AI小作坊 的博客

Image Super-Resolution Using Deep Convolutional Networkscode: http://mmlab.ie.cuhk.edu.hk/projects/SRCNN.html本文使用一个三层的卷积网络来实现图像超分辨率，得到很好的效果。1 I NTRODUCTION 单帧图像的超分辨率，即由一幅低分辨率图像重建出一幅高分辨率图像。在计算机视觉中这是一个

Fast Shadow Detection from a Single Image Using a Patched Convolutional Neural Network https://arxiv.org/abs/1709.09283本文主要解决快速去阴影问题，这里使用的策略是 SVM+CNNA. Computing Shadow Prior 首先使用 mean shift 算法对输入图像进

Video Frame Interpolation via Adaptive Convolution CVPR2017 http://web.cecs.pdx.edu/~fliu/project/adaconv/本文使用CNN网络完成 frame interpolation，这里我们将像素插值问题看作对相邻两帧中相应图像块的卷积，通过一个全卷积CNN网络来估计 spatially-adapti

Video Frame Interpolation via Adaptive Separable Convolution ICCV2017 https://github.com/sniklaus/pytorch-sepconv本文将视频插帧看作一个局部分离卷积，对输入帧使用一组 1D 核。 这么做可以极大的减少参数量，加快速度。 formulates frame interpolation

CVPR 2017 https://arxiv.org/abs/1609.07769?context=cs 代码和模型会公布的。首先通过下图感性认识一下图像中去雨是怎么回事 针对去雨问题已经提出了各种算法，当前算法主要存在的问题如下： 1）因为雨水和背景纹理的内在重叠性，当前大部分算法会平滑没有雨区域的纹理细节。 2）雨水在图像中引起的变化是复杂的，但是当前对雨水常用的模型没有很好的覆盖真

TasselNet: Counting maize tassels in the wild via local counts regression network https://link.springer.com/article/10.1186/s13007-017-0224-0本文使用CNN网络来数玉米穗，类似于人群密度估计的思路。利用图像估计玉米穗的密度，难度还是比较大的 这里的思路首先局

单位（和海康是属于一个集团的）某一部门 选择用 NVIDIA® JETSON™ TX2 + 海康威视工业相机 的组合来完成 某检测识别任务，在相机选型前用邮件咨询 海康威视工业相机对 TX2 是否支持，得到海康相关人员的肯定答复。 于是采购了海康威视的工业相机回来。 厂家将 相机的 相关驱动和SDK相关资料发过来。 在开发过程中遇到以下问题： 1） 在基于x86-64 的 Ubunt...

https://blog.csdn.net/jiangchao3392/article/details/73650710硬件平台： NVIDIA Jetson TX2系统平台： Ubuntu16.04 LTS搜狗输入法：1，搜狗官网下载搜狗输入法http://pinyin.sogou.com/linux/2，安装，鼠标右键安装。3，重启，就行了 （这里应该需要做些设置...

Noise2Noise: Learning Image Restoration without Clean Data ICML 20181 Introduction 基于 corrupted or incomplete measurements 进行信号重构是一个很重要的课题。今年随着深度学习快速发展，自然也将CNN网络引入来解决图像去噪问题。 training a regression ...

https://blog.csdn.net/bin_zhang1/article/details/81008645首先备份一下原来的sources.listcp /etc/apt/sources.list /etc/apt/sources.list.bak然后修改sources.listsudo vi /etc/apt/sources.list然后根据你的版本将sources.lis...

CVPR2017 https://arxiv.org/abs/1703.03872抠图问题还是比较难的，简单的用一个公式表达如下： 左边是图像位置 i 的 RGB 值，右边是 前景和背景的线性组合。 matte estimation alpha 是未知的。对于每个像素，有3个已知量，7个未知量，所以这个一个 underconstrained 问题，即变量个数大于方程个数。当前针对抠图问题的

Learning Motion Patterns in Videos CVPR2017 Torch code： http://thoth.inrialpes.fr/research/mpnet 本文要解决的问题是 determining whether an object is in motion, irrespective of camera motion， 注意这里的相机是可以运动

DeshadowNet: A Multi-context Embedding Deep Network for Shadow Removal CVPR2017本文使用深度学习CNN网络来进行阴影去除，最大的特色就是全自动的端对端的实现阴影去除。 automatic and end-to-end deep neural network (DeshadowNet)阴影去除也算是一个老大难问题了，目前存

http://www.inference.vc/everything-that-works-works-because-its-bayesian-2/Why do Deep Nets Generalise? HINT: because they are really just an approximation to Bayesian machine learning.深度网络的泛化能力是怎么来的？

Deep Photo Style Transfer https://arxiv.org/abs/1703.07511Code: https://github.com/luanfujun/deep-photo-styletransfer本文使用深度卷积网络来进行 摄影风格转换，在 Neural Style algorithm [5] 的基础上进行改进的，主要是在目标函数进行了修改，加了一项 Pho

HCP: A Flexible CNN Framework for Multi-Label Image ClassificationPAMI 2016 本文提出了一个 CNN 网络 HCP 不需要真值训练数据的情况下可以完成对多标签图像分类问题。单标签和多标签图像 HCP 是怎么处理一幅图像的了？ 首先提取图像中的候选区域，然后对每个候选区域进行分类，最后使用 cross-hypothe

基于百万图片的全球服饰时尚纵览 StreetStyle: Exploring world-wide clothing styles from millions of photos https://arxiv.org/abs/1706.01869 Project: http://streetstyle.cs.cornell.edu/ Demo: http://streetstyle.cs.co

code : https://github.com/ryankiros/layer-norm本文主要是针对 batch normalization 存在的问题 提出了 Layer Normalization 进行改进的。这里首先来回顾一下 batch normalization ： 对于前馈神经网络第 l 隐层，神经元的输入为 a, 激活函数为 f, 激活函数输出为 h。权值 w 通过 S

NIPS 2016 http://arxiv.org/abs/1608.04493code: https://github.com/yiwenguo/Dynamic-Network-Surgery本文提出一种动态压缩CNN网络模型算法。针对 LeNet-5 和 AlexNet 可以分别减少 108倍和 17.7倍的参数，而且不损失精度。本文主要参考了文献【9】，文献【9】通过删除一些不重要的参数

FlowNet 2.0: Evolution of Optical Flow Estimation with Deep Networks CVPR2017 Code: https://github.com/lmb-freiburg/flownet2本文是对 FlowNet 的改进，改进主要有三点： 1） 在训练层面，数据库的训练的顺序很重要 the schedule of presentin

FlowNet: Learning Optical Flow with Convolutional Networks ICCV2015 Code: https://lmb.informatik.uni-freiburg.de/Publications/2015/DFIB15/本文使用CNN网络来计算光流，实现端对端训练，自己制作了个训练数据库 Flying Chairs Network Arch

Richer Convolutional Features for Edge Detection CVPR2017 Caffe：https://github.com/yun-liu/rcf本文针对边缘检测问题，基于 VGG16 网络设计了一个 richer convolutional features (RCF) 用于边缘检测，效果目前是很好的。首先来看看 VGG16不同卷积层的特征输出 3