深度学习——Pre-Net

最新推荐文章于 2024-06-13 09:36:57 发布
最新推荐文章于 2024-06-13 09:36:57 发布
阅读量6.5k 收藏 27
点赞数 7
分类专栏： 深度学习--降噪 文章标签： 网络 深度学习 卷积 python 神经网络
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/weixin_51352656/article/details/112117599
版权
本文介绍了CVPR2019提出的PReNet和PReNet，用于图像去雨任务。这两种网络结构简单，通过内部循环优化实现良好的去雨效果，不增加额外参数。PReNet包含卷积层和残差块，而PReNet额外加入循环单元LSTM。实验表明，使用SSIM损失函数的PReNet在视觉效果和评价指标上优于MSE损失函数，且循环优化阶段不宜过多，T=6时效果最佳。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

CVPR2019原论文：Progressive Image Deraining Networks: A Better and Simpler Baseline
开源代码（pytorch框架）：https://github.com/csdwren/PReNet
1.主要工作：
提出了逐步优化残差网络 progressive ResNet (PRN)和逐步优化循环网络progressive recurrent network (PReNet)完成图像去雨。这两个网络没有太大差异，只是PReNet比PRN多了一个循环单元。PRN和PReNet具有简单的结构，但能够实现较好的去雨效果。它们能够被轻易嵌入其它的去雨网络框架中。
PRN和PReNet能够内部循环计算，不增加网络参数的同时，还能实现较好的去雨效果。
PRN和PReNet能够通过 single negative SSIM 或 MSE损失来更新网络参数。

2.progressive residual network (PRN)：
在这里插入图片描述
PRN的结构非常简单，主要分为三个部分：1）一个卷积层 fi(…)接收input图像 ；2）若干个残差块(ResBlocks)的组合fres（…）提取深度特征信息 ；3)一个卷积层fout（…）输出去雨结果图像。
但PRN是循环迭代优化的，比如上图分为了T个循环优化阶段，从t=1→t=2→t=3→…→t=T。这些循环的网络参数是共用的࿰

最低0.47元/天 解锁文章
目标检测YOLO实战应用案例100讲-基于PReNet和YOLOv4融合的 雨天交通目标检测网络（续）
qq_36130719的博客
03-10 122
PReNet是一种分阶段结构的去雨网络，但其网络结构较简单，去雨图像存在雨线 残留，同时在处理暗背景、明亮的水面等亮区域时，去雨后的图像分辨率下降，且具 有部分失真或过饱和现象。针对以上不足，本章首先对PReNet网络进行优化；其次针 对雨天场景交通目标数据集匮乏问题，构建雨天交通场景车辆目标数据集(VOD-RTE)； 最后对改进的图复原网络进行定量、定性分析以验证其图像复原的有效性。 目前，鲜有针对雨天场景交通目标检测的专用数据集，广泛使用的雨天复原数据 集主要包括Rain800数据集[ 61]、Rain
AIGC实战——GPT(Generative Pre-trained Transformer)
盼小辉丶的博客
03-11 7056
注意力机制能够用于构建先进的文本生成模型，Transformer 是用于序列建模的强大神经网络，该神经网络不需要复杂的循环或卷积架构，而只依赖于注意力机制。这种方法克服了循环神经网络难以并行化的缺陷。Transformers 高度可并行化运算，能够在大规模数据集上进行训练。在本节中，我们将学习文本生成模型如何利用 Transformer 架构提高文本性能，并介绍自回归模型 GPT (Generative Pre-Trained transformer)。
深度学习：图像去雨网络实现Pytorch （二）一个简单实用的基准模型（PreNet）实现
weixin_65602529的博客
01-20 3522
详细介绍了一种简单实用的去雨模型PreNet在Pytorch框架下的搭建过程，供读者参考学习
CNN结构模型一句话概述：从LeNet到ShuffleNet
jinxin521125的博客
08-10 908
LeNet：基于渐变的学习应用于文档识别 AlexNet：具有深卷积神经网络的ImageNet分类 ZFNet：可视化和理解卷积网络 VGGNet：用于大规模图像识别的非常深的卷积网络 NiN：网络中的网络 GoogLeNet：卷入更深入 Inception-v3：重新思考计算机视觉的初始架构 ResNet：图像识别的深度残差学习 Stochastic_Depth：具有随机深度的深
【深度学习】U-Net简介
weixin_41449637的博客
06-13 3万+
论文题目：U-Net: Convolutional Networks for Biomedical Image Segmentation 论文地址：https://arxiv.org/pdf/1505.04597v1.pdf 医学图像处理方向，U-Net可以说是一个更加炙手可热的网络，基本上所有的分割问题，都可以尝试用U-net看看效果，这在阿里天池比赛中，经常被用到。 论文通过数据增强使得有限且...
