【视频课】业界最强数据增强库使用与人脸图像超分辨实践!

生成式AI架构实战指南:从手绘草图到工业级落地 生成式AI架构不是抽象理论,而是面向工程落地的系统设计方法。其核心在于理解不同模型的本质能力边界——Transformer擅长序列建模与语义连贯生成,Diffusion精于像素级高质量重建,VAE侧重数据压缩与隐空间操作,GAN则在对抗中提升细节真实感。技术价值体现在任务适配性、推理效率与可维护性三者的动态平衡;典型应用场景包括智能文案生成、AI图像编辑、实时语音字幕、医疗影像增强等。本文聚焦实践者视角,融合Transformer注意力机制与Diffusion去噪过程两大热词,提供可手绘、可验证、可组合的架 阅读详情

前言

数据是深度学习系统的输入,对深度学习的发展起着至关重要的作用,但是又容易被很多人忽视,尤其是缺少实战的学习人员。数据增强又是其中至关重要的内容,为了让大家能够掌握好深度学习中数据的使用,我们开设了《深度学习之数据使用》专栏,本课程讲师为言有三,长期更新。

课程内容包括数据的获取,数据的整理,数据的标注,数据增强,数据的可视化等领域,覆盖了深度学习中数据使用的各个方向,大纲如下:

目前已经上线数据的获取,数据的整理,数据的标注,数据增强共4大部分内容,本次我们新增了数据增强开源库imgaug的使用实践。

本次新增内容介绍

本次新增的课程内容包含imgaug库的介绍,API详解,分类分割检测等视觉任务中的使用,以及基于imgaug的图像超分辨数据增强实践,共分为2个小节。

第1小节:介绍imgaug的特点,基本的使用方法,完整的API。

第2小节:介绍imgaug在各类视觉任务中的使用方法,以及在图像超分辨任务中的案例实践。

课程大纲

在没有做好数据增强的情况下, 训练的超分辨模型对于真实图像的泛化能力极差;而在使用imgaug库做好数据增强之后,可以对真实退化的图像训练出泛化能力较好的模型,如下:

最左边两幅图分别是真实的退化图和仅仅采用减小分辨率的方法进行仿真的退化图,右边分别展示了有jpeg压缩数据增强和没有jpeg压缩数据增强的结果,在没有做好数据增强的情况下,模型根本无法对真实的退化图进行超分辨。

下图展示了一些训练过程中的样本对,可以看出模拟出了非常逼真的jpeg压缩效果(第1列):

本专栏其他上线的内容还包括:

(1) 数据的获取,包括数据获取方法简介,爬虫工具介绍,本小节内容可以免费收听。

(2) 数据的整理,包括数据检查与归一化,数据去重,数据集划分。

(3) 数据的标注,包括数据标注概述,数据标注工具,自动数据标注。

(4) 数据增强,包括数据增强方法和数据增强实践。

关于更加详细的介绍,请大家阅读:【视频课】深度学习必备基础,如何使用好数据?

如何订阅课程

订阅本课程的方法有两个:

其一:参加有三AI任意的CV季划,可以获得完整的课,介绍如下:

有三AI计算机视觉学习季划

有三AI季划是我们推出的终身计算机视觉培养计划,有三作为主要导师直接带领,囊括答疑,微信群交流,线下活动,多本自写的书籍,图文课件与代码,直播与直播,知识星球社区,内容组与研发组权限,了解详细请阅读以下文章:

【CV夏季划】2021年有三AI-CV夏季划出炉,冲刺秋招,从CV基础到模型优化彻底掌握

【CV秋季划】模型优化很重要,如何循序渐进地学习好?

【CV秋季划】人脸算法那么多,如何循序渐进地学习好?

【CV秋季划】图像质量提升与编辑有哪些研究和应用,如何循序渐进地学习好?

【CV秋季划】生成对抗网络GAN有哪些研究和应用,如何循序渐进地学习好?

其二:单独订阅本视频专栏,本专栏定价为99,随着后续内容增加可能会进行价格调整,感兴趣的请提前订阅,链接如下:

同时欢迎在深度学习领域有沉淀积累的同学加入有三AI生态,让更多人受益!

