deepdenoiser学习记录

最新推荐文章于 2025-03-23 12:24:03 发布
原创 最新推荐文章于 2025-03-23 12:24:03 发布 · 1k 阅读 · 4 ·
CC 4.0 BY-SA版权
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。
文章标签：

#git #python

本文记录了配置deepdenoiser环境的过程，包括安装git，解决SSL验证问题，处理网络超时，安装和配置python环境，创建并激活名为deepdenoiser的虚拟环境。尽管遇到一些挑战，但最终完成了环境配置，准备学习朱尉强老师的机器学习地震信号去噪相关内容。

一、环境配置

以机器学习地震信号去噪为参考。

下载并安装git，知乎最详细的安装步骤，新建文件夹，然后右击选择Git Bash。

下载原代码：

git clone https://github.com/wayneweiqiang/DeepDenoiser.git

  

 

 第一次出现报错，应该是SSL验证出现问题，输入：

git config --global http.sslVerify "false"

期间出现无数次网络连接超时的问题，心累，不知道这个要怎么解决。

最低0.47元/天 解锁文章
2021.8-机器学习地震信号去噪和到时识取环境配置
weixin_44259058的博客
08-05 7537
目录前言一、安装Python环境1、安装miniconda2、安装jupyter lab二、降噪 -- DeepDenoiser三、到时拾取 -- PhaseNet四、初步检测流程 -- QuakeFlo五、其他 前言 第七届“地震学算法与程序培训班” 于2021年8月9日–11日举办，本篇基于2021.8.10上午朱尉强博士的讲座搭建实验环境，程序及说明文档下载链接已提供，笔者使用的是Ubuntu18.04（虚拟机）系统，以此记录环境配置过程进行学习，特意在此感谢老师的开源资料！十分用心！ 一、安装P
精读论文：Deep K-SVD Denoising
一起加油~
01-18 2251
精读论文：Deep K-SVD Denoising
“Seismic Signal Denoising and Decomposition Using Deep Neural Networks“ 代码复现
慕伏白の博客
03-05 1046
Seismic Signal Denoising and Decomposition Using Deep Neural Networks 的论文代码复现
DPIR:使用Deep Denoiser Prior（PyTorch）进行即插即用的图像还原
05-01
深度即插即用的图像还原 ，，，，瑞士苏黎世联邦理工学院 [] BSD68和Urban100数据集的去噪结果 数据集 噪音等级 FFDNet-PSNR（RGB） FFDNet-PSNR（Y） DRUNet-PSNR（RGB） DRUNet-PSNR（Y） CBSD68 30 30.32 32.05 30.81 32.44 CBSD68 50 27.97 29.65 28.51 30.09 都市100 30 30.53 32.72 31.83 33.93 都市100 50 28.05 30.09 29.61 31.57 PSNR(Y) means the PSNR is calculated on the Y channel of YCbCr space. 抽象的 关于即插即用图像恢复的最新工作表明，对于基于模型的方法来解决许多逆问题，
论文阅读-Learning Deep CNN Denoiser Prior for Image Restoration
Vera__Zhang的博客
03-21 6728
Zhang K, Zuo W, Gu S, et al. Learning Deep CNN Denoiser Prior for Image Restoration[J]. 2017.1.引言图像恢复（image restoration，IR）  ——从退化模型中恢复出干净的图像x                   退化模型：  ，其中H是退化矩阵，v是附加噪声。图像恢复有三种典型的任务，在图...
论文阅读笔记（DPIR）:Plug-and-Play Image Restoration with Deep Denoiser Prior
weixin_46970793的博客
11-02 4972
Plug-and-Play Image Restoration with Deep Denoiser Prior 论文地址：https://arxiv.org/abs/2008.13751 代码地址：https://github.com/cszn/DPIR Abstract 目标:突破即插即用图像恢复的上限。 主导策略：降噪器隐式地作为基于模型的方法的图像先验。 目前缺乏合适的先验降噪器，阻碍了即插即用图像恢复的性能。 本文思路： 通过训练一个灵活高效的CNN去噪器设置基准深度去噪先验，将它作为模块插入基于
执行修改后的代码报错： File "D:\No_smile\phase_net\DeepDenoiser\deepdenoiser\predict.py", line 59, in pred_fn model = UNet(mode='pred') ^^^^^^^^^^^^^^^^^ File "D:\No_smile\phase_net\DeepDenoiser\deepdenoiser\model.py", line 84, in __init__ self.build(input_batch, mode=mode) File "D:\No_smile\phase_net\DeepDenoiser\deepdenoiser\model.py", line 467, in build self.add_prediction_op() File "D:\No_smile\phase_net\DeepDenoiser\deepdenoiser\model.py", line 146, in add_prediction_op net = bn(net, training=self.is_training) ^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^^ File "D:\No_smile\new\python310\Lib\site-packages\keras\src\utils\traceback_utils.py", line 122, in error_handler raise e.with_traceback(filtered_tb) from None File "D:\No_smile\new\python310\Lib\site-packages\tensorflow\python\framework\tensor_shape.py", line 1441, in as_list raise ValueError("as_list() is not defined on an unknown TensorShape.") ValueError: as_list() is not defined on an unknown TensorShape.
