论文笔记
文章平均质量分 91
国家二级退堂鼓表演家
这个作者很懒,什么都没留下…
展开
-
【论文笔记(8)】PaDiM a Patch Distribution Modeling Framework for Anomaly Detection and Localization
PaDiM a Patch Distribution Modeling Framework for Anomaly Detection and LocalizationAbstractIntroductionRelated Work基于重建的方法基于嵌入相似度的方法Patch Distribution Modeling嵌入提取训练:学习正常状态推理:计算异常图Experiments数据和指标指标数据集实验设置结果A.消融实验B. 与最先进的方法相比定位检测C.非对齐数据集上的异常定位D.可伸缩性时间复杂度内原创 2021-03-09 21:01:01 · 7668 阅读 · 0 评论 -
【论文笔记 (7)】Memorizing Normality to Detect Anomaly: Memory-augmented DeepAutoencoder for Unsupervised
Memorizing Normality to Detect Anomaly: Memory-augmented DeepAutoencoder for Unsupervised原创 2021-03-01 10:07:57 · 1853 阅读 · 0 评论 -
【论文笔记(6)】Focal Loss for Dense Object Detection
Focal Loss for Dense Object Detection摘要简介相关工作Focal Lossbalanced Cross Entropy摘要迄今为止精度最高的目标检测器是基于R-CNN推广的两阶段方法,其中分类器被应用于候选目标位置的稀疏集合。相比之下,对可能的目标位置进行常规密集采样的单级探测器具有更快和更简单的潜力,但到目前为止,其精度落后于两级探测器。在这篇文章中,我们调查了为什么会出现这种情况。我们发现,在密集检测器的训练过程中遇到的极端的前景-背景类不平衡是主要原因。我们建议原创 2020-11-12 16:57:07 · 767 阅读 · 0 评论 -
【论文笔记(5)ECCV2020】Graph convolutional networks for learning with few clean and many noisy labels
Graph convolutional networks for learning with few clean and many noisy labelsAbstractIntroductionRelated WrokAbstract在这项工作中,我们考虑了当给出几个干净的标签示例时,从噪声标签中学习分类器的问题。清洁和噪声数据的结构由每个类的图来建模,并使用图卷积网络(GCN)来预测噪声示例的类相关性。对于每一类,GCN被视为一个二元分类器,它使用加权的二元交叉熵损失函数来学习区分干净的和有噪音的示原创 2020-10-09 17:25:42 · 668 阅读 · 0 评论 -
【论文笔记(4)】MV-GNN: Multi-View Graph Neural Network for Compression Artifacts Reduction
MV-GNN: Multi-View Graph Neural Network for Compression Artifacts Reduction摘要简介相关工作单幅图像压缩伪影的减少多幅图像压缩伪影的减少图卷积神经网络总结方法问题描述特征提取网(FENET)基于GNN的动态融合网重构网摘要在许多面向交互的3D视觉应用中,多视点视频(MVV)中不可避免的压缩伪影会明显降低体验质量。在非对称编码的框架下,考虑到不同视点之间的相似性,利用相邻视点的高质量图像对低质量图像进行增强。然而,压缩伪影和翘曲原创 2020-09-23 17:40:48 · 1652 阅读 · 0 评论 -
【论文笔记(3)】Dynamic Spatiotemporal Graph Neural Network with Tensor Network
Dynamic Spatiotemporal Graph Neural Networkwith Tensor Network摘要(Abstract)简介方法2.1 描述问题2.2 空间张量图和时间张量图2.2.1空间张量图(STG)2.2.2时间张量图(STG)2.2.3 切比雪夫多项式逼近2.3 时空图形卷积层(STGCL)2.4网络结构投影纠缠对状态(PEPS)2.6讨论2.6.1Tucker in STGCLPEPS 效果摘要(Abstract)动态空间图构造是图神经网络(GNN)解决时间序列数据原创 2020-09-22 23:38:18 · 1096 阅读 · 6 评论 -
【论文笔记(2)】3D Graph Neural Networks for RGBD Semantic Segmentation
论文:https://ieeexplore.ieee.org/document/8237818代码:https://github.com/yanx27/3DGNN_pytorch原创 2020-08-05 16:02:40 · 877 阅读 · 0 评论 -
[论文笔记(1) CVPR2020] Point-GNN: Graph Neural Network for 3D Object Detection in a Point Cloud
目录1.摘要2.介绍3.相关工作原创 2020-08-03 17:22:23 · 2495 阅读 · 0 评论