![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
sldz5
这个作者很懒,什么都没留下…
展开
-
核函数(SVM和LR问题)
本文转载于:https://baijiahao.baidu.com/s?id=1618526683185169455&wfr=spider&for=pc看完上面这篇文章,对LR能不能解决非线性问题有了一个了解,希望也能帮到大家。...转载 2019-04-11 15:24:14 · 1063 阅读 · 0 评论 -
YCbCr转RGB为全蓝或全绿
问题描述:进行超分辨率重建,需要在YCbCr中的Y通道进行,但我们也要保存Cb和Cr通道的数据,到最后一部将它们合并起来。具体的YCbCr转RGB公式为:ycbcr2rgb = np.zeros(ima.shape)ycbcr2rgb[:,:,0] = 1.164383 * (ima_y-16) + 1.596027 * (ima_cr-128)ycbcr2rgb[:,:,1] = 1...原创 2019-04-29 17:49:09 · 1228 阅读 · 0 评论 -
Meta-SR:A Magnification-Arbitrary Network for Super-Resolution
任意尺度的超分已经被忽视好久了。大多数研究者把不同尺度超分当成一个独立的任务。而且这些尺度都是整数阶的。因此,本文提出Meta-SR来解决上述问题。提出Meta-Upscale Module来代替传统的Upscale module。Meta-Upscale Module 能动态的预测upscale filters 的权重,通过将scale factor作为输入和用这些权重去生成任意尺度的HR图像。对于任何低分辨率图像,能够通过一个模型产生连续不断的放大的图像。原创 2019-06-19 22:31:44 · 738 阅读 · 0 评论 -
ESRGAN: Enhanced Super-Resolution Generative Adversarial Networks
论文地址:https://arxiv.org/abs/1809.00219摘要ESRGAN是在SRGAN的基础上进行改进的,主要改进SRGAN中的三个部分:网络结构,对抗损失和感知损失。其中,1.用没有BN层的 Residual-in-Residual Dense Block (RRDB) 作为基本的网络构建单元。2.引入relativistic GAN(RaGAN)的思想,让判别器预测相对...原创 2019-07-03 22:18:50 · 595 阅读 · 0 评论