论文阅读（【CVPR2018】Jinshan Pan - Learning Dual Convolutional Neural Networks for Low-Level Vision）

最新推荐文章于 2022-05-02 22:06:40 发布
最新推荐文章于 2022-05-02 22:06:40 发布
阅读量2.1k 收藏 14
点赞数
分类专栏： 图像恢复
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/u010886794/article/details/83542879
版权

论文阅读（【CVPR2018】Jinshan Pan - Learning Dual Convolutional Neural Networks for Low-Level Vision）

 

目录

论文和作者

论文

作者

方法概述

网络结构

损失函数

网络参数

实验

图像去雾

实验结果

图像超分辨率重建

实验结果

图像去雨

实验结果

图像保边滤波

实验结果

总结

参考文献

 

 

论文和作者

论文

【CVPR2018】Jinshan Pan - Learning Dual Convolutional Neural Networks for Low-Level Vision

论文链接    论文主页     代码

作者

Jinshan Pan, Sifei Liu, Deqing Sun, Jiawei Zhang, Yang Liu, Jimmy Ren, Zechao Li, Jinhui Tang, Huchuan Lu, Yu-Wing Tai, Ming-Hsuan Yang

方法概述

本文针对低层视觉问题，提出了一般性的用于解决低层视觉问题的对偶卷积神经网络。作者认为，低层视觉问题，如常见的有超分辨率重建、保边滤波、图像去雾和图像去雨等，这些问题经常涉及到估计目标信号的两个成分：结构和细节。因此，文章提出DualCNN，它包含两个平行的分支来分别恢复结构和细节信息。

SRCNN只有3层，在恢复图像细节方面效果不好，于是VDSR用20层的CNN来恢复细节，但是，如果图像的结构没有被很好地恢复，超分结果就会出现许多artifacts（如上图）。

网络结构

作者提出，用两个并列的网络Net-D和Net-S来分别恢复图像的细节和结构信息，其中D表示detail，S表示structure.最后将两个输出以某种方式整合成最终的输出（视具体问题而定）。

