![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
论文笔记
文章平均质量分 93
JBY-ZQ
这个作者很懒,什么都没留下…
展开
-
【GAT】GRAPH ATTENTION NETWORKS论文笔记
GRAPH ATTENTION NETWORKS摘要摘要GCN将局部的图结构和节点特征结合在节点分类任务中获得好的表现。但GCN及其近似模型有两点不足:一是结合邻近节点特征的方式和图结构相关,限制模型泛化能力;二是给同阶邻域不同结点分配相同权重,限制模型捕捉空间信息相关性能力;本文提出了一种新的应用于图数据上的网络结果Graph Attention Networks(GATs),不同于先前一些基于谱域的图神经网络,通过使用masked的self attention,从而克服了先前图卷积网络或其原创 2021-12-30 23:30:04 · 2218 阅读 · 0 评论 -
PIX2SEQ: A LANGUAGE MODELING FRAMEWORK FOR OBJECT DETECTION笔记
PIX2SEQ: A LANGUAGE MODELING FRAMEWORK FOR OBJECT DETECTION摘要1 简介摘要Pix2Seq:是一种简单而又通用的目标检测框架。与现有的显式整合关于任务的先验知识的方法不同,我们简单地将对象检测转换为基于观察到的像素输入的语言建模任务。目标描述(例如,边界框和类标签)被表示为离散标记序列,我们训练一个神经网络来感知图像并生成所需的序列。我们的方法主要基于这样一种直觉,即如果一个神经网络知道目标在哪里和是什么,我们只需要教它如何读出它们。图1:用原创 2021-11-13 19:56:29 · 2313 阅读 · 0 评论 -
2018-CropNet实时缩略图论文笔记
2018-CropNet : Real-Time Thumbnailing摘要1 简介裁剪步骤和缩放步骤的引入缩略图生成与目标检测的异同CropNet的提出数据集的选取以及实验结果2 相关工作现有方法的分析3 方法3.1 网络结构3.2 中心位置预测3.3 裁剪窗口大小估计3.4 边界框回归3.5 Aspect-ratio-specific bank4 实验4.1 数据集4.2 评估指标4.3 Baseline4.4 边界框回归4.5 级联结构4.6 预测中心点5 评估5.1 结果5.2 交叉数据集验证5原创 2021-10-31 13:48:49 · 456 阅读 · 0 评论 -
2019-Photo_Cropping_via_Deep_Reinforcement_Learning论文笔记
2019-Photo_Cropping_via_Deep_Reinforcement_Learning论文笔记摘要1 简介摘要图像自动裁剪旨在改变图像的构图,以提高图像的美学质量。它可以为图像编辑工作者提供专业的建议,并节省时间。==现有的自动图像裁剪方法大多是基于美学特征或突出特征等特定特征。这些方法采用滑动窗口机制生成大量的候选裁剪结果,然后根据这些特定特征选择最终结果。它非常耗时,只能产生有限的高宽比的裁剪结果。==面对这些情况,提出了一种DLRL(深度学习框架结合强化学习)框架,该框架只使用图像原创 2021-10-24 14:23:53 · 1413 阅读 · 0 评论 -
Composing Photos Like a Photographer_2021_CVPR论文笔记
2021Hong_Composing_Photos_Like_a_Photographer_CVPR_2021_paper摘要1 简介图像裁剪概念现有的美学激励方法不足通过构图来裁剪的范式、CACNet(构图感知裁剪网络)2 相关工作3 构图感知图像裁剪3.1 大纲3.2 学习和编码构图规则Learning Composition RulesEncoding Rules in the Key Composition MapCAMsKCM的合并过程3.3 KCM表示的裁剪加权锚点的引入3.4 Multi-Ta原创 2021-10-22 21:28:53 · 989 阅读 · 0 评论