- 博客(23)
- 收藏
- 关注
RSS订阅原创 文章发表参考
TMMTCSVTTIPTIITVCGTNNLSNeurocomputingSPICAAAIICMEICASSPICIPVCIPDCCPCS
2024-03-26 21:28:59
229
翻译 信息论相关
同样地，如果将系统换作机器学习里的学习模型，对未知数据进行准确预测，就是要降低模型对数据特征描述的不确定性；更一般地，最小化误差函数，就是一个熵减的过程，此时误差函数就是熵的一种描述。引入先验知识后信息熵总会下降，不借助任何先验知识，我们总会等概率的猜测每一种结果出现的可能性，这个时候就是不确定性最高的。有使用过机器学习或深度学习做分类的同学应该会发现，在我们对模型参数做了初始化后不进行学习直接分类，对于一个十分类的问题，起始准确率总在10%左右，这个时候也没进行学习，意味着我们没有获得任何信息。但..
2022-05-27 08:46:05
68
原创 RDOQ（率失真优化量化）
量化器设计需要权衡失真与比特率，即将量化过程和率失真优化准则相结合，对于一个变换系数给定多个可选的量化值，并利用RDO准则从中选出一个最优的量化值
2022-01-05 23:25:02
480
原创 latex
公式如何实现MathType公式转换LaTeX代码-MathType中文网https://www.mathtype.cn/jiqiao/gongshi-daima.htmlLaTeX数学公式编辑(1)——行内公式&行间公式_Beta2187-CSDN博客_latex行内公式https://blog.csdn.net/beta_2187/article/details/79980281...
2021-11-25 19:44:45
171
原创 参考文章速览
超分CVPR 2021 论文大盘点-超分辨率篇超分辨率汇总，都在这啦~https://mp.weixin.qq.com/s/pH9aYOi3q4y1rHu3j-oZ2A移动端超分的磁悬浮，推理仅需10ms！港理工&达摩院开源超轻量超分网络ECBlow-level的领域特征与结构重参数的结合：用于端侧设备的超轻量超分网络。https://mp.weixin.qq.com/s/wsA8XP4ej9lbFVRPB7E7CAICCV2021 RealVSR: 业界首个移动端真实场景视频超分数据
2021-09-22 20:33:19
2711
原创 注意力机制
超分辨中的注意力机制：Attention in Super Resolution - SuperGqq - 博客园注意力绪论参考：【计算机视觉】详解 Non-local 模块与 Self-attention (视觉注意力机制 (一))_闻韶-CSDN博客计算机相关领域主要使用的是soft attention，这些方法的共同之处在于：利用相关特征学习权重分布，再将学习得到的权重施加于特征上，从而进一步提取相关知识。但施加权重的方式略有差别，可概括为：加权可作用在原图上；...
2021-09-17 21:56:09
323
原创 轻量级网络
SqueezeNet系列 ShuffleNet系列 MnasNet MobileNet系列 CondenseNet ESPNet系列 ChannelNets PeleeNet IGC系列 FBNet系列 EfficientNet GhostNet WeightNet MicroNet 轻量级网络(MobileNetV2、ShuffleNetV2)轻量级检测(Light..
