有负，而传统的无符号量化策略会将所有负的激活值量化为0，从而导致性能的显著
2020-10-02 16:45:45
4972
5
第三章+傅里叶变换.pptx
2020-04-28
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人