<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[breezero的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/breezero</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; breezero]]></copyright><item><title><![CDATA[关于pyinstaller打包(pytorch, torchvision, opencv-python)]]></title><link>https://blog.youkuaiyun.com/breezero/article/details/122185908</link><guid>https://blog.youkuaiyun.com/breezero/article/details/122185908</guid><author>breezero</author><pubDate>Tue, 28 Dec 2021 11:20:33 +0800</pubDate><description><![CDATA[pyinstaller打包含有深度学习框架的python文件]]></description><category></category></item><item><title><![CDATA[三个月找算法工作]]></title><link>https://blog.youkuaiyun.com/breezero/article/details/117385485</link><guid>https://blog.youkuaiyun.com/breezero/article/details/117385485</guid><author>breezero</author><pubDate>Sat, 29 May 2021 15:05:12 +0800</pubDate><description><![CDATA[博主是双非研究生，数学专业，本科的时候没有学好matlab，想研究纯数学，推推公式，做做证明。读研之后还是放弃了继续下去的想法，研究生主要研究的是图像超分辨率重建Super-Resolution。
]]></description><category></category></item><item><title><![CDATA[RePr: Improved Training of Convolutional Filters  文章解读]]></title><link>https://blog.youkuaiyun.com/breezero/article/details/100856657</link><guid>https://blog.youkuaiyun.com/breezero/article/details/100856657</guid><author>breezero</author><pubDate>Thu, 19 Sep 2019 17:35:18 +0800</pubDate><description><![CDATA[摘要

训练有素的卷积神经网络可以很容易地进行修剪而不会显著降低性能。这是因为网络滤波器捕获的特性中不必要的重叠。网络体系结构中的创新，如跳过/密集连接和Inception单元，在一定程度上缓解了这个问题，但是这些改进伴随着运行时计算量和内存需求的增加。我们试图从另一个角度来解决这个问题——不是通过改变网络结构，而是通过改变训练方法。我们证明，通过临时剪枝然后恢复模型滤波器的子集，并循环地重复这个...]]></description><category></category></item><item><title><![CDATA[SROBB: 使用使用目标感知损失函数实现图像超分辨率重建]]></title><link>https://blog.youkuaiyun.com/breezero/article/details/100624738</link><guid>https://blog.youkuaiyun.com/breezero/article/details/100624738</guid><author>breezero</author><pubDate>Sun, 08 Sep 2019 21:50:40 +0800</pubDate><description><![CDATA[SROBB： Targeted Perceptual Loss for Single Image Super-Resolution

论文地址：https://arxiv.org/pdf/1908.07222.pdf

一、摘要：

最近的研究得益于感知损失，极大地提高了超分辨率任务的性能，即高分辨率图像从低分辨率图像中分辨出来。虽然这些目标函数产生了接近于光真实感的结果，但是它们的能力是有限的，...]]></description><category></category></item><item><title><![CDATA[Wide Activation for Efficient and Accurate Image Super-Resolution文章解读]]></title><link>https://blog.youkuaiyun.com/breezero/article/details/90707675</link><guid>https://blog.youkuaiyun.com/breezero/article/details/90707675</guid><author>breezero</author><pubDate>Sun, 02 Jun 2019 14:40:07 +0800</pubDate><description><![CDATA[Wide Activation for Efficient and Accurate Image Super-Resolution

文章地址：https://arxiv.org/abs/1808.08718v1

论文代码：https://github.com/JiahuiYu/wdsr_ntire2018



    最近才看到这篇文章，我认为里面有好多东西还是很不错的，至少文中不...]]></description><category></category></item><item><title><![CDATA[python中导入模块的三种形式]]></title><link>https://blog.youkuaiyun.com/breezero/article/details/88362847</link><guid>https://blog.youkuaiyun.com/breezero/article/details/88362847</guid><author>breezero</author><pubDate>Sat, 09 Mar 2019 11:08:17 +0800</pubDate><description><![CDATA[1. import 模块名 [as 别名]

