![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
计算机视觉
文章平均质量分 87
浅若清风cyf
编程不仅仅是一种技术,更是一种创造世界的艺术
个人主页:https://yoferchen.github.io/YoferVuePressHome/
展开
-
论文翻译:MiniViT:Compressing Vision Transformers with Weight Multiplexing(2022CVPR)
Vision Transformer由于其较高的模型性能在计算机视觉领域受到广泛关注。然而,Vision Transformer受到大量参数的影响,限制了它们在内存有限的设备上的适用性。为了缓解这一问题,本文提出了一种新的压缩框架MiniViT,MiniViT能够在保持相同性能的同时实现了Vision Transformer的参数缩减。 MiniViT的核心思想是将连续Vision TRansformer Block的权重相乘。更具体地说,使权重跨层共享,同时对权重进行转换以增加多样性。Weight转载 2022-08-15 22:18:47 · 921 阅读 · 0 评论 -
论文笔记:Image Fusion Transformer (2021)
# 一、瓶颈问题- 现有的基于CNN融合技术通过学习局部特征来提高泛化能力,克服了传统方法的缺点(依赖手工特征提取、耗时、设计特定的融合规则),但是它们无法提取图像中的长距离的相关性,这导致丢失一些可能对融合图像有用的基本全局上下文。 # 二、 本文贡献本文提出了一种基于Transformer的多尺度融合策略,同时关注局部和长距离信息(或全局上下文)- 1、我们提出了一种新的融合方法,称为Image Fusion Transformer(IFT),它利用局部信息和模型的长期依赖性来克服当前图像原创 2022-04-11 08:00:00 · 3484 阅读 · 6 评论 -
论文笔记:SESF-Fuse: an unsupervised deep model for multi-focus image fusion (2021)
# 一、瓶颈问题:## 1、融合策略DenseFuse提出AE架构的无监督图像融合方法,在红外光与可见光融合任务中,特征向量的$l_1$范数用于表示两张源图像对应像素点activity level,从而获得融合特征图,最后通过解码器得到融合图像。$l_1$范数能够度量像素的强度信息,然而,对于多聚焦图像融合任务,通常只假设DOF(景深)内的目标在照片中具有锐利的外观,这种任务场景中,重要的是特征的梯度信息,$l_1$不是这一任务的有效度量方法。原创 2022-04-09 08:00:00 · 2507 阅读 · 2 评论 -
论文笔记:Densely Connected Convolutional Networks (2017 CVPR)
【开源代码】:https://github.com/liuzhuang13/DenseNet# 一、瓶颈问题a. 随着CNN越来越深入,出现了一个新的研究问题:当有关输入或输入的信息通过许多层时,它可能会在到达网络的末端(或开始)时消失。b. 网络层数的增多意味着需要更大的参数量,可能有大量冗余的参数,这导致了更多的计算消耗。原创 2022-04-07 08:00:00 · 1125 阅读 · 0 评论 -
论文笔记:U2Fusion A Unified Unsupervised ImageFusion Network(2020 TPAMI)
# 一、瓶颈问题:## 1、如何在无ground truth和通用参考指标情况下构建统一的图像融合模型?传统的融合框架、融合规则的有限选择和手工设计的复杂性限制了性能的提高。在端到端模型中,融合问题通过依赖监督学习的ground truth或专门设计的无监督学习度量来解决。然而,<u>不存在多个任务的通用基本事实或无参考指标。</u>然而,不存在多个任务的通用基本事实或无参考指标。这些问题是构建统一模型和有监督或无监督学习应用的主要障碍。原创 2022-04-05 18:46:20 · 8858 阅读 · 9 评论 -
OpenCV(python)基本使用&图像通道数判断
文章目录1、读取/保存图片1)imread和imwrite方法2)imdecode和imencode方法2、编码转换a)BGR转RGBb)BGR转GRAY3、快速判断图像是否单通道灰度图4、获取图像通道数1、读取/保存图片1)imread和imwrite方法注:此方法遇到中文路径会报错!import cv2# 参数1:文件路径# 参数2:读取方式# 常用几种模式:# 灰度图:cv2.IMREAD_GRAYSCALE# BGR三通道彩色图:cv2.IMREAD_COLOR# 原始通原创 2022-03-02 21:35:38 · 8348 阅读 · 0 评论 -
论文笔记(综述):Deep Learning-based Multi-focus Image Fusion: A Survey and A Comparative Study
