粗读Robust Representation Learning via Perceptual Similarity Metrics

最新推荐文章于 2023-11-17 19:56:25 发布
最新推荐文章于 2023-11-17 19:56:25 发布
阅读量455 收藏
点赞数
分类专栏： 深度学习 文章标签： 深度学习 计算机视觉
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_42578970/article/details/121435263
版权

        

        本文的创新之处在于提出了变形网络(Transformation Network, TN)，说是变形，但网络更多的类似于提取一副注意力图像，通过这个图象，找出图中重点，然后得到权值图m。将m与原始图像x相乘，便可得到强化后的，排除了外界干扰的图像。

        为了训练TN，引入了三元损失，通过比较m*x，正样本和负样本，优化TN参数

 

格里芬阀门工
关注
专栏目录
Generating Images with Perceptual Similarity Metrics based on Deep Networks
weixin_37958272的博客
04-25 825
Generating Images with Perceptual Similarity Metrics based on Deep Networks 图像生成机器学习模型通常采用基于图像空间距离的损失函数进行训练。这通常会导致过度平滑的结果。我们提出了一类损失函数，我们称之为深度感知相似度量（DeePSiM），来缓解这个问题。我们不需要计算图像空间中的距离，而是计算由深神经网络提取的图像特征之间的距离。 该度量更好地反映了图像的感知相似性，从而得到更好的结果。我们展示了三个应用：自动编码器训练、变分自动编
paper:Generating Images with Perceptual Similarity Metrics based on Deep Networks
Z609834342的博客
10-27 1032
主要内容：本文主要从传统深度网络生成图片比较模糊出发，分析其原因为图像的details并不能全部的存在于feature中，所以通常loss倾向于平均化所有可能存在细节的locations，导致最后生成的图片blurry，但是准确的locations并不重要，重要的是the distribution of these details，所以希望模型能通过在合适的特征空间中测量距离，实现对不相关变换的不...
Robust Representation Learning with Feedback for Single Image Deraining论文解读
kking_edc的博客
12-16 1035
Abstract 一个去雨网络可以被视为一个移除图片中雨水的conditional generator。大多数现有的去雨方法忽略了由于不确定性带来的模型误差，从而降低了embedding质量。和现有的直接将low-quality特征嵌入到模型中不同，这篇文章将用latent high-quality取代了low-quality特征。同时文章使用了 ...
PPT：Robust Graph Representation Learning via Neural Sparsification
青山白云间
03-29 1066
## 参考文献 1.Doersch C . Tutorial on Variational Autoencoders[J]. Arxiv:1606.05908, 2016. 2.Weisstein, Eric W."Gumbel Distribution." FromMathWorld--A Wolfram Web Resource.Gumbel Distribution -- ...
BatchFormer: Learning to Explore Sample Relationships for Robust Representation Learning
Joeyshaw的博客
09-01 1274
由于数据不平衡、不可见分布和域转移等数据稀缺问题，深度表示学习仍面临许多挑战。为了解决上述问题，已经设计了多种方法从输入或损失函数的角度探索样本关系，但未能探索用于利用样本之间关系进行学习的深度神经网络的内部结构。本文引入了一个batchformer模块，然后将其应用到每个mini-batch的批维度中，以隐式地探索训练期间的样本关系。头类样本也可以有助于学习用于长尾识别的尾类。
EfficientMisalignment-Robust Representation for Real-Time Face Recognition
todayq的专栏
11-13 1153
适用于实时人脸识别的非对齐鲁棒性有效表达 摘要 用于鲁棒人脸识别的稀疏表示技术在今年来得到了广泛的研究。最近，非对齐的，带有遮挡或其它变化的人脸识别采用对齐鲁棒性的稀疏表示（RASR）方法已取得了有趣的成果。在RASR方法中，测试图片的最佳对齐是在数据库中一个对象一个对象地寻找的。然而，这种费力的寻找策略在大规模数据库中是非常耗时的。在本文中，我们提出一种新的方法，非对齐鲁棒表达（MRR），用
基于视觉的机器人抓取: 论文及代码(Vision-based Robotic Grasping: Papers and Codes)
dsoftware的博客
10-22 2万+
最近总结了基于视觉的机器人抓取的相关论文及代码，同步于github。根据抓取的类别，基于视觉的机器人抓取可以分为两类：2D平面抓取以及6D空间抓取。这个页面总结了近年来涉及到的各种各样的方法，其中大部分都使用了深度学习。总结的中文框架结构如下： 0.综述论文 1. 2D平面抓取 这类方法将抓取，用平面内旋转的矩形框表示； 1.1基于RGB或者RGB-D的方法 采用基于目标检测类的方法，直接得到2D...
CVPR 2012 papers
GarfieldEr007的专栏
07-21 4816
Orals Micro Phase Shifting (PDF, project)Mohit Gupta, Shree NayarOn Multiple Foreground Cosegmentation (PDF, supplementary material, project)Gunhee Kim, Eric XingFace detection, pose estimation,
（八：2020.08.27）CVPR 2020 追踪之论文纲要（译）
Jojo论文基地
08-27 1万+