往期相关

深度学习超分辨率数据处理代码(包含数据增强,随机裁剪,最终保存为h5文件) 阅读详情

相关推荐

【信息科学与工程学】【运营科学】第二篇 C4信息与通信网络运营 (C4) ——数据中心网络运营01

这是运营的物理和逻辑对象。C4.11xx 传输资源:光纤、微波、卫星链路;频谱资源(Sub-6GHz, 毫米波)。C4.12xx 节点资源:核心路由器、交换机、基站(gNB)、数据中心服务器。C4.13xx 虚拟化资源:由NFV生成的虚拟网络功能(VNF)、容器、虚拟机和网络切片实例。这是实现智能、灵活运营的核心技术集。C4.21xx 软件定义与虚拟化:软件定义网络 (SDN):控制平面与数据平面分离,实现集中、可编程的网络控制。网络功能虚拟化 (NFV):将传统专用硬件设备的功能以软件形式运行在通用硬件上

weixin_49199313的博客 1460

图像超分辨率重构开题报告_反思图像超分辨率的数据增强:综合分析和新战略...

一、摘要数据增强是提高深度网络性能的有效方法。不幸的是,当前的方法主要是针对高层视觉任务(例如分类),很少研究低层视觉任务(图像恢复)。在本文中,我们对应用于超分辨率任务的现有增强方法进行了全面分析。我们发现丢弃或调整像素及特征的现有方法过多地阻碍了图像恢复,因为空间关系非常重要。根据我们的分析,我们建议使用 CutBlur,剪切低分辨率的补丁并将其粘贴到相应的高分辨率图像区域,反之亦...

weixin_39760619的博客 749

【信息科学与工程学】【产品体系】第十二篇 制造业生产加工05 控制算法 ——飞行(1)

航空航天控制的高级主题,包括先进飞行控制、航天器高级控制、无人机集群、航空发动机控制和飞行管理。

weixin_49199313的博客 1911

Arduino滤波算法

转载自:极客工坊 http://www.geek-workshop.com/thread-7694-1-1.html 1、限幅滤波法(又称程序判断滤波法) 2、中位值滤波法 3、算术平均滤波法 4、递推平均滤波法(又称滑动平均滤波法) 5、中位值平均滤波法(又称防脉冲干扰平均滤波法) 6、限幅平均滤波法 7、一阶滞后滤波法 8、加权递推平均滤波法 9、消抖滤波法 10、限幅消抖滤波法 11、卡尔...

weixin_42711131的博客 1561

超分辨率常用数据集(Set5, Set14, BSD100, BSDS200, BSDS300, BSDS500, 91-images,General-100,

超分辨率常用数据集,包含数据增强方法和以下数据集:Set5, Set14, BSD100, BSDS200, BSDS300, BSDS500, 91-images,General-100, Manga109, Urban100, historical

【项目实战】小智AI MCP协议在IoT设备控制中的深度应用解析

本文深度解析小智AI MCP协议在IoT设备控制中的应用实践。通过MCP协议作为AI与物联网设备的翻译桥梁,实现大语言模型与ESP32等硬件的无缝通信。文章详细介绍了环境搭建、工具注册、消息路由机制,并以语音控制RGB灯光系统为例展示完整开发流程,为AIoT开发者提供实用指南。

oauth7security的博客 826

增大图片(在图像分割、GAN、超分辨中经常用到)

主要有以下几种方法: 上采样 反卷积 转置卷积 微步卷积 空洞卷积 子像素卷积(Sub-pixel Convolution) 空洞卷积就是一般意义的卷积,包括了上采样和下采样;上采样又叫做反卷积;反卷积包括转置卷积和微步卷积。 微步卷积 首先将3*3的按照上图进行补充,然后利用卷积得到最后扩大的图片 转置卷积 转置卷积和微步卷积的区别在于补充的方式不同。 子像素卷积...

