超分网络训练过程中val出现颜色变化的问题

已于 2023-11-21 12:00:49 修改
阅读量94 收藏
点赞数
文章标签： 计算机视觉 人工智能 深度学习
于 2023-11-16 11:17:02 首次发布
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/qq_40962125/article/details/134437686
版权

如图所示，训练过程中验证集出现上图问题，并不是所有val都这样，不明白这样的效果发生表示模型训练一定失败吗？之前的经验来说，不应该出现这样的现象，但是观察发现这样的效果有退化的趋势。。再看看再更新。。。

更新，问题终于解决了，网络模型，数据集，测试了一周。。

目前得到的结论是，如果val出现这种颜色异常，训练肯定是有问题的，解决方法就是查看数据预处理部分，看一下位宽等。。

SetMaker
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
【图像超分】论文复现：新手入门！Pytorch实现SRCNN，数据预处理、模型训练、测试、评估全流程详解，注释详细，简单修改就可以训练你自己的图像数据，有训练好的模型下载地址，随取随用
畅游计算机视觉的海洋
03-11 1万+
【图像超分】论文精读：Image Super-Resolution Using Deep Convolutional Networks（SRCNN）请配合上述论文精读文章使用，效果更佳！图像超分辨率SRCNN和FSRCNN复现代码，除基本的网络实现外，还有特征图可视化，PSNR曲线图可视化，测试自己的图像数据等不想理解原理，希望直接跑通然后应用到自己的图像数据的同学，请直接下载上面的代码，有训练好的模型，直接用即可。具体使用方式见代码中的README！有问题来本文评论区留言！准备数据集，以及数据预处理。
yolov8实战第二天——yolov8训练过程、结果分析（保姆式解读）
热门推荐
qq_34717531的博客
12-15 3万+
以逻辑回归举例，逻辑回归的输出是一个 0 到 1 之间的概率数字，因此，如果我们想要根据这个概率判断用户好坏的话，我们就必须定义一个阈值。因此，对于阈值为 0.5 的情况下，我们可以得到相应的一对查准率和查全率。选取合适的阈值点要根据实际需求，比如我们想要高的查全率，那么我们就会牺牲一些查准率，在保证查全率最高的情况下，查准率也不那么低。因此，为了找到一个最合适的阈值满足我们的要求，我们就必须遍历 0 到 1 之间所有的阈值，而每个阈值下都对应着一对查准率和查全率，从而我们就得到了 PR 曲线。
color-loss pytorch实现
流浪若相惜的专栏
09-26 6097
DSLR-Quality Photos on Mobile Devices with Deep Convolutional Networks—colorloss-Pytorch实现@TOC DSLR-Quality Photos on Mobile Devices with Deep Convolutional Networks—colorloss-Pytorch实现 最近在做图像增强相关的工作，...
【色彩一致性损失：场景亮度解纠缠网络：纹理-对比度增强网络：IVIF】
weixin_43690932的博客
12-12 5315
仅供自己参考
WESPE：Weakly Supervised Photo Enhancer for Digital Cameras论文
WAXXHHHH的博客
11-26 1075
1.摘要： 提出了一个能够自动将低质量的图像（移动设备）转换到高质量图像（DSLR单反设备）的深度学习方法——WESPE。 这是一个弱监督的方法，不需要像之前强监督的转换方法，不需要将低质量和高质量的每一个图像进行配对。只需要提供一个低质量的数据集（来源手机），一个高质量的数据集（网络爬取），他们之间的视觉内容可以是无关的。 此外，训练了基于CNN的一个评估方法来模拟在Flickr数据集上人的打分，然后使用这个网络来获得原图和增强图的参考分数。 在一些开源数据集上做了实验：DPED，KITTI，citysc
【全网最全】图像色彩增强开源代码数据集汇总
helloworld_Fly的博客
06-26 765
具体地：使用低分辨率输入和网络，预测LUT参数和采样坐标（分别预测三个颜色采样坐标并笛卡尔积得到三维坐标）；利用空间差异性loss，颜色一致性loss和曝光经验参数控制loss优化训练过程；Zero-DCE，使用卷积学习输入图片特征，分解为8个RGB三通道控制参数；在3D LUT基础上，考虑自适应采样间隔，根据颜色分布密集程度来采样；增加少量参数，训练得到结果提升；分别迭代调整8次图片曲线，得到最终增强图片；3个3D LUT basic block；低分辨率分支学习三个block参数；
[CVPR2022-oral]I M Avatar: Implicit Morphable Head Avatars from Videos
wrk226的博客
04-09 3092
简介 这篇文章做的是基于视频的迭代式3D人脸重建。文中结合了3DMM和隐式建模的思想，使得最终得到的3D人脸模型不仅非常真实，而且可以按照3DMM的方式进行编辑，最终生成的模型中可以看到完整的人头（包含口腔，牙齿，头发）。模型结构分为三个部分，每个部分都各用了一个占用场（occupancy field，和radiance field很像，文末会解释他们的区别），第一个部分用于将输入人脸变形到基准脸，第二个部分用于从基准脸中提取对应的几何信息，第三个部分用于提取对应的纹理信息。 模型结构 以下按照图
【图像超分】论文复现：万字长文！Pytorch实现VDSR！血与泪的数据处理与训练过程总结！深度学习中的各种踩坑记录！适合各种深度学习新手！帮助你少走弯路！附PSNR最优的VDSR模型权重文件！
最新发布
畅游计算机视觉的海洋
03-18 9610
【图像超分】论文精读：Accurate Image Super-Resolution Using Very Deep Convolutional Networks (VDSR)请配合上述论文精读文章使用，效果更佳！本文综合现有的VDSR相关代码，用pytorch实现极简风格的VDSR，复现论文。
PyTorch深度学习实战（7）——批大小对神经网络训练的影响