【PraNet】主要架构解读-------wmilk
机器学习课程记录
04-12 1213
Res2net:A new multi-scale backbone architecture（Res2net:一种新的多尺度骨干架构） · ​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​​ 图一 右边模块在左边传统的瓶颈块中增加了多分支结构，此分支能够对输入图像进行不同像素大小的观察，拓展了系统对图像的感受视野，能增加读取的信息量。 ...
图像去雨逐步优化循环网络 PreNet 源代码
08-03
图像去雨逐步优化循环网络 PreNet 源代码。 不要积分下载！
matlab避免代码查重-PRS-Net:PRS网络
06-18
matlab历史代码查重PRS-Net：用于 3D 模型的平面反射对称检测网络 介绍 此存储库是 PRS-Net 的代码版本：用于 3D 模型的平面反射对称检测网络 (arXiv pdf)。 在几何处理中，对称性是 3D 模型高级结构信息的通用类型，有利于许多几何处理任务，包括形状分割、对齐、匹配和完成。 因此，分析3D形状的各种对称形式是一个重要的问题。 平面反射对称是最基本的一种。 基于空间采样的传统方法可能非常耗时，并且可能无法识别所有对称平面。 在本文中，我们提出了一种新颖的学习框架来自动发现 3D 形状的全局平面反射对称性。 我们的框架训练一个无监督的 3D 卷积神经网络来提取全局模型特征，然后输出可能的全局对称参数，其中输入形状使用体素表示。 我们引入了专用的对称距离损失和正则化损失，以避免生成重复的对称平面。 我们的网络还可以通过预测旋转轴来识别广义圆柱体。 我们进一步提供了一种删除无效和重复的平面和轴的方法。 我们证明我们的方法能够产生可靠和准确的结果。 我们基于神经网络的方法比基于采样的最先进方法快数百倍。 即使输入表面嘈杂或不完整，我们的方法也很稳健。 在这个存储库
AIGC实战——深度学习 (Deep Learning, DL)
盼小辉丶的博客
10-25 6万+
深度学习 (Deep Learning, DL) 是贯穿所有生成模型 (Generative Model) 的共同特征，几乎所有复杂的生成模型都以深度神经网络为核心，深度神经网络能够学习数据结构中的复杂关系，而不需要预先提取数据特征。在本节中，我们将介绍深度学习基本概念，并利用 Keras 构建深度神经网络。
AIGC实战——VQ-GAN(Vector Quantized Generative Adversarial Network)
盼小辉丶的博客
04-17 1万+
在 VQ-GAN 模型中，将几种不同类型的生成模型进行有效地组合，VQ-GAN 通过额外的对抗损失项鼓励 VAE 生成更清晰的图像。使用自回归T ransformer 构建了一系列能够由 VAE 解码器解码的编码符号。ViT VQ-GAN 进一步扩展了这一思想，将 VQ-GAN 的卷积编码器和解码器替换为 Transformers。
PyTorch深度学习实战（1）——神经网络与模型训练过程详解
热门推荐
盼小辉丶的博客
05-28 8万+
在本节中，我们将了解传统机器学习与人工神经网络间的差异，并了解如何在实现前向传播之前连接网络的各个层，以计算与网络当前权重对应的损失值；实现反向传播以优化权重达到最小化损失值的目标。并将实现网络的所有关键组成——前向传播、激活函数、损失函数、链式法则和梯度下降，从零开始构建并训练了一个简单的神经网络。
PRSNet:使用TensorFlow 2的PRSNet的非官方实现
04-23
网络 使用TensorFlow 2的PRSNet的非官方实现 去做： 从四元数计算旋转轴，可视化旋转轴 实施验证阶段以进行测试。
探索前列腺癌的未来：P-NET深度学习框架详解
gitblog_00047的博客
06-13 388
探索前列腺癌的未来：P-NET深度学习框架详解 pnet_prostate_paper P-NET, Biologically informed deep neural network for prostate cancer classification and discovery ...
