- 博客(13)
- 收藏
- 关注
RSS订阅原创 SEA-LAND SEGMENTATION OF REMOTE SENSING IMAGE BASED ON SPATIAL CONSTRAINT MODEL SUPERPIXEL METHOD
None。
2023-09-02 17:21:23
113
1
原创 注意力机制引导下的多维度特征融合红外小目标检测方法（硕士论文一篇）
本章从模型驱动的角度出发，利用视觉注意力中的显著检测于对比度机制，针对性地设计适合红外小目标特征的检测放啊。形态学建模类的方法一般是基于红外小目标的尺寸很小且通常魏斑状区域。因此可以通过构造合适的结构元素对其进行状态学特征的描绘。本章使用了适合红外小目标特征性的Top-hat算子，不同于传统的Top-hat算子，提取目标时对噪声以及背景早搏的影响更加鲁棒。模型驱动的红外小目标检测方法多是基于目标具有显著性、对比度和稀疏性等先验假设对问题建立模型并求解。
2023-07-25 19:09:02
1317
原创 DARTS:DIFFERENTIABLE ARCHITECTURE SEARCH
cell: a cell is a directed acyclic （无循环）graph consisting of an ordered sequence of N nodes;
2023-07-25 15:02:14
118
原创 Neural Architecture Search: Basic and Random Search
embedding：是将独热码进行压缩，得到one-hot，输入到dense layer得到的，进行压缩。不同的数据的softmax是不能相同的，每一步的softmax都是独立的，不能与其他方案共享。初始状态，一般来说是全零向量。
2023-07-23 22:30:56
100
1
原创 RNN与LSTM
本文主要是https://www.bilibili.com/video/BV1QY411o7bw/?source_id=1005的笔记。
2023-07-22 12:29:23
76
1
原创 Fast AutoAugment
在这篇论文中，我们提出了一个搜索数据增强的策略的方式，被叫做Fast Augment,受Bayesian DA。在这个section中，我们引入了symbolic augmentation operation 并且制定了新的搜索策略，高效密度匹配，这样才能发现最优的有效。AutoAugment是只用了数据增强的方法自动的搜索数据增强的策略。相反，本文提出了一种新的算法来最大化被增强的gplie和另外一个unaugment的数据分布。一般而言，O是一套数据增强的策略，可以完成数据集合的映射。
2023-07-12 20:31:45
122
1
原创 DARTS:Differentiable Architecture Search
在传统的过程中，一般是使用强化学习(RL)进化算法来优化网络，在这里的时候，我们的validation performance是作为一个reward（RL）或者是一个fitness， DARTS目标是优化validation loss，所以使用的是gradient descent。（这段简直是这篇论文的核心！）为此，我必须贴出论文中的原话！在放松之后，我们的目标是学习两个部分，一个是网络的结构，一个是网络的权重。2.本文做了大量的扩展实验来证明本文提出的网络是有效的，来证明本文提出的数据是有效的；
2023-07-08 14:55:43
82
原创 KCPNet: Knowledge-Driven Context Perception Networks for Ship Detection in Infrared Imager
本文提出的RFEM的特征：1.于ASPP不同，本文提出了空洞卷积网络解决了空洞卷积网格化的问题。2.横夺基于卷积的REEMs往往忽略了特征图的从属和等级关系，导致了初始特征的碗篮。考虑到CNN学习过程中模拟人类的认知过程，从根本上去解决虚警问题，我们应该分析为什么人类能够那么快地检测出舰船，比如舰船的形状和与环境的对比。很显然不同层的网络对于网络的贡献是不一样的。现在的检测方法能够被分成两个：分别是基于卷积的视觉特征方法和基于深度学习的算法。所以目标检测的主要的不应该只有目标也应该有观察目标的周围的特点。
2023-06-24 18:39:11
569
3
原创 Learning to Resize Images for Computer Vision Task
对于大多的卷积网络都会有resize的操作。这样可以把一个image resize成一个相对较小的图片。名义上，图像resizer比如双线性和三线性被广泛地使用在大多数机器学习架构中。这个学习到的resizer创造了一个一起友好的提升。
2023-06-21 18:08:38
109
原创 Fine-Grained Recognition for Oriented Ship Against Complex Scenes in Optical Remote Sensing Images
和很多其他CV领域一样，目前舰船检测主流有两种方法，分别是基于特征的检测方法和基于传统的检测方法。在基于特征的检测方法中，主要使用的方法从粗糙到一般。一般分成两步：首先，将海域分割为感兴趣的区域来排除虚警，然后，在候选区域里面进行识别。主要的方法是基于统计数据数据，基于视觉显著性，基于频率分析和反射差异的。第二个阶段是提取特征并且识别潜在的候选区域。一般使用的是SVM和Adaboost。一般来讲手工特征包括有LBP特征、Harr特征和其提升特征。基于特征的模型在简单场景中表现很好。
2023-06-18 14:40:29
169
原创 SCRDet: Towards More Robust Detection for Small, Cluttered and Rotated Objects
首先，将特征层F3提取出来，然后经过不同尺寸大小的卷积核，得到一个二通道的显著性地图，其中两通道分表代表的是前景和背景。根https://blog.csdn.net/weixin_45358930/article/details/131233951这篇论文的分析，当目标很小的时候，当anchor足够小的时候，对目标的检测的效果是足够大的。额外的噪声包围住目标的信息，这样目标就会变得模糊，从而影响到目标的检测。现在的检测器没有花努力在有用的目标检测上面：小目标、杂乱无章的分布和方向任意（这种问题很多）。
2023-06-15 19:54:22
276
2
原创 Seeing Small Faces from Robust Anchor’s Perspective
由于我们有anchors是将整张图片全部铺满，很显然即使是face随机出现在整张图片中，在固定了anchor的情况下，face box和anchor随着x和y的变化是呈现周期性的特点。同时由于本文使用的是堆成框，于是乎，很显然，face box和anchor的相对位置是呈现对称性的性质。换句话说，在分辨并调整achor框之后，有高的confidence的新boxes仍然很难能够cover掉小的脸。除了严重的遮挡，极端的pose和低画质，非常小的脸已经常委了现在网络现在鲁棒的面部检测模型的挑战之一。
2023-06-15 18:47:42
47
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人