T_z_c_h333的博客 1516

C# emgu.cv图像识别 从大图中寻找小图,判断存在图的相似度

这是2个问题,我采用emgu.cv来解决这个识别问题,这里需要在nuget中引用emgu。最近写了一个在一张图片中,截取一部分,通过机器判断截取图片是这张图片的。第一、通过小图去找判断是否存在大图中,第二、小图存在大图的什么位置。

一个专注于技术研究创新的程序员 2467

微信公众号解读文章的收集(1)

由于我现在主要关注计算机视觉中的图像处理、slam、深度学习目标检测这些领域,所以通常会看一些微信公众号里的小文章,一般我觉得比较好的就在这里分类收集一下。 一、图像处理 十个python图像处理工具 OpenCV实现失焦模糊图像恢复 全局对比度的图像显著性检测算法 使用Python+OpenCV进行图像处理(三)| 视觉入门 干货 | 史上最全 OpenCV 活体检测教...

dulingwen的博客 2806

pagerank算法详解

目录一、pagerank定义两个重要假设二、pagerank算法公式定义计算演示矩阵化计算三、存在的两个问题问题1.Dead Ends问题2.Spider Traps 一、pagerank定义 入链数:指向该节点的链接数 出链数:由该节点指出的链接数 以上图为例:A的入链数为1,出链数为3,所以将由A指向其他节点的边权重设置为1/3,表示A访问B、C、D节点的概率均为1/3 两个重要假设 数量假设:在Web图模型中,如果一个页面节点接收到的其他网页指向的入链数量越多,那么这个页面越重要。 质量假设:指向

gary101818的博客 4万+

Python计算时间差的方法

使用datetime模块是Python内置的方法,使用timedelta对象可以更精确地计算时间差,而使用dateutil库则提供了更为灵活和方便的操作方式。我们可以使用datetime模块中的datetime类来表示一个具体的日期和时间,并进行相应的运算。在Python中,我们经常需要计算日期和时间之间的差异,例如计算两个日期之间的天数、小时数、分钟数等。Python提供了多种方法来计算时间差,下面我们将介绍其中的几种常用方法,并附上相应的源代码。在上面的代码中,我们使用了dateutil库中的。

学习使你进步。 2086

High-Resolution Image Synthesis with Latent Diffusion Models 基于潜在扩散模型的高分辨率图像合成

Robin Rombach 1 * Andreas Blattmann1 * Dominik Lorenz 1 Patrick Esser ® Björn Ommer 1 1 Ludwig Maximilian University of Munich & IWR, Heidelberg University, Germany ° Runway ML慕尼黑路德维希-马克西米利安大学 & 德国海德堡大学 IWR ° Runway MLhttps://github.com/CompVis/latent-diff

u013250861的博客 140

【AI大模型:前沿】41、建筑行业大模型创业全指南:从技术突破到成本控制与落地路径

建筑行业大模型是“高门槛、高回报”的长周期赛道,适合有建筑行业资源+AI技术背景的团队切入。数据是基础,场景切割是策略,合规是底线。通过聚焦“设计生成+规范审查”等刚需场景,用“仿真数据+开源模型”降低成本,3-5年内有望成长为行业独角兽。对于中小团队,避开千万级全流程模型的红海,深耕“小而美”的单点工具,同样能实现盈利与快速扩张。关键成功公式建筑AI创业 = 50%数据壁垒构建 + 30%场景精准切入 + 20%成本控制能力。

2025博客之星Top81。专注AI工程化与架构实战。从分布式思维到模型部署,用工程化视角为你厘清AI落地的真实路径。 2116

卷积尺度全解析:感受野、特征尺度与采样尺度工程实践

在卷积神经网络中,尺度常被混为一谈,实际至少包含感受野尺度、特征尺度与采样尺度三层含义。卷积具备平移等变性,却缺乏天然尺度等变性,核大小、stride、空洞卷积膨胀率和输出步长共同决定信息覆盖与分辨率交换。厘清这些概念,能解释为何换大核不等于看得更远,也能指导FPN、ASPP、尺度抖动与多尺度测试增强的设计。在遥感小目标检测、语义分割、视频理解等场景,尺度错配往往不报错却显著拉低召回。围绕感受野计算、有效感受野验证、尺度扫描和参数配置表,可形成一套可复现的工程排查路径,让多尺度调参从玄学回到可推导。