文章链接:https://ieeexplore.ieee.org/abstract/document/9428544/摘要(Abstract)背景多聚焦图像融合(Multi-focus image fusion (MFIF))是图像处理中的一个重要领域。自2017年以来,深度学习(deep learning has)已被引入MFIF领域,并提出了各种方法。然而,缺乏详细讨论基于深度学习的MFIF方法的调查论文。本文工作详细调查基于深度学习的MFIF算法,包括方法、数据集和评估指标比较基于.原创 2022-02-25 23:42:56 · 3742 阅读 · 0 评论 -
图像中的上采样和下采样
上采样和下采样缩小图像(或称为下采样(subsampled)或降采样(downsampled))的主要目的有两个:1、使得图像符合显示区域的大小;2、生成对应图像的缩略图。放大图像(或称为上采样(upsampling)或图像插值(interpolating))的主要目的是放大原图像,从而可以显示在更高分辨率的显示设备上。对图像的缩放操作并不能带来更多关于该图像的信息, 因此图像的质量将不可避...转载 2020-04-19 15:09:38 · 375 阅读 · 0 评论 -
论文笔记:DeepFuse: A Deep Unsupervised Approach for Exposure Fusion with Extreme Exposure Image Pairs
论文笔记:DeepFuse: A Deep Unsupervised Approach for Exposure Fusion with Extreme Exposure Image Pairscode:hli1221/Imagefusion_deepfuse: Image fusion based on deepfuse network - Tensorflow (based on ICCV2017: deepfuse), Unofficial (github.com)年份:2017会议:ICCV原创 2022-01-06 23:49:46 · 3827 阅读 · 0 评论 -
论文笔记:Multi-focus image fusion with a deep convolutional neural network
论文笔记:Multi-focus image fusion with a deep convolutional neural network年份:2016实验室:合肥工业大学生物医学工程系、中国科技大学自动化系名词总结:景深(depth-of-field (DOF))活动水平测量(activity level measurement)融合规则(fusion rule)聚焦图(focus map)二值图(binary map)一致性检验(consistency verification)原创 2021-12-21 17:48:15 · 4077 阅读 · 18 评论 -
论文笔记(综述)——Image fusion meets deep learning: A survey and perspective
文章目录摘要引言摘要图像融合:指从不同的源图像中提取并组合最有意义的信息,其目的是生成一幅信息量更大、有利于后续应用的图像。深度学习在图像融合中的应用:神经网络的强大特征提取和重建能力使得融合结果有前景。(如:生成对抗网络,自动编码器)本文要点:① 介绍了图像融合的概念,并从采用的深层架构和融合场景的角度对图像融合方法进行分类。② 回顾了深度学习在各种图像融合场景中的应用,包括数字摄影图像融合、多模态图像融合和锐化融合。③ 对特定融合任务中的一些代表性方法进行了定性和定量评估。④ 介绍了原创 2021-12-01 09:51:15 · 6378 阅读 · 5 评论 -
论文笔记(显微图像拼接)——A fast algorithm for material image sequential stitching
文章目录摘要引言摘要本文主要介绍了一种医学图像拼接方法,该方法采用了增量搜索策略(incremental searching strategy)以及GPU加速。实验表明,这种方法相比于传统的通用软件(如ImageJ,Photoshop,Autostitch)在准确率和速度上都取得了先进的水平。引言...原创 2021-10-30 17:17:58 · 3336 阅读 · 9 评论 -
计算机视觉学习笔记&思维导图(一起轻松学习计算机视觉与图像处理)
文章目录前言一、思维导图二、笔记前言本文为计算机视觉课程期末复习的笔记,编者耗时近半个月整理而成。内容依据课程的学习资料以及查阅网上一些资料梳理得到的,编者希望在应付考试的同时能够将计算机视觉的知识体系建立起来,为今后的学习打下基础。编者在整理本文过程中,对相关的知识点进行相应的学习,收获颇多。编者将本文分享出来,希望能够帮助每一位读者!由于大部分内容是为考试而编写的,因而内容并不能涵盖计算机视觉领域的全部计算,本文侧重于介绍传统经典的图像处理技术,没有介绍深度学习的图像处理技术,有兴趣的读者可自行原创 2021-07-05 00:14:47 · 3004 阅读 · 4 评论