- 博客(32)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 前端面经---网络通信原理
文章目录1.http 与 https （概念，区别）2.浏览器缓存机制3.浏览器渲染页面的过程4.什么是同源策略以下内容为面试中遇到的一些问题，想整理一下，内容来自各位大佬的博客，并非原创。1.http 与 https （概念，区别）提出https的原因：http有以下安全性问题（1）使用明文进行通信，内容可能会被窃听；（2）不验证通信方身份，通信方的身份有可能遭遇伪装；（3）无法证明报文的完整性，报文有可能遭篡改。https:https并不是新协议，而是让http先和SSL通信，再
2021-09-17 21:17:12
331
原创 Image resizing by reconstruction from deep features-2021
论文阅读笔记---Image resizing by reconstruction from deep features-2021-清华大学摘要1.介绍2.相关工作3.方法3.1 绪论3.2 特征图缩放3.2.1 深度接缝裁剪3.2.2 网格翘曲3.2.3 深度多操作符3.3 图像重构3.4 图像精细化4.结果4.1 设置4.2 重要图有效性4.3 特征空间和图像空间4.4 通过深度特征图重建4.5 与之前方法的视觉比较4.6 主观实验4.7 语义保留4.8 限制5.结论摘要传统图像缩放方法经常在图像空
2021-07-31 16:22:05
692
原创 模型优化
模型优化第六章 减小模型尺寸（模型优化）6.1 数字格式浮点16位 bfloat(bf16)浮点16位半精度（fb16）带有19位浮点的张量浮点-32 （tf-32）整数-16（int16）浮点8位（fp8）整数-4（int4）浮点24位（fp24）Posit(Log-domain)对数域二进制（1位）和 三进制（2位）6.1.1 模具成本6.2 量化方法不对称的量化阈值标定量化感知训练(QAT)有选择性的量化跨层范围均衡通道对-量子化随机舍入无符号int8 ReLU激活6.3 剪枝和压缩6.4 知识蒸馏
2021-04-07 21:27:48
1671
原创 Unsupervised Stereoscopic Image Retargeting via View Synthesis and Stereo Cycle Consistency Losses
论文阅读-Unsupervised Stereoscopic Image Retargeting via View Synthesis and Stereo Cycle Consistency Losses摘要1.介绍2.相关工作2.1 2D图像重定向2.2 立体图像重定向3.提出的方法3.1 USIR-Net的结构3.2 视图合成损失3.3 立体循环一致性损失3.4 实现细节摘要作者提出了一个无监督立体图像重定向网络（USIR-Net), 从而在没有标签信息的情况下解决立体图像重定向的问题。通过探
2021-03-15 21:27:52
599
原创 VFN模型
论文阅读笔记--VFN模型-2017-Learning to Compose with Professional Photographs on the Web摘要1.介绍2.之前的工作3.方法3.1 挖掘成对排序单元3.2 视角查找网络摘要照片构图是影响摄影审美的重要因素。然而，由于缺乏适用于各种摄影风格的全局规则，对好作品的美学特性建模是一项极具挑战性的任务。受拍照思维过程的启发，我们将照片构图问题表述为一个寻找视角的过程，该过程依次检查成对的视角并确定它们的审美偏好。我们进一步利用网络上丰富的专
2021-03-04 20:20:23
1199
原创 论文阅读-Robust Image Retargeting via Axis-Aligned Deformation
标题：Robust Image Retargeting via Axis-Aligned Deformation年份：2012作者：Daniele Panozzo，Ofir Weber，Olga Sorkine代码：AARetargetingSource.zip作者主页：HomePage作者一个意大利人，一个瑞士人，一个美国人，老觉得文章读起来有点不顺，是我太菜了吗…T_T…论文阅读--【AAD】通过轴对齐变形的鲁棒图像重定向摘要1.介绍2.先前工作3.算法3.1 能量函数3.2 拉普拉斯正则化
2021-01-14 11:15:20
578
原创 论文阅读--DeepIR: A Deep Semantics Driven Framework for Image Retargeting
标题： DeepIR: A Deep Semantics Driven Framework for Image Retargeting会议： 2019 IEEE International Conference on Multimedia & Expo Workshops (ICMEW)来自文章《Weakly Supervised Reinforced Multi-operator Image Retargeting》的评价：DeepIR借助于预先训练的深度神经网络和特征级的均匀重采样实现了重