weixin_34116110的博客 335

YOLOv11改进,YOLOv11添加DCNv4可变性卷积(windows系统成功编译),二次创新C3k2结构,全网最详细教程

引入了可变形卷积 v4 (DCNv4),这是一种为广泛视觉应用设计的高效且有效的操作算子。DCNv4通过两项关键增强解决了其前身DCNv3的局限性:1. 移除空间聚合中的softmax归一化,以增强其动态特性和表达能力;2. 优化内存访问以最小化冗余操作,从而加速计算。这些改进使得DCNv4相比DCNv3显著加快了收敛速度,并且处理速度大幅提升,前向传播速度超过三倍。DCNv4在多个任务中表现出色,包括图像分类、实例和语义分割,特别是在图像生成方面表现突出。

在职AI算法工程师,擅长计算机视觉,YOLO目标检测、分割等,擅长web、pyqt界面可视化,好内容持续更新中,来这里跟大家一起学习,共同进步 2666

使用 MATLAB/Simulink 进行锂电池SOC估算和等效电路建模

本文介绍了使用MATLAB/Simulink进行锂电池SOC估算与等效电路建模的方法。首先阐述了SOC估算和等效电路模型的背景及重要性,然后详细讲解了系统结构设计的主要组成部分,包括电池模块、SOC估算模块(采用卡尔曼滤波器算法)和等效电路模型等。文章重点分步说明了建模过程:从创建Simulink项目、搭建电池模块,到实现SOC估算算法(提供示例代码),构建等效电路模型(Thevenin模型示例),添加传感器模块,最后设置仿真参数。通过仿真运行分析关键指标(SOC估算误差、电压偏差等)来评估模型性能,为锂电

xiaoheshang_123的博客 265

五大深度神经网络算法实战指南:从原理到环境配置与项目迁移

深度神经网络是人工智能的核心技术,通过模拟人脑神经元连接来处理复杂数据。其核心原理在于通过多层非线性变换自动学习数据的层次化特征表示,从而在图像识别、自然语言处理等任务上超越传统算法。这一技术价值在于能够端到端地解决感知类问题,极大提升了自动化和智能化水平。在应用场景上,卷积神经网络擅长处理图像等网格数据,循环神经网络及其变体LSTM专攻序列数据,生成对抗网络用于数据生成,而Transformer凭借自注意力机制在长序列建模中表现卓越。本文聚焦于CNN、RNN、GAN、LSTM和Transformer这五大

weixin_34387468的博客 300

Linux 设置双网卡通信,外网网卡和内网网卡

背景,Linux 主机已经安装了内网、外网 2 张网卡,目前外网网络已通,需要设置内网网卡转发通内网 内网需要通信的设备的网段,如果 10.99.0.0 代表 10.99 网段的所有 IP 表示 10.xx 网段走 10.xx.xx.xx 这个网关转发 :内网网卡设备示例 2、设置启动自动生效 打开 文件,如果没有则创建该文件,然后在文件内写入如下的内容修改上面的语句 为 即可 示例...

简简单单Onlinezuozuo 6606

51c深度学习~合集8

方法的完整数学描述略显复杂,如果只是想了解主要思想,可以只看上面 PatchMix的流程图即可(其实只是公式多,每个公式也不复杂,后续有机会做个演示动画,帮助大家理解。这个方法也可以用简单的 Mask 方法实现,但是本方法在大规模图像处理上效率是最高的),对该工作感兴趣的同行可以看一下,我尽量写得清楚一些。结合 PatMix 的流程图,主要过程如下:由于混合图像和混合图像之间,重叠比例的不同,mix-to-mix label 中每一项的权重分数是不同的,根据上图,可以得到权重系数可以表示为。

whaosoft~aiotの开发板商城 2963

Statistics and Machine Learning Toolbox

Statistics and Machine Learning Toolbox(带书签),MATLAB统计学习工具

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能:商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传,基本资料下载,开钱箱、小票打印、收款结算,支持多币种付款方式(现金、储值卡、礼券、微信等),支持多种促销。运行环境:.net 4.0登陆信息用户名:1001 密码:123456内置商品信息,商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

