mmdbhs的博客

0 基本信息时间：2017期刊会议级别：IEEE亮点：使用对抗神经网络GAN；新的损失函数1、生成器（Generator with Symmetric Structure）生成器为图片中的上半部分，功能为将有雨的图像转化为无雨图像，图片进入网络之后，会依次经过N个 （Dense+transition）。每个Dense将由n*layer组成，这些layer是平行存在的，每个layer包括三个步骤： batch normalization (BN), leaky rectified linear

基本信息时间：2017期刊会议类别：IEEE亮点：将图像分为base layer和detail layer1、图像预处理不同于以往直接将原图像直接输入进神经网络，本文使用低通滤波器将图像分为基层和细节层，而雨线都集中在细节层中，所以本文只将细节层作为网络输入。公式如下：2、网络架构1、按照第一节中提到的将图片分为基层（Base layer）和细节层（Detail layer）2、随后将细节层送入两层卷积神经网络，再通过反卷积得到去雨后的细节图像（反卷积论文中没有提到，在代码中能看到）3

一，目标检测简介二，yolov1网络的输出结果分析我们首先来看一下yolov1的网络图，如下图所示。在yolov1的网络当中，输入的图片的大小为448x448x3，这个在图中也可以很明显的看出来。重点是，输出的7x7x30的输出结果包含哪些信息。首先我们先看一下下面这张图片：在图片当中，可以看到，图像被分为7x7的网格，与上面提到的网络输出7x7x30相对应，可以看出每一个网格都包含30个输出参数。接下来我们来讲解一下，这三十个输出参数都代表什么信息。看接下来这张图片：在yolov1当中每一