CVPR 2019 追踪之论文纲要（修正于2020.08.27）讲在前面论文目录 讲在前面 论坛很多博客都对论文做了总结和分类，但就医学领域而言，对这些论文的筛选信息显然需要更加精细的把控，所以自己对这1400篇的论文做一个大致从名称上的筛选，希望能找到些能解决当前问题的答案。 论文链接建议直接Google论文名，比去各种论文或顶会网站找不知道快捷多少。 Respect！ 论文目录 论文 概要 12-in-1 - Multi-Task Vision and Language Repre
【2011-2016】 NIPS汇总 - Advances in Neural Information Processing Systems
Testing的博客
10-02 1万+
Advances in Neural Information Processing Systems 24 (NIPS 2011) The papers below appear in Advances in Neural Information Processing Systems 24 edited by J. Shawe-Taylor and R.S. Zemel and P.L.
PerceptualSimilarity
05-18
基于Watson感知模型的生成神经网络的损失函数 Steffen Czolbe，Oswin Krause，Igemar Cox，Christian Igel-NeurIPS 2020 该存储库包含设计和评估的相似性指标，以及重新运行实验的说明和代码。 在深度学习框架PyTorch中的实现。 Python 3文件和Jupyter Notebook中提供的代码。 注意：这是版本库发布后的更新版本。 它包含以下更改： 修复了导致整个实验中的数据标准化不一致的问题。 现在，所有实验都将数据归一化到0..1范围。 重新调整了超参数，并重新生成了纸上的所有图形。 我们观察到总体上相似的结果。 查看并排比较。 添加了多个以前不包括的依赖项。 添加了多个shell脚本以更轻松地重现所有实验。 不再需要Jupyter笔记本来复制纸张\ o / 使用相似性指标 通过导入LossProvider可以
通过多视图信息瓶颈学习鲁棒表征
gandebeautiful的博客
04-15 1973
论文题目：Learning Robust Representations via Multi-View Information Bottleneck Summary 论文通过将两个视图学习得到的公共信息作为有用表征，将两个视图不共享的部分信息看作是冗余信息，最终两个视图之间相互学习得到标签信息丰富和鲁棒性强的表征。 Problem Statement 论文旨在通过优化信息瓶颈理论，构建损失函数使得表征能够含有更多的标签信息和鲁棒性。 Method 通过理论证明，得到两个损失函数，一个用于学习表征，
Robust Road Network Representation Learning: When Traffic Patterns Meet Traveling Semantics
最新发布
Kazeya的博客
11-17 139
为了将交通模式融入表征，作者通过引入辅助交通上下文预测任务扩展skip-gram模型。最大化在给定目标节点的上下文窗口内观察邻域节点的可能性，等于最小化以下损失函数。由此，作者将skip-gram的目标修改为。的concatenation。的增强交通嵌入，是原始嵌入。对选定的特征进行二值化。及其N类交通上下文特征。将图中的节点视为一个。,最小化以下损失函数。的embedding。的embedding。和所有交通上下文预测。
Learning Cross-Modal Deep Representations for Robust Pedestrian Detection
xiaofei0801的博客
06-01 3197
Abstract        本文提出了一种在不利照明条件下检测行人的新方法。 我们的方法依赖于一种新型的跨模态学习框架，它基于两个主要阶段。 首先，给出一个多模态数据集，采用深度卷积网络学习非线性映射，对RGB和热图之间的关系进行建模。 然后，所学习的特征表示被迁移到第二个深度网络，其接收RGB图像作为输入，并输出检测结果。 以这种方式，学习到了对不良照明条件具有判别性和鲁棒性的特征。
LPIPS 图像相似性度量标准、感知损失（Perceptual loss）
热门推荐
MOL
11-03 3万+
LPIPS 图像相似性度量标准（感知损失）
A ConvNet for the 2020s
Le0v1n 的博客
05-31 2218
A ConvNet for the 2020s
孪生网络图像相似度_深度特征度量图像相似度的有效性——LPIPS
weixin_39634067的博客
11-23 1264
The Unreasonable Effectiveness of Deep Features as a Perceptual Metric, CVPR18 这篇文章通过大量的实验分析了使用深度特征度量图像相似度的有效性。得到了如下结论：perceptual similarity比traditional similarity（such as L1）有效。而不同的分类网络的特征对最终perceptu...
LPIPS(Learned Perceptual Image Patch Similarity)
weixin_43466026的博客
08-24 3万+
学习感知图像块相似度(Learned Perceptual Image Patch Similarity, LPIPS)也称为“感知损失”(perceptual loss)，用于度量两张图像之间的差别。来源于CVPR2018《The Unreasonable Effectiveness of Deep Features as a Perceptual Metric》，该度量标准学习生成图像到Ground Truth的反向映射强制生成器学习从假图像中重构真实图像的反向映射，并优先处理它们之间的感知相似度。LP
CVPR 2021 论文大盘点-图像视频去雨篇
OpenCV中文网
09-24 6992
本文继续总结图像处理相关论文，关注一类特殊的图像修补任务——视频、图像去雨，共计 10 篇。大家可以在：https://openaccess.thecvf.com/CVPR2021?day...
读 learning to reweight examples for Robust Deep learning 有感
05-26
《Learning to Reweight Examples for Robust Deep Learning》这篇论文提出了一种新的深度学习方法，它可以通过自适应地调整训练集中每个样本的权重来提高模型的鲁棒性。这种方法可以使模型更好地处理异常或罕见的...
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