数据增强操作

将图片分成小块 # -*- coding: utf-8 -*- """ @Author : zhwzhong @License : (C) Copyright 2013-2018, hit @Contact : zhwzhong.hit@gmail.com @Software: PyCharm @File : ImgToPatch.py @Time : 201...

qq_34535410的博客 694

汉书HE8,好用的汇编代码编写工具

汉书HE8,好用的汇编代码编写工具早期编写汇编代码所用功能强大

视频隐私脱敏工程化:CSRT/KCF追踪算法在本地推理中的实现与边界

在短视频内容合规审查中,动态遮挡(Dynamic Masking)是高频且高耗时的环节。传统手动关键帧打码不仅效率低下,且在目标快速移动或遮挡时极易出现遮罩漂移。本文从计算机视觉工程角度,解析基于CSRT与KCF算法的目标追踪方案在视频隐私处理中的技术路径、性能权衡及落地实践。

Mysssone的博客 339

IEM模型,地表粗糙度模拟

利用微波反演土壤水分时候,利用IEM模型可以实现对随机地表的模拟

AI 问数真的能替代 BI 报表吗?

AI问数赋能自然语言查询,提升临时分析效率,但无法替代传统报表。报表适用于稳定输出与持续监控,AI则擅长探索性提问。企业用好AI问数,关键在于夯实数据模型、统一指标口径、健全权限体系与结果校验机制。合理组合报表、仪表板与AI,才能实现高效、准确的业务洞察。

葡萄城技术团队博客 248

ChatGPT、Perplexity、Gemini 与 AI Overviews 引用对比:谁的引用更可信

AI 引擎的引用机制差异很大:ChatGPT 以行内引用加 Sources 列表呈现来源,Perplexity 几乎逐句可溯源,Gemini 在回答中内嵌相关来源链接,AI Overviews 则把多源聚合答案与来源列表一起放在搜索结果顶部。本文从引用透明度、来源偏好、可干预性 3 个维度对比这 4 个引擎,并给出 GEO 的 3 点启示,帮企业在多引擎环境下提升被引用的概率。

淡然一笑 的专栏 176

AI Agent之核心框架

A: 显式 Thought 有三类价值:可解释性(便于人类审计)、可调试性(定位哪一步选错工具)、学习信号(可做监督微调或评估中间步骤质量)。ReAct 把推理与 可执行行动 绑定,每一步行动后都有 真实 Observation 反馈,从而用工具结果约束生成,降低闭卷幻觉。做完不等于结束——还要 评估做得好不好,把 教训 记下来,下次 带着教训重试,反思作为 记忆,影响后续尝试的策略。工作流程:Action → Evaluation → Reflection → Retry。A: 普通 CoT 只在。

剑雨巍巍的博客 247

【从零理解 Spring AI · 12】MCP 的两种角色:做客户端还是做服务端

上一篇讲了 MCP 的概念:标准协议、三大角色、M+N 替代 M×N。

nice_lcj520的博客 557

AI 应用开发工程师技术实践:大模型接入、通用组件封装与性能优化

本文提出AI应用从PoC到生产的核心挑战:模型调用的持续可用、可控与可优化。通过构建统一LLM网关实现多供应商路由与故障转移,封装对话、工具调用与RAG组件以解耦业务逻辑,结合前缀缓存、批处理与流式背压治理等性能优化手段,形成“接通→接稳→接快”的工程路径,最终以工程化能力决定AI应用的生产可用性。

2301_79189962的博客 609
上一篇: 【总结】从视频到图文,代码实战,有三AI-GAN学习资料汇总!
下一篇: 【赠书】掌握人工智能重要主题,深度强化学习实践书籍推荐
言有三
言有三 领域专家: 人工智能技术领域 领域专家: 人工智能技术领域
博客等级 码龄15年 3635粉丝 976原创
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
 条评论被折叠 查看
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

打赏作者

言有三

三人行必有AI

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

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