wsjxiao-CSDN博客

原创注意力机制

不是图像中所有的区域对任务的贡献都是同样重要的，只有任务相关的区域才是需要关心的，比如分类任务的主体，空间注意力模型就是寻找网络中最重要的部位进行处理。使用通道注意力机制的目的：为了让输入的图像更有意义，大概理解就是，通过网络计算出输入图像各个通道的重要性（权重），也就是哪些通道包含关键信息就多加关注，少关注没什么重要信息的通道，从而达到提高特征表示能力的目的。

2024-03-11 17:10:37 108 1

翻译 BGNet

在本文中，我们利用边缘先验来帮助恢复对象结构并提高伪装对象检测的性能。我们提出了一个简单而有效的边界引导网络 (BGNet)，其中包含边缘感知模块，边缘引导特征模块和上下文聚合模块，以探索与对象相关的边缘语义，以指导和增强COD的表示学习。通过采用边缘提示，我们的BGNet提供了准确的伪装对象预测，具有完整而精细的对象结构和边界。广泛的实验表明，我们的方法在三个基准上都优于现有的最新方法。

2022-12-13 20:14:21 895 1

摘要：从混叠区域恢复纹理信息一直是单图像超分辨率（SISR）任务的主要挑战。这些区域通常淹没在噪波中，因此我们必须在抑制噪波的同时恢复纹理细节。为了解决这个问题，我们提出了一种平衡注意机制（BAM），它由Avgpool通道注意模块（ACAM）和Maxpool空间注意模块（MSAM）并行组成。ACAM旨在抑制大规模特征地图中的极端噪声，而MSAM保留高频纹理细节。由于采用了并行结构，这两个模块不仅可以进行自我优化，还可以相互优化，以在反向传播过程中获得降噪和高频纹理恢复的平衡，并行结构使推理速度更快。为了验

2022-10-14 21:58:30 1213

原创【无标题】

除了列出的数据集之外，在其他计算机视觉任务中广泛使用的一些数据集也用作SISR的补充训练数据集，例如ImageNet[31]和CelebA[32]。其中，BI是模拟LR图像最广泛使用的降级模式，本质上是一种双三次下采样操作。峰值信噪比（PSNR）与MSE高度相关，用MSE损失训练的模型预计具有较高的PSNR分数，虽然较高的PSNR通常表明构造质量较高，但它只考虑了每像素MSE，这使得它无法捕获感知差异。数据对于数据驱动模型，尤其是基于DL的SISR模型，始终是至关重要的，以实现有希望的重建性能（图3）。

2022-10-10 17:10:38 1382

原创超分辨DRLN

超分辨率卷积神经网络最近证明了对单个图像的高质量恢复。然而，现有算法通常需要很深的体系结构和很长的训练时间。此外，目前用于超分辨率的卷积神经网络无法在多个尺度上利用特征并对其进行同等加权，从而限制了其学习能力。

2022-10-05 15:03:27 540

翻译 Designing a Practical Degradation Model for Deep BlindImage Super-Resolution

设计一种实用的深盲图像超分辨率退化模型

2022-09-21 17:04:30 1393

翻译盲超分辨率的无监督退化表示学习

计算机视觉盲超分辨

2022-09-20 20:48:30 1000

原创集合框架

一、什么是集合框架1.数组和集合都是对多个数据进行存储，java容器二、数组和集合框架的区别？1.数组只能存储相同类型的数据 int[] arr=new int[10];arr只能保存整数集合可以存储不同类型的数据2.数组可以保存基本数据类型的数据，也可以保存引用数据类型的数据，集合框架只能保存对象（集合框架里面的数据都是对象）3.数组的弊端：Student[] stu=new Student[10]:这个数组只能保存10个学生信息数组的长度一旦定义，是不可改变的集合可以存储数量不确定

2021-02-23 18:29:35 60

原创 LIST

一、List接口是collection接口的一个子接口,有序的、可以重复的集合*面试题：ArrayList、LinkedList、Vector相同点：1.都是list集合的实现类2.存储数据的特点相同：有序的、可重复的不同点–ArrayList：主要实现类，底层就是数组 Object[] elementData，，线程不安全，查询速度比较快--LinkedList:底层是使用双向链条的形式进行存储的，添加、删除速度高--Vector：是list接口的

2021-02-23 18:25:58 162