深度学习算法研究
文章平均质量分 72
研究深度学习及自己所阅读的文章
骊山道童
三星ISP研究员,熟悉模型的优化,推理和部署,基本编程技术:C++,Python;掌握深度学习框架Tensorflow,Pytorch,希望可以相互学习和交流。
展开
-
深度学习推理框架调研总结
深度学习推理框架,方便开发者在设备上部署AI应用。原创 2023-01-03 22:51:28 · 1750 阅读 · 11 评论 -
分类网络概况
总结经典的分类网络原创 2021-05-25 10:14:12 · 31 阅读 · 0 评论 -
图像加高斯噪声或椒盐噪声(python)
作者介绍内容简介加噪声的代码(高斯噪声,椒盐噪声...)在pytorch中如何使用作者介绍张伟伟,男,西安工程大学电子信息学院,2019级硕士研究生,张宏伟人工智能课题组。研究方向:机器视觉与人工智能。电子邮件:zhangweiweicpp@163.com课题组CSDN官方账号,欢迎一键三连!.内容简介展示如何给图像叠加不同等级的椒盐噪声和高斯噪声的代码,相应的叠加噪声的已编为对应的类,可实例化使用。以下主要展示自己编的加噪声的代码(高斯噪声,椒盐噪声…)后续会补充加随机像素缺失、加.原创 2021-11-23 08:52:46 · 7496 阅读 · 3 评论 -
GANomaly阅读和源码总结
GANomaly关于GANomalyAkcay S, Atapour-Abarghouei A, Breckon T P. GANomaly: Semi-Supervised Anomaly Detection via Adversarial Training[J]. 2018.paper:https://www.researchgate.net/publication/325215718_GANomaly_Semi-Supervised_Anomaly_Detection_via_Adversari原创 2021-11-02 17:04:01 · 1647 阅读 · 4 评论 -
论文阅读笔记《Improving Unsupervised Defect Segmentation by Applying Structural Similarity To Autoencoders》
《Improving Unsupervised Defect Segmentation by Applying Structural Similarity To Autoencoders》Abastract 卷积自编码器已经成为图像数据上无监督缺陷分割的流行方法。最常见的是,这个任务是通过基于`对距离对每像素重建误差设定阈值来完成的。然而,当重建包括边缘周围的轻微定位不准确时,这个过程会导致较大的残差。它也未能揭示当强度值保持大致一致时,视觉上已经改变的缺陷区域。 我们表明,这些问题阻止了这些方法应用于原创 2021-11-02 17:02:20 · 1271 阅读 · 1 评论 -
DCGAN的论文阅读及实现
GAN的阅读笔记1.2015-DCGAN-《Radford A, Metz L, Chintala S. Unsupervised Representation Learning with Deep Convolutional Generative Adversarial Networks[J]. Computer Science, 2015.》DCGAN的代码官方实现解读:https://blog.csdn.net/qq_42951560/article/details/1103083361.1原创 2021-11-02 16:59:19 · 1444 阅读 · 1 评论 -
GMSD图像相似度学习
梯度幅度相似性偏差(Gradient Magnitude Similarity Deviation)是2014年zhang lei等人在论文《Gradient Magnitude Similarity Deviation: A Highly Efficient Perceptual Image Quality Index》提出的一种图像全参考评价(FR-IQA)方法,具有准确度高、计算量少的特点链接: link....原创 2021-11-02 16:57:50 · 943 阅读 · 0 评论 -
超分辨中常用的损失函数
Charbonnier Loss - 知乎:https://zhuanlan.zhihu.com/p/111572013超分辨领域的loss:1. L1损失L1损失,也被称为最小绝对偏差(LAD),最小绝对误差(LAE)。计算的是实际值与目标值之间绝对差值的总和。在有监督的图像超分辨率任务中,目标是使得生成的图像(SR)尽可能接近真实的高分辨率图像(HR),使用L1损失计算的则是SR和HR对应像素位置的值的误差。使用L1损失的模型(有的模型使用了不止一种损失函数,此处罗列的为损失函数中包含L1损失原创 2021-11-02 16:50:35 · 2506 阅读 · 0 评论 -
论文审稿如何给意见
标准审稿意见格式:主要内容和贡献——本文主要目的是什么?提出了怎样的观点或方法?问题是否成功解决?对本学科有什么贡献?本文优点——本文有哪些写得好的地方?你接受这篇文章的主要理由是什么?本文缺点——本文有哪些不足的地方?你不接受这篇文章的主要理由是什么?具体细节评价——针对文章中的一些细节的地方做具体的评价。主要涉及语言运用、科学逻辑、实验数据、方案等最终结论——给出对文章的最终结论,一般分为5个等级:拒绝(-2)、弱拒绝(-1)、基准线(0)、弱接受(+1)、接受(+2)基准线的意思就是可接受也可不接受。原创 2021-05-09 09:29:54 · 1134 阅读 · 0 评论 -
python环境配置步骤一:Pycharm和Anaconda的安装
python环境配置步骤一:Pycharm和Anaconda的安装作者介绍1.复制pycharm和Aanconda的安装包2. 安装pycharm3. 安装Anaconda作者介绍张伟伟,男,西安工程大学电子信息学院,2019级硕士研究生,张宏伟人工智能课题组。研究方向:机器视觉与人工智能。电子邮件:2430290933@qq.com课题组CSDN官方账号,欢迎一键三连: https://blog.csdn.net/m0_37758063/article/details/113527955?s转载 2021-05-09 09:37:25 · 798 阅读 · 0 评论 -
python环境配置步骤二:windows中Anaconda创建虚拟环境安装pytorch并在pycharm中使用虚拟环境
python环境配置步骤二:windows中Anaconda创建虚拟环境安装pytorch并在pycharm中使用虚拟环境作者介绍windows中Anaconda创建虚拟环境安装pytorch1.添加镜像源2.创建虚拟环境3.进入虚拟环境4 在虚拟环境中安装pytorch5 在虚拟环境中安装torchvision6 验证是否安装完成pycharm中使用虚拟环境作者介绍张伟伟,男,西安工程大学电子信息学院,2019级硕士研究生,张宏伟人工智能课题组。研究方向:机器视觉与人工智能。电子邮件:243029转载 2021-05-09 09:36:32 · 1155 阅读 · 0 评论 -
异常检测论文综述阅读笔记《DEEP LEARNING FOR ANOMALY DETECTION: A SURVEY》
DEEP LEARNING FOR ANOMALY DETECTION: A SURVEY文章阅读笔记的帖子:https://blog.csdn.net/lytxiaohou/article/details/101512966第一链接.https://github.com/kc-ml2/journal-lub/blob/ceaa45c5822f55d8060afdab907280d3e47b9288/past/2019-06-12-anomaly-detection.md第二链接.https://原创 2021-11-02 17:00:47 · 352 阅读 · 0 评论