weixin_43917574的博客

Rethinking Planar Homography Estimation Using Perspective Fields这篇论文的Pytorch实现

深度单应性估计论文与代码汇总

UnFlow损失函数

语义分割的评价指标MIoU理解及代码实现

Pytorch搭建DeepLabv3

Pytorch搭建FCN网络

使用Pytorch读取和处理Pascal VOC2012数据集

Pytorch搭建UNet网络

Pytorch搭建ResNet18、ResNet34、ResNet50、ResNet101、ResNet152系列网络。本篇博客对PyTorch官方源码实现进行了简化，重点学习ResNet系列网络结构之间的区别。

Deep Image Homography Estimation - Pytorch实现

基于卷积神经网络强大的特征提取能力，本文构造了一个VGG风格的回归网络，可以从两幅图像中直接学习单应性变换的参数，在合成数据集上取得了比ORB更好的效果。

Unsupervised Deep Homography - Pytorch实现

AlexNet是第一个深度神经网络，使用了更多的卷积层和更大的参数空间来拟合大规模图像识别数据集ImageNet。

Pytorch搭建VGG11、VGG13、VGG16、VGG19系列网络

在Pytorch中加载图片数据集一般有两种方法。第一种是使用 torchvision中的datasets.ImageFolder来读取图片然后用 DataLoader来并行加载，适合图片分类问题，简单但不灵活；第二种是通过继承 torch.utils.data.Dataset 实现用户自定义读取数据集然后用 DataLoader来并行加载，较为灵活。下面分别介绍一下。

在tensorflow2.0中加载图片数据集一般有两种方式，第一种是使用tf.keras中的ImageDataGenerator生成器，适合图片分类问题，简单但不灵活；第二种是使用tf.data.Dataset搭配tf.image中的一些图片处理方法，较为灵活。下面分别介绍一下。

本文提出了一种无监督学习算法，设计了一个卷积神经网络进行单应性估计，使用了不需要人工标签的光度损失函数，并引入了张量直接线性变换层和空间变换层，在合成数据集和真实数据集上都取得了较好的效果。

手写数字体识别-keras实现

VGG11、VGG13、VGG16、VGG19网络结构图

参考 具有直线结构保护的网格化图像拼接 这篇论文的方法，在NISwGSP算法框架上新增直线保持项，保护典型的直线结构不被弯曲。