2021-09-17 14:31:22
171
原创 transformer
参考原文：https://www.zhihu.com/question/451860144/answer/1837109348Transformer是为序列建模和转换任务而设计的，因为它关注数据中的长期依赖性建模。它在语言领域了巨大成功。将Transformer从NLP转移到CV的策略。我们先看二者的不同：scale。与作为语言Transformer中处理的基本元素的单词标记不同，视觉元素在scale上可能有很大的差异，这是一个在目标检测等任务中受到关注的问题。在现有基于Transformer的
2021-09-09 17:19:01
401
原创 网络基础知识积累
一文看尽深度学习中的各种注意力机制（1998-2020年）https://mp.weixin.qq.com/s/7E2O5Qoyd_GBcZfUCO_CxA
2021-06-29 16:00:41
81
原创 深度学习-非线性激活函数
本文总结深度学习的损失函数及其优缺点。激活函数是深度学习模型的重要成分，目的是将线性输入转换为非线性。常见的激活函数有sigmoid，tanh，ReLU等目录1.sigmoid2.tanh3.Relu4.Leaky ReLU5.随机纠正线性单元（RReLU）6.ELU7.PRelu8.SELU1.sigmoidSigmoid 非线性函数将输入映射到 【0,1】之间。它的数学公式为：历史上， sigmoid 函数曾非常常用，然而现在它已经不太受欢迎，实
2021-03-01 20:55:41
4586
原创 深度学习-loss函数
参考机器学习大牛最常用的5个回归损失函数，你知道几个？https://baijiahao.baidu.com/s?id=1603857666277651546&wfr=spider&for=pc
2021-01-23 21:54:00
183
原创 深度学习-tensorflow-代码
tf.placeholder_with_default=tf.summary.scalarupdate_ops = tf.get_collection(tf.GraphKeys.UPDATE_OPS)with tf.control_dependencies(update_ops):stack_name = os.path.join(dir_stack, "stack_tra_pre_*")num_TrainingStack = len(glob.glob(stack_name...
2021-01-20 22:14:19
208
原创 基于深度学习的视频后处理-超分辨
单帧经典文章总结https://blog.csdn.net/gwplovekimi/article/details/83041627
2021-01-08 19:18:21
309
原创 深度学习-网络训练技巧
自适应梯度剪切由于链式法则的计算，当网络的层数非常多时，经常出现梯度消失或者梯度爆炸的现象。体现在图像，就是损失函数有一个悬崖式的变化。如果设置的学习率太大，那么可能出现修改过度，甚至丢失已经优化好的数据。而自适应梯度剪切就是根据你的学习率，调整梯度的角度，确保收敛的稳定性。高学习率提高收敛速度的最直接方式就是增大学习率，但单纯的增大高学习率会产生收敛问题（收敛不稳定），虽然作者已经用了自适应梯度剪切的方法来增大收敛稳定性。但作者在设置学习率时，也能使用一下技巧来增强收敛稳定性。具体的做法是
2021-01-08 14:24:21
955
原创 vdsr学习-代码问题
H5文件无法加载TypeError: h5py objects cannot be pickled多线程加载时会报错。修改：training_data_loader = DataLoader(dataset=train_set, num_workers=opt.threads, batch_size=opt.batchSize, shuffle=True)改为：training_data_loader = DataLoader(dataset=train_set, batch_size=op
2021-01-08 09:53:48
905
原创 深度学习-基础知识-经典网络
卷积神经网络 https://www.jianshu.com/p/1ea2949c0056数据输入层/ Input layer 卷积计算层/ CONV layer ReLU激励层 / ReLU layer 池化层 / Pooling layer 全连接层 / FC layer一般CNN结构依次为1.INPUT2.[[CONV -> RELU]N -> POOL?]M3.[FC -> RELU]*K4.FC网络各层分析 及超详细讲解参考：ht..
2021-01-06 10:55:48
1170
原创 深度学习-环境配置
下载anaconda，进行环境管理。参考 https://zhuanlan.zhihu.com/p/36389880?from_voters_page=trueanaconda里面默认有python 下载pycharm 编译环境。参考，其中顺便关联anaconda https://blog.csdn.net/sunshine_hanxx/article/details/90760417?utm_medium=distribute.pc_relevant_t0.none-task-blo..
2021-01-04 19:53:27
159
原创 HEVC 帧内预测xPredIntraAng
帧内预测xPredIntraAng：传入34种帧内预测模式的模式索引，得到预测图像pSrc：重建序列的指针pTrueDst：预测样本的相关指针pDst：临时存储预测值指针（1）if (modeDC)，所有像素赋值dcval = predIntraGetPredValDC(pSrc, srcStride, width, height)（2）else：(a)if
2017-12-06 21:32:08
463
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