盼小辉丶的博客
07-31 4273
在神经网络中，批( batch )是指一次输入网络进行训练或推断的一组样本。批处理( batch processing )是指将这一组样本同时输入网络进行计算的操作。本节中首先介绍批( Batch )的基本概念，并且介绍批大小在神经网络训练过程中的影响。
Pytorch从入门到放弃（7）——可视化模型训练过程中的loss变化
澎湃de家夥的博客
02-07 1万+
深度学习就像炼丹，一次模型的训练需要很长时间，任何人都无法做到一直盯着模型的训练。通常都是开启模型训练之后，只要不报错并且随着迭代次数的增加模型的loss在下降，这时我都会去干别的了让它跑去吧，第二天再来看我的丹炼的怎么样。这时怎么在一堆仙丹（经过一天的训练会保存许多模型的权重，每迭代多少个batch或每个epoch保存一次权重）中找到最好的那一个。如果盲目的取最后几次保存的，容易取到过拟合的模型...
Color-Loss:Pytorch在“具有深度卷积网络的移动设备上的DSLR质量的照片”中实现色彩损失的实现
05-28
色差 PyTorch在实现色彩损失 包装要求 Python 科学的 麻木 火炬 使用范例 from color_loss import Blur , ColorLoss cl = ColorLoss () # rgb example blur_rgb = Blur ( 3 ) img_rgb1 = torch . randn ( 4 , 3 , 40 , 40 ) img_rgb2 = torch . randn ( 4 , 3 , 40 , 40 ) blur_rgb1 = blur_rgb ( img_rgb1 ) blur_rgb2 = blur_rgb ( img_rgb2 ) print ( cl ( blur_rgb1 , blur_rgb2 )) # gray example blur_gray = Blur ( 1 ) img_gray1 = torch . randn
【人脸识别】Center Loss详解
Roaddd的博客
03-05 2453
论文题目：《A Discriminative Feature Learning Approach for Deep Face Recognition》 论文地址：http://ydwen.github.io/papers/WenECCV16.pdf
[OpenCV实战]17 基于卷积神经网络的OpenCV图像着色
You and Me
04-10 6772
目录 1 彩色图像着色 1.1 定义着色问题 1.2 CNN彩色化结构 1.3 从 中恢复彩色图像 1.4 具有颜色再平衡的多项式损失函数 1.5 着色结果 2 OpenCV中实现着色 2.1 模型下载 2.2加载量化信息 2.3 将图像转换为CIE Lab颜色空间 3 代码 3.1 图像着色代码 3.2 视频着色代码 4 参考 技术有时会提高艺术，但有时也会破坏艺...
Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement
b站：https://space.bilibili.com/36070349?spm_id_from=333.1007.0.0 知乎：https://www.zhihu.com/people/li-shao-zhuo-19
03-05 2267
文章目录Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement（微光图像增强的零参考深曲线估计 ）BackgroundAbstractContributionLight-Enhancement Curve（LE-curve）Higher-Order Curve 高阶光照增强曲线Pixel-Wise Curve 像素级图像曲线DCE-NetNon-Reference Loss Functions 非引用损失函数Spatial
吴恩达机器学习笔记：关于训练模型中出现高偏差和高方差的处理办法
so
06-15 3681
为了便于理解，我直接贴两幅图像(蓝色的曲线是验证集误差，粉红色曲线是训练误差)：1.高偏差2.高方差3.解决方法：
【低照度图像增强系列（5）】Zero-DCE算法详解与代码实现（CVPR 2020）
路人贾的博客
01-25 5674
【低照度图像增强系列（5）】Zero-DCE算法详解与代码实现（CVPR 2020）
CVPR2020|ZeroDCE《Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement》论文超详细解读（翻译＋精读）
路人贾的博客
01-24 2794
CVPR2020|ZeroDCE《Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement》论文超详细解读（翻译＋精读）
6、NeRF in the Wild
小白的博客
08-05 1623
nerf-w
损失函数
weixin_37136725的博客
02-08 2万+
目录：一、0-1损失函数二、平方损失函数（Square Loss）：主要是最小二乘法（OLS）中； 三、绝对值损失函数四、对数损失函数（Cross Entropy Loss，Softmax Loss ）：用于Logistic 回归与Softmax 分类中； 五、指数损失函数（Exponential Loss） ：主要用于Adaboost 集成学习算法中； 六、铰链损失函数（Hinge Loss）：...
神经网络训练结果中的val参数代表什么？如何让val的值大于0？
05-12
在训练神经网络时，我们通常将数据集分成训练集(train set)和验证集(validation set)，用训练集训练模型，用验证集评估模型的性能，以便调整模型的参数，避免过拟合。 val的值大于0并不是一个明确的目标。它取决于...
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

打赏作者

SetMaker

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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