损失函数

令X，S和D分别表示ground truth，Net-S和Net-D的输出，两个网络恢复出的结构和细节需要能够恢复出原图X，于是损失函数如下：

最低0.47元/天 解锁文章
qtSunnylove
关注
  • 0
    点赞
  • 踩
  • 14
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
专栏目录
论文阅读：Learning Dual Convolutional Neural Networks for Low-Level Vision
wang_chaochen的博客
01-11 1469
2018 CVPR ：Dual CNN 本篇文章是2018 CVPR的一篇文章，主要是提出了一种结构来解决多种low-level的视觉问题，主要是参考了超分的一些知识SRCNN、VDSR等等。 //查了一下作者简历，在大连理工大学读完计算机博士学位之后就直接特聘教授去了南京理工大学，28岁正教授，tql// Dual CNN ：Dual Convolutional Neural Networks...
超分论文综述（ DualCNN，Deep SR-ITM ，DSGAN）
一一
12-11 2519
论文来源： [1] Pan, J., Liu, S., Sun, D., Zhang, J., Liu, Y., Ren, J., ... & Yang, M. H. (2018). Learning dual convolutional neural networks for low-level vision. InProceedings of the IEEE conferenc...
论文阅读笔记（一）：Learning Dual Convolutional Neural Networks for Low-Level Vision
02-19 865
Learning Dual Convolutional Neural Networks for Low-Level Vision 论文作者：Jinshan Pan1 Sifei Liu2 Deqing Sun2 Jiawei Zhang3 Yang Liu4 Jimmy Ren5 Zechao Li1 Jinhui Tang1 Huchuan Lu4 Yu-Wing Tai6 Ming-Hsua...
人群密度检测-CSRnet
最棒的yee
05-02 4009
CSRNet神经网络主要用于高密度人群图片的人数估计。 前端直接使用预先训练好的VGG16神经网络， 输出图像的大小为原始输入图像的1/8 后端使用空洞卷积神经网络 在保持分辨率的同时扩大感知域， 生成高质量的人群分布密度图。 空洞卷积 定义一个二维的空洞卷积如下 x(m,n)是长宽分别为M和N的输入图像信息，经过卷积核w(i,j)得到空洞卷积的输出y(m,n)，其中参数r表示空洞率。 如果r=1则空洞卷积就是普通卷积。 实验证明，空洞卷积利用稀疏的卷积核，实现交替卷积和池化操作，在没有增加网络参数
论文学习笔记：CSRNet: Dilated Convolutional Neural Networks for Understanding the Highly Congested Scenes
qq_40356092的博客
08-18 7309
CSRNet网络模型是2018年CVPR论文中提出来的一种用于人群计数的模型。 论文链接：CSRNet Abstract 摘要 我们提出了一个拥挤场景识别网络CSRNet，它提供了一种数据驱动的深度学习方法，可以理解高度拥挤的场景，进行精确的计数估计，并提供高质量的密度图。我们提出的CSRNet由两个主要部分组成：一个是作为二维特征提取的前端卷积神经网络（即模型中的前端网络frontend ），另一个是用于后端的扩展CNN（后端网络backend），它使用扩展的核（空洞卷积操作）来传递更大的感受野，并代替池
Awesome-CVPR2021-CVPR2020-Low-Level-Vision:CVPR2021CVPR2020低层视觉的论文和代码合集
04-11
Low-Level-VisionA Collection of Papers and Codes for CVPR2021/CVPR2020 Low Level Vision or Image Reconstruction整理汇总了下2021年CVPR和2020年CVPR底层视觉(Low-Level Vision)相关的一些论文和代码，包括超...
cvpr2012-Multi-column Deep Neural Networks for Image
03-17
《多列深度神经网络在图像分类中的应用》(cvpr2012-Multi-column Deep Neural Networks for Image Classification) 这篇论文由Dan Cires¸an、Ueli Meier和J¨urgen Schmidhuber共同撰写，来自瑞士IDSIA-USI-SUPSIG...
Towards Effective Low-bitwidth Convolutional Neural Networks
09-18
neural network with both low-precision weights and low-bitwidth activations. Optimizing a low-precision network is very challenging since the training process can easily get trapped in a poor local ...
A-Convolutional-Neural-Network-Cascade-for-Face-Detection:TensorFlow实现“用于面部检测的卷积神经网络级联”，CVPR 2015
05-17
用于人脸检测的卷积神经网络级联 此回购是TensorFlow中重新实现。 开始 准备资料 下载AFLW数据集（正）和COCO数据集（负）进行训练。 可以使用任何其他数据集代替负数的COCO数据集。 下载FDDB数据集进行测试。...
去模糊算法
07-10
针对文字的去运动模糊算法 Title: Matlab code for "Deblurring Text Images via L0-Regularized Intensity and Gradient Prior" Author: Jinshan Pan (sdluran@gmail.com), Zhe Hu (zhu@ucmerced.edu), Zhixun Su (zxsu@dlut.edu.cn), Ming-Hsuan Yang (mhyang@ucmerced.edu). Version: 1.0 Copyright: 2014, Jinshan Pan, Zhe Hu, Zhixun Su, and Ming-Hsuan Yang Matlab code for "Deblurring Text Images via L0-Regularized Intensity and Gradient Prior" ==========================================================
Motion Blur Kernel Estimation via Salient Edges and Low Rank Prior
04-11
Motion Blur Kernel Estimation via Salient Edges and Low Rank Prior
Learning Channel-wise Interactions for Binary Convolutional Neural Networks.pdf
04-07
一篇论文，提出了BI-CNN模型，能够使二值化神经网络大幅提高精度，在CIFAR-10和IMAGENET数据集上表现良好。
CSRNet: Dilated Convolutional Neural Networks for Understanding the HighlyCongested Scenes
SurpriseDPD的博客
10-20 584
csrnet：用于理解高度拥挤场景的扩张卷积神经网络 针对复杂场景的拥挤场景理解我们提出了一个 CSRNet 网络，该网络主要包括两个部分，前端使用一个 卷积网络用于 2D 特征提取，后端用一个 dilated CNN。 该网络在几个常用的公开人群密度估计数据库上取得了不错的效果。 我们提出了一种用于拥塞场景识别的网络，称为CSRNet，以提供一种数据驱动的...
深度学习：人群计数CSRNet(CVPR2018)论文相关解读
YoungX's Blog
11-15 4177
人群计数CSRNet(CVPR2018)论文相关解读 文章目录人群计数CSRNet(CVPR2018)论文相关解读一、简介什么是VGG16？什么是空洞卷积（dilated convolution）？二、相关工作CSRNet架构训练方法三、实验结果四、总结 一、简介 该网络主要包括两个部分，前端使用VGG16（改造版）用于 2D 特征提取，后端用空洞卷积网络代替池化操作。two major components: a convolutional neural network(CNN) as the front
人群计数：CSRNet-Dilated Convolutional Neural Networks for Understanding the Highly Congested Scenes
目睹闰土刺猹的瓜的博客
07-18 6831
Understanding the Different Computer Vision Techniques for Crowd Counting 从广义上讲，目前有四种方法来计算人群中的人数： 1.基于检测的方法 在这里，即使用移动的窗口式探测器来识别图像中的人并计算其中的人数。用于检测的方法需要经过良好训练的分类器，其可以提取低级特征。尽管这些方法适用于检测面部，但它们在拥挤的图像上表现不佳，...
CV低高等视觉及模型架构
JYliangliang的博客
03-30 3043
Low-Level-Vision 主要包括：超分辨率、图像恢复、去雨、去雾、去模糊、去噪、重建等方向 1.超分辨率（Super-Resolution） 2.图像去雨（Image Deraining） 3.图像去雾（Image Dehazing） 4.去模糊（Deblurring） 5.去噪（Denoising） 6.图像恢复（Image Restoration） 7.图像增强（Image Enhancement） 8.图像去摩尔纹（Image Demoireing） 9.图像阴影去除(I
[CSRNet] CSRNet-pytorch 复现过程记录
wpw5499的博客
12-22 7413
目录一、开发环境二、论文代码三、操作步骤导入项目数据准备训练模型 一、开发环境 windows10+Anaconda3+Python3.6+CUDA10.0+Pytorch1.0+Pycharm 二、论文代码 CSRNet代码链接 三、操作步骤 导入项目 1、通过git下载或者zip网页下载，二选一 2、导入项目至pycharm 数据准备 1、数据集 ShanghaiTech 百度网盘：https://pan.baidu.com/s/1cC4wkHAWfJ15VKwG2qjJ6A 提取码：i0xa 2、
论文阅读：CVPR2016 Paper list
热门推荐
一亩半分地
05-12 8万+
CVPR2016 accepted paper list
【文献阅读】Perceptual Generative Adversarial Networks for Small Object Detection –CVPR-2017
最新发布
06-06
好的，我了解了你的要求。关于你提到的这篇论文，是一篇关于小目标检测的研究，作者提出了一种基于感知生成对抗网络...这篇论文发表在2017年的计算机视觉与模式识别会议（CVPR）上。如果你还有其他问题，可以随时问我。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 5
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