2020-12-30 15:56:50
542
1
原创 论文阅读笔记--Weakly- and Self-Supervised Learning for Content-Aware Deep Image Retargeting
标题：Weakly- and Self-Supervised Learning for Content-Aware Deep Image Retargeting会议：2017 IEEE International Conference on Computer Vision基于弱自监督学习的对于内容感知的深度图像重定向摘要1.介绍2.相关工作3.结构3.1 编码器-解码器 模型3.2 偏移层摘要文章提出了一种用于内容感知图像重定向的弱自监督深度卷积神经网络。我们的网络采用一个源图像和一个目标纵横比，
2020-12-29 16:54:32
797
原创 论文阅读--Cycle-IR: Deep Cyclic Image Retargeting
论文阅读--Cycle-IR（2020）: 深度循环图像重定向摘要1.介绍2.相关工作2.1 传统重定向方法2.2 弱监督图像重定向方法2.3 循环约束3.深度循环图像重定向摘要由于摆脱了手工表示的限制，监督深度学习技术在各个领域都取得了巨大的成功。然而，以往的图像重定向算法大多采用固定的设计原则，如使用梯度图或手工特征计算显著图，这不可避免地限制了其通用性。深度学习技术可能有助于解决这一问题，但具有挑战性的问题是，我们需要建立一个大规模的图像重定向数据集来训练深度重定向模型。然而，建立这样的数据
2020-12-17 20:33:44
823
4
原创 论文阅读--Image Retargetability
图像可重定向性摘要1.介绍2.相关工作2.1 图像重定向算法：2.2 图像重定向评估（==这一部分以后可能需要详细阅读==）2.3 图像属性分析3.数据集准备3.1 图像和属性3.2 重定向方法和标注3.3 标签一致性的分析4.可重定向性建模4.1 测量可重定向性4.2 学习和预测可重定向性4.2.1 深度特征4.2.2 学习可重定向性4.2.2.1 二进制属性特征学习4.2.2.2 相对可重定向性学习4.2.2.3 公式和实现摘要本研究引入了图像可重定向性(image retargetability)
2020-12-16 19:23:01
1262
5
原创 论文阅读笔记--Stereo Magnification: Learning view synthesis using multiplane images
论文阅读：Stereo Magnification: Learning view synthesis using multiplane images摘要1.介绍2.相关工作3.提出的方法3.1 多平面图像表示(MPI)3.2 从立体对学习3.3 使用MPIs进行可微视图合成3.3.1 平面变换3.3.2 Alpha 合成3.4 目标函数3.5 实现细节4. 数据4.1 识别视频4.2 利用SLAM识别和跟踪视频片段4.3 通过[束调整(wiki)](https://en.wikipedia.org/wiki
2020-12-03 21:37:08
2865
原创 解决问题：OSError: Not a gzipped file (b‘＜!‘)
@[toc](下载Fashion_Mnist数据集出现OSError: Not a gzipped file (b’<!’))下载数据的代码:(TensorFlow版本至少要求1.8.0,否则提示keras.datasets.fashion_mnist没有模块load_data()),参考博客：利用TensorFlow进行Fashion MNIST数据集的基本分类问题import tensorflow as tffrom tensorflow import keras import nu
2020-11-20 11:36:58
8676
原创 SNS论文阅读笔记
SNS论文阅读笔记文章：摘要1.介绍2.相关工作3.任意图像缩放3.1 四边形重要性3.2 基于网格的图像缩放3.2.1 四边形变形3.2.2 网格线弯曲度3.2.3 总的能量和边界条件3.3 初始值3.4 基于重要性的初始网格文章：Wang, Y. S., C. L. Tai, O. Sorkine and T. Y. Lee (2008). “Optimized Scale-and-Stretch for Image Resizing.” Acm Transactions on Graphics 2
2020-10-12 16:00:44
527
1
原创 论文阅读笔记--Grid Anchor based Image Cropping: A New Benchmark and An Efficient Model