TACOTRON:端到端的语音合成
左左左左想
07-09 1万+
由于最近在学习语音识别和语音合成方面的内容，整理了一些东西，本文为论文tacotron的笔记。tacotron主要是将文本转化为语音，采用的结构为基于encoder-decoder的Seq2Seq的结构。其中还引入了注意机制（attention mechanism）。在对模型的结构进行介绍之前，先对encoder-decoder架构和attention mechanism进行简单的介绍。其中纯属个人
关于多分类的评价指标acc、pre、recall、f1
ARYAD的博客
08-21 3012
1.准确率ACC： overall： 准确率是分类正确的样本占总样本个数的比例，即 其中， ncorrect​为被正确分类的样本个数， ntotal​为总样本个数。 结合上面的混淆矩阵，公式还可以这样写： y_pred = [0, 2, 1, 3] y_true = [0, 1, 2, 3] print(accuracy_score(y_true, y_pred)) # 0.5 print(accuracy_score(y_true, y_pred, normalize=False)) # 2
【论文学习】《Tacotron: Towards End-to-End Speech Synthesis》
求求你们别卷了
01-23 4413
《Tacotron: Towards End-to-End Speech Synthesis》论文学习 文章目录《Tacotron: Towards End-to-End Speech Synthesis》论文学习  摘要  1 介绍  2 相关工作  3 模型架构    3.1 CBHG模块    3.2 编码器    3.3 解码器    3.4 后处理网和波形合成  4 模
【论文阅读】Progressive Image Deraining Networks: A Better and Simpler Baseline
Gillian_z
12-15 5150
目录 论文发表于CVPR2019。 去雨深度模型越来越复杂多样，难以分析不同网络模块的作用。该论文则从网络结构、输入输出、损失函数这几个方面提出更好且更简单的baseline。 网络结构：不断拆分一个浅层ResNet得到PRN得以利用递归计算。在此基础上加入一层RNN挖掘不同阶段之间的深层特征。内部递归计算还可以显著减少网络参数。 输入输出：每个阶段的结果和雨图作为每个ResNet的输入，输出残差...
FaceNet源码解读：史上最全的FaceNet源码使用方法和讲解（一）（附预训练模型下载）
u013044310的博客
03-21 7万+
文章地址：史上最全的FaceNet源码使用方法和讲解（一）（附预训练模型下载）转载请注明出处。 前提条件：已安装并配置好Tensorflow的运行环境。 第一步：准备facenet程序： 一、下载FaceNet源码。 下载地址：facenet源码 二、精简代码。 作者在代码里实现了很多功能，但是对于初学者来说，很多代码是没有必要的，反倒找不到学习这个程序的入口。建议先精简一下代码，便于...
prenet图像去雨
最新发布
03-28
### PReNet 图像去雨技术实现方法 PReNet 是一种用于图像去雨的深度学习模型，其核心思想在于通过逐步优化的方式处理图像中的雨水痕迹。该网络由两个主要部分组成：progressive ResNet (PRN) 和 progressive Recurrent Network (PReNet)[^4]。 #### 模型架构概述 PReNet 的设计旨在简化传统复杂网络结构的同时保持高性能。具体来说，它引入了逐步优化的概念，允许网络在多次迭代中逐渐减少雨水残留的影响。相比其他复杂的多分支或多模块设计，PReNet 更加紧凑且易于实现。 以下是 PReNet 的一些关键技术特点： 1. **逐步优化机制** PReNet 利用了循环单元的思想，在每次迭代中不断细化输入图像的质量。这种机制使得即使在网络规模较小的情况下也能达到较高的性能水平。 2. **简单而有效的损失函数** 使用单一负 SSIM 或 MSE 损失即可有效训练整个网络，无需额外设计复杂的复合损失项。 3. **可扩展性强** 由于其模块化的设计理念，PReNet 可轻松集成至更大的端到端系统或其他特定应用场景下的定制需求之中。 #### 论文与代码资源链接 如果希望深入了解 PReNet 背后的理论基础以及其实验设置，则可以查阅原始发表于 CVPR 2019 的学术文章《Progressive Image Deraining Networks: A Better and Simpler Baseline》[@inproceedings{ren2019progressive}] [^2] 。与此同时，官方也开放了基于 PyTorch 框架构建的完整实现版本供开发者下载并实验 https://github.com/csdwren/PReNet 。 此存储库包含了详细的文档说明、预训练权重文件以及运行脚本等内容，方便用户快速上手实践。 ```python import torch from prenet_model import PReNet # 初始化模型实例 model = PReNet(recursive_times=6) # 加载已有的参数（如果有） checkpoint_path = 'path_to_checkpoint.pth' if checkpoint_path is not None: model.load_state_dict(torch.load(checkpoint_path)) # 前向传播过程演示 input_image = ... # 输入含噪图片 Tensor 形状为[B,C,H,W] output_cleaned = model(input_image) ``` 上述片段展示了一个典型调用流程示例，其中 `prenet_model.py` 应当定义好对应类及其成员属性初始化逻辑等必要组成部分。 --- ###
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值