论文阅读
萌笙
初窥门径CVer
展开
-
论文阅读:Unsupervised Diverse Colorization via Generative Adversarial Networks
论文阅读:Unsupervised Diverse Colorization via Generative Adversarial Networks这是一篇使用改进的Conditional GAN 来进行图像上色任务的论文,在多层中使用输入的灰度图像(GrayScale)作为条件信息对GAN的生成进行指导保证上色效果的真实性(reality), 同时在生成器的所有层中加入随机的噪声信息保证上色结果的颜色多样性(diversity)。1、动机 作者提到, 以往的自动上色方法,无论是非参数式原创 2020-11-26 22:29:01 · 815 阅读 · 0 评论 -
论文笔记:Let there be color!
论文笔记:Let there be color!文章目录论文笔记:Let there be color!1、引言2、架构3、实验结果与讨论3.1 用户调研3.2 通过全局特征来进行风格迁移3.3 颜色空间的对比4、缺陷与讨论5、思考6、Reference 这是我阅读的图像上色相关的第二篇论文,这篇文章的核心在于通过结合图像的全局与局部先验进行端到端的训练,实现同步分类的图像自动着色。1、引言 本文基于CNN 提出了一种完全自动化的数据驱动的灰度图像着色方法。该方法利用从整幅原创 2020-11-26 22:15:05 · 492 阅读 · 0 评论 -
论文笔记:Deep Colorization
论文笔记:Deep Colorization文章目录论文笔记:Deep Colorization1、本文的贡献2、框架3、特征描述符4、实验结果5、局限性6、思考7、参考 最近在关注图像上色(Image colorization)领域,这是一篇ICCV-2015的关于图像上色的文章,文章较老,但是作为一篇将深度学习引入图像上色的文章,仍旧值得学习。1、本文的贡献基于深度学习技术在大型数据集上的建模能力,提出了一个高质量的全自动上色方法。实验证明,本文提出的方法在图像生成质量与速度上原创 2020-11-26 21:59:52 · 918 阅读 · 0 评论 -
论文阅读:Fully Convolutional Networks for Semantic Segmentation
论文阅读:Fully Convolutional Networks for Semantic Segmentation这篇文章是关于将全卷积网络端到端(End-to-End)地训练,并将其用于语义分割。摘要 作者提出了使用全卷积神经网络来接受任意大小的输入,并产生与之相匹配的输出,这样的一个网络在训练和推理的环节效率都很高。作者将这样的密集预测网络与之前的典型的卷积神经网络进行联系,将这些模型的优秀表征能力迁移到语义分割任务中来。进一步地,作者提出了一种用于语义分割的新架构,它可以将网原创 2020-11-08 11:13:24 · 1027 阅读 · 1 评论 -
论文阅读:Rethinking the Inception Architecture for Computer Vision
论文阅读:Rethinking the Inception Architecture for Computer Vision这篇论文是Inception 结构的一次改进,作者Christian Szegedy基于Inception提出了进一步提升卷积网络性能的几点原则,并结合实验对所提出的几点原则进行论证,进而提出了Inception-v2以及Inception-v3。摘要作者提到虽然扩大模型,增加计算能力可以在数据集充分的情况下提升卷积网络模型的性能,但是对于移动端的视觉任务以及大数据的任务场景来说原创 2020-10-16 15:38:56 · 3903 阅读 · 2 评论 -
论文阅读: Going deeper with convolutions
论文阅读: Going deeper with convolutions这是关于ILSVRC2014的优胜者GoogleNet的论文,论文详细地讲解了这个模型的核心模块**”Inception"**结构是如何提出的,实际上对于作者说的”稀疏性“,实在是没有理解。由此先写下自己理解的部分。1、摘要作者提出了一种”Inception“的结构来提升深度卷积神经网络的性能,并在ILSVRC2014中获得了成功。该结构的主要特点是提高了网络内部的计算效率(关于这一点,其实并不是十分理解)。Inception的设原创 2020-10-11 12:13:26 · 708 阅读 · 1 评论 -
论文阅读:VGGNet—Very Deep Convolutional Networks For Large-Scale Image Recognition
论文阅读:VGGNet—Very Deep Convolutional Networks For Large-Scale Image Recognition1、摘要 在这篇论文中,作者对卷积神经网络的深度对于其在大规模图像数据集的识别的准确性做了一个完全的评估,特点在于将CNN的网络深度提升到了16-19层,提升了大规模图像的识别准确性;同时有证明了VGG在深度视觉表征中具有较强的泛化能力。2、引言 引言部分作者总结了自AlexNet以来CNN在大规模图像识别中的广泛应用,原创 2020-10-01 12:43:32 · 749 阅读 · 0 评论 -
论文阅读:ImageNet Classifification with Deep Convolutional Neural Networks
论文阅读:ImageNet Classifification with Deep Convolutional Neural Networks1.背景与意义 大规模现实图像数据集的识别与分类是一个巨大的挑战,一方面,模型的学习能力需要进一步提升;另一方面,带标签的现实图像数据集依旧难以获取,尽管用于ILSVRC竞赛的ImageNet数据集图像数量巨大,种类繁多,但是在极为复杂的模型下也不免会产生过拟合(overfiting)的问题。 这篇文章提出了用于大型图像数据集分类的原创 2020-09-27 10:45:40 · 381 阅读 · 0 评论