   使用这种方式导入之后，使用时需要在对象之前加上模块名作为前缀，必须以“模块名.对象名”的形式进行访问。如果模块名字很长的话，可以为导入的模块设置一个别名，然后使用“别名.对象名”的形式来使用其中的对象。

   import tensorflow as tf 这个就是典型地设置一个别名。


&amp;gt;&amp;gt;&amp;gt;impor...]]></description><category></category></item><item><title><![CDATA[Deep Residual Network with Enhanced Upscaling Module for Super-Resolution 文章的解读]]></title><link>https://blog.youkuaiyun.com/breezero/article/details/84980309</link><guid>https://blog.youkuaiyun.com/breezero/article/details/84980309</guid><author>breezero</author><pubDate>Mon, 24 Dec 2018 09:34:22 +0800</pubDate><description><![CDATA[Deep Residual Network with Enhanced Upscaling Module for Super-Resolution

文章地址: https://arxiv.org/pdf/1707.02921.pdf

网络结构



(i) 文章的主要新意在红色的圆角矩形内，网络结构分成了两个部分，一是特征提取部分，二是放大尺寸的重建部分。

(ii) 特征提取部分是一层的浅层...]]></description><category></category></item><item><title><![CDATA[Multi-scale Residual Network for Image Super-Resolution 文章的解读]]></title><link>https://blog.youkuaiyun.com/breezero/article/details/84863318</link><guid>https://blog.youkuaiyun.com/breezero/article/details/84863318</guid><author>breezero</author><pubDate>Thu, 06 Dec 2018 20:39:03 +0800</pubDate><description><![CDATA[MSRN:Multi-scale Residual Network for Image Super-Resolution（多尺度残差网络）

论文地址：http://openaccess.thecvf.com/content_ECCV_2018/papers/Juncheng_Li_Multi-scale_Residual_Network_ECCV_2018_paper.pdf

网络结构：

...]]></description><category></category></item><item><title><![CDATA[Channel Attention and Multi-level Features Fusion for Single Image Super-Resolution 文章的解读]]></title><link>https://blog.youkuaiyun.com/breezero/article/details/84557542</link><guid>https://blog.youkuaiyun.com/breezero/article/details/84557542</guid><author>breezero</author><pubDate>Mon, 26 Nov 2018 23:18:31 +0800</pubDate><description><![CDATA[因为每周都会有汇报的任务，所以就开个博客记录自己读过的文章。

文章地址：https://arxiv.org/pdf/1810.06935v1.pdf

文章的网络结构：



(i) 图片的上半部分是完整的网络结构，文中提出了一个新颖的递归网络，所有的递归单元都共享参数。

(ii) 低分辨率图像（LR）输入网络，分成两个分支。第一是水平方向，经过一个卷积层，在这里属于“特征提取层”。

(ii...]]></description><category></category></item><item><title><![CDATA[PSNR的python代码]]></title><link>https://blog.youkuaiyun.com/breezero/article/details/82285188</link><guid>https://blog.youkuaiyun.com/breezero/article/details/82285188</guid><author>breezero</author><pubDate>Sat, 01 Sep 2018 11:05:09 +0800</pubDate><description><![CDATA[flatten()可以将二维的array展成一维的

 

a.flatten(order=’C’) 
Return a copy of the array collapsed into one dimension. 
order = 'C' means to flatten in row-major (C-style) order. 
order = 'F' means to flatten i...]]></description><category></category></item><item><title><![CDATA[常见的图像分割方法有以下几种]]></title><link>https://blog.youkuaiyun.com/breezero/article/details/80008042</link><guid>https://blog.youkuaiyun.com/breezero/article/details/80008042</guid><author>breezero</author><pubDate>Thu, 19 Apr 2018 18:33:08 +0800</pubDate><description><![CDATA[常见的图像分割方法有以下几种：1.基于阈值的分割方法      灰度阈值分割法是一种最常用的并行区域技术，它是图像分割中应用数量最多的一类。阈值分割方法实际上是输入图像f到输出图像g的如下变换：      其中，T为阈值；对于物体的图像元素，g(i,j)=1，对于背景的图像元素，g(i,j)=0。      由此可见，阈值分割算法的关键是确定阈值，如果能确定一个适合的阈值就可准确地将图像分割开来。...]]></description><category></category></item></channel></rss>