qq_43333092的博客

原创 Point cloud denoising review: from classical to deep learning-based approaches论文阅读笔记

点云去噪综述

原创 P2P: Tuning Pre-trained Image Models for Point Cloud Analysis with Point-to-Pixel Prompting

预训练模型P2P

原创 多模态认知计算

多模态

原创 RePCD-Net: Feature-Aware Recurrent Point Cloud Denoising Network (ijcv 22)

点云降噪

原创 Recapture Image Forensics Based On Laplacian Convolutional Neural Networks

图像翻拍

原创 CelebA-Spoof: Large-Scale Face Anti-Spoofing Dataset with Rich Annotations ECCV2020

图像翻拍数据集+模型

原创 Recaptured Image Forensics Based on Image Illumination and Texture Features ICVIP2020

图像翻拍

原创 Searching Central Difference Convolutional Networks for Face Anti-Spoofing CVPR2020

图像翻拍CVPR2020

原创 Learning Deep Models for Face Anti-Spoofing: Binary or Auxiliary Supervision CVPR2018

图像翻拍

原创 A Dataset and Benchmark for Large-scale Multi-modal Face Anti-spoofing(CVPR2019)

图像翻拍数据集

原创 Image recapture detection with convolutional and recurrent neural networks

图像翻拍

原创 Hybridised Loss Functions for Improved Neural Network Generalisation论文阅读笔记以及启发

损失函数会影响ANN模型的泛化能力以及其他特性。交叉熵和平方和误差损失函数会导致不同的训练结果，并表现出互补的特性，二者的混合可以结合这两个函数的优点，同时限制它们的缺点。本研究调查了此类混合损失函数的有效性。结果表明，两个损失函数的混合提高了神经网络在所考虑问题上的泛化能力。以平方和误差损失函数开始训练然后切换到交叉熵损失函数的混合损失函数可以表现出最佳的性能，或者与最佳损失函数没有显着差异。这项研究表明，通过切换到交叉熵误差损失函数，可以进一步利用平方和误差损失函数发现的极小值。因此，可以得出结论，两种

原创 Visualizing the Loss Landscape of Neural Nets论文阅读笔记

原文链接Abstract神经网络训练依赖于find “good” minimizers of highly non-convex loss functions。众所周知，某些网络体系结构设计（例如skip connections）会产生更容易训练的损失函数，而精心选择的训练参数（batch size, learning rate, optimizer）会产生更泛化的minimizers。然而，这些差异的原因及其对underlying loss landscape的影响尚不清楚。本文使用一系列可视化方法探

原创 Score-Based Point Cloud Denoising论文代码配置记录

原创 TypeError: normal() received an invalid combination of arguments

def __init__(self, std_range=[0, 0.10], noiseless_item_key='clean'): self.std_range = std_range self.key = noiseless_item_keydef __call__(self, data): noise_std = random.uniform(*self.std_range) data[self.key] = data['pos'] data['pos']