论文粗读
文章平均质量分 62
记录阅读的论文
看山不是山a
在路上
展开
-
异常检测(无监督,生成模型)—DRÆM – A discriminatively trained reconstruction embedding for surfaceanomaly detect
注:因为模型分为重构模块和判别模块,比较大,测试时将batch_size设为1cuda内存都不够,在测试代码中加 with torch.no_grad(): 即可。原创 2023-11-24 10:06:01 · 552 阅读 · 0 评论 -
PFE代码粗读
将resnet50 block2,block3输出的特征拼接起来,然后使用1x1Conv进行降维,将此特征与support对应的mask相乘,然后采用平均池化,特征维度为[bs,c,1,1],c为通道数。将resnet50 block3输出的特征与support mask相乘,然后输入到resnet50 block4中。supp_feat_list中,列表长度为shot,对应shot个特征。二、Training-Free Piror Mask。中,列表长度为shot,对应shot个特征。原创 2023-05-11 23:00:47 · 196 阅读 · 1 评论 -
异常检测(无监督,生成模型)—SimpleNet: A Simple Network for Image Anomaly Detection and Localization
1.一个预训练(在imageNet上预训练)的特征提取器,生成本地特征。3.一个简单的异常特征生成器,通过向正常特征添加高斯噪声来伪造异常特征。4.一个二分类异常鉴别器,将异常特征与正常特征区分开来。2.一个浅层特征适配器,将本地特征转移到目标域。原创 2023-04-18 16:06:48 · 4444 阅读 · 38 评论 -
小样本语义分割—CANet: Class-Agnostic Segmentation Networks with Iterative Refinement andAttentive Few-Shot
该模块由两个子模块组成:①特征提取器②特征密集比较模块 使用在Imagenet上进行了预训练的ResNet-50作为特征提取器的主干。因为较低层中的特征通常与低级线索(例如,边缘和颜色)相关,而较高层中的特性与对象级别概念(例如,对象类别)相关。ResNet中的层基于空间分辨率分为4个Block,自然对应于4个不同的表示级别。我们选择Block2和Block3生成的特征进行特征比较,并放弃Block3之后的层。我们在Block2之后的层中使用膨胀卷积来保持特征图的空间分辨率。Block2之后的所原创 2022-12-04 16:26:08 · 516 阅读 · 0 评论