最新发布
07-13
在构建模型之前，使用`tf.keras.backend.set_learning_phase(0)`或`tf.keras.backend.set_learning_phase(1)`来明确设置学习阶段（训练或测试），但我们在BN层中已经通过`training`参数控制。 2. 在创建BN层时，...
机器学习在地震信号处理中的环境搭建与实践
文中提供了具体的ObsPy代码示例，展示如何将原始地震记录转换为符合PhaseNet输入格式的张量结构。 关于QuakeFlow系统的搭建，则代表了更高层次的集成化地震检测流程。QuakeFlow整合了检测、拾取、定位等多个模块，...
使用DeepDenoiserPrior(IEEETPAMI2021)(PyTorch)的即插即用图像恢复_Python_.zip
04-28
标题中的"使用DeepDenoiserPrior(IEEETPAMI2021)(PyTorch)的即插即用图像恢复_Python_" 提到了一个基于深度学习的图像恢复技术，这是计算机视觉领域的一个重要研究方向。这个技术使用了2021年在IEEE Transactions on...
图像去噪（decnn）
weixin_50251144的博客
03-23 1050
之前的模型如NSS模型，稀疏模型，马尔可夫模型等等用来建模图像先验（即指利用图像本身就有的性质或特征如平滑性先，验稀疏性先验来进行建模和优化）主要回收两个问题影响，首先，这些方法通常在测试阶段涉及复杂的优化问题，使得去噪过程非常耗使时。:(i)网络架构设计和：修改了VGG网络，使其适合图像去噪，并根据最先进的去噪方法中使用的有效补丁大小来设置网络的深度。从图2中可以看出，尽管没有批处理归一化的残差学习(绿线)收敛速度很快，但它还是不如有批处理归一化的残差学习(红线)。另一方面，批归一化受益于残差学习。
(DPIR)Plug-and-Play Image Restoration with Deep Denoiser Prior
M_Y_Y_的博客
10-29 6015
基于深度去噪的即插即用图像恢复 摘要 问题：当更深更大的CNN模型迅速流行时，现有的即插即用图像恢复由于缺乏合适的去噪器而阻碍了其性能。 为了突破即插即用图像恢复的局限性，我们通过训练一个高度灵活有效的CNN去噪器，建立了一个基准深度去噪器。然后，我们将深度去噪器作为一个模块插入到基于半二次分裂的迭代算法中，以解决各种图像恢复问题。 一、介绍 从贝叶斯的角度来看，解x可以通过解决最大后验概率（MAP）估计问题得到： 其中logp(y|x)表示观测y的对数似然值，logp(x)表示干净图像x的
论文笔记：PhaseNet: a deep-neural-network-based seismic arrival-time pickingmethod
qq_40206371的博客
03-24 6123
地震档案包括大量手动拾取的 P 波和 S 波到达时间，它们代表了非常丰富的有标记数据训练集，非常适合深度学习（图 1）。论文使用北加州地震数据中心地震目录 (NCEDC 2014) 收集的数字地震波形数据。使用具有 P 和 S 到达时间的三分量数据。——>779 514 条记录。基于站点分层抽样，将数据集分为训练、验证和测试数据集，分别有 623 054、77 866 和 78 592 个样本。训练集和验证集用于训练、微调参数和模型选择。
论文笔记之：Learning Deep CNN Denoiser Prior for Image Restoration
m0_37805255的博客
05-31 6080
一起膜拜CVPR里的大神们吧！
git clone出现 fatal: unable to access 'https://github.com/...'的解决办法(亲测有效)
热门推荐
Dashi_Lu的博客
04-28 37万+
如下图所示，当我试图克隆别人的repo时，会发生这样的错误，当我从git：/而不是https://，克隆时，它工作得很好。 发生这种情况是因为代理是在git中配置的。既然它是https代理（而不是http）git config http.proxy和git config --global http.proxy也无济于事。 解决方案一 1、看看你的git配置 git config ...
github 国内镜像_【走过不要错过，绝对有效！】解决国内git clone速度慢问题
weixin_33370255的博客
01-20 5674
问题：国内使用git clone时出现速度较慢，甚至断开连接clone失败的问题。error: RPC failed; curl 18 transfer closed with outstanding read data remainingfatal: The remote end hung up unexpectedlyfatal: early EOFfatal: index-pack fail...
看讲论文：Learning Deep CNN Denoiser Prior for Image Restoration
Jee_King的博客
01-22 5073
没看懂的地方 被问死了0.0 Learning Deep CNN Denoiser Prior for Image Restoration  概要
git clone 出现fatal: unable to access ‘https://github 类错误解决方法
梦Dancing的博客
03-09 5万+
git clone 遇到问题：fatal: unable to access 'https://github.comxxxxxxxxxxx': Failed to connect to xxxxxxxxxxxxx 将命令行里的http改为git重新执行。
地震数据去噪
feng3355的专栏
01-08 3139
DnCNN 大多是针对于某一种特定噪声，为了解决不同噪声水平的问题，FFDNet的作者利用noise level map 作为输入，使得网络可以适用于不同噪声水平的图片 https://github.com/cszn/SRMD（SRMD论文的代码） http://www4.comp.polyu.edu.hk/~cslzhang/paper/CVPR18_SRMD.pdf（SRMD论文） h...
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