基于网格锚的图片裁剪：一种新的标准和高效的模型摘要1.介绍2.相关工作2.1 图像裁剪数据集和评估指标摘要图像裁剪的目的是通过去除图像中无关的内容来改善图像的组成和美学质量。现有的图像裁剪数据库大多只提供一个或多个人工标注的边界框作为基准，难以反映实际中图像裁剪的非唯一性和灵活性。采用IoU等评价指标也不能可靠地反映裁剪模型的真实性能。本文回顾了图像裁剪的问题，并通过考虑图像裁剪的特殊特性和要求(如局部冗余、内容保存、高宽比)，提出了基于网格锚的公式。我们的公式将候选裁剪窗口的搜索空间从数百万减少到
2020-09-29 20:19:26
2518
原创 SLWAP论文阅读笔记
SLWAP论文阅读笔记文章：摘要：提出的方法：A.能量最小化1)失真能量2）直线弯曲能量3）对齐能量4） 视差一致能量文章：Chang, C. H., C. K. Liang and Y. Y. J. I. T. o. M. Chuang (2011). “Content-Aware Display Adaptation and Interactive Editing for Stereoscopic Images.” 13(4): 589-601.摘要：我们提出了一种内容感知的立体图像显示自适应
2020-09-25 16:54:14
370
原创 有关3D图像重定向性能评估方法
有关3D图像重定向性能评估方法1.2017-Wang et.al.缩略图生成[1]1.1 定性分析1.2 定量分析2.2019-MSTGAR[7]2.1 数据集2.2 定性分析2.2.1 缩略图质量2.2.2 深度感知2.3 定量分析3. 2019-SIRQA[13]3.1 数据集3.2 三维图像重定目标的客观质量度量3.2.1 MRT 特征表示3.2.2 VPT特征表示3.2.3 质量评估1.2017-Wang et.al.缩略图生成[1]1.1 定性分析与自身比较的缩略图生成方法：分类
2020-09-13 19:12:12
2309
原创 论文阅读笔记--Stereoscopic Thumbnail Creation via Efficient Stereo Saliency Detection-2017
Wang-2017-立体缩略图生成1.介绍2.相关工作3.提出的方法3.1立体显著性检测3.1.1 基于视差和边缘的显著性1.介绍2.相关工作3.提出的方法3.1立体显著性检测3.1.1 基于视差和边缘的显著性边缘组成了一种重要的显著性刺激。作者观察到，视差的边缘可以揭示闭塞边界的位置，这个位置通常也是对应着物体的物理边界。边缘和视差边界提供了补充信息。边缘精确地勾勒出对象轮廓。但是，它们通常过于密集，并且出现在对象内部。相反，由于视差估计中的误差，视差边界通常不覆盖整个对象边界，而
2020-08-20 17:10:25
571
原创 论文阅读笔记--Aesthetics-Driven Stereoscopic 3-D Image Recomposition With Depth Adaptation-2018
论文阅读笔记：美学引导的带有深度适应的立体3D图像重构I.介绍II.相关工作A.单目（2D）图像处理1）美学驱动的重构（Recomposition）2)图像分割与抠图（Segment and Matting）B.立体3D图像处理1）立体图像重定向（Retargeting）2)立体图像重构（Recompositon）3)视差/深度 调整（disparity/depth adjustment）III.立体图像美学A.摄影构图规则1）主体主导性（SD）2）三分法则（RTs）3）视觉平衡（VB）4）物体尺寸（SZ）
2020-08-17 22:19:01
412
原创 论文阅读笔记---MSTGAR: Multioperator-Based Stereoscopic Thumbnail Generation With Arbitrary Resolution
MSTGAR:3D缩略图生成I.介绍II.相关工作III.提出的方法A.深度可控的多尺度缩略图生成1）针对低分辨率图像的视觉模型2）多尺度缩略图生成B.裁剪网络C.裁剪窗口精细化物体能量EObjectE_{Object}EObject颜色特征能量EColorE_{Color}EColor边缘特征能量EEdgeE_{Edge}EEdge总能量IV.实验结果A.数据集B.定性分析1）缩略图质量2）深度感知C.定量分析D. 多重算子的影响E.计算复杂度分析F.局限性I.介绍一个好的立体缩略图应该具有两个
2020-08-16 17:19:46
579
原创 显著性应用--论文笔记--2019--Aesthetic guided deep regression network for image cropping
论文信息：作者：Peng Lua, Hao Zhanga, XuJun Pengb, Xiang Penga期刊：Signal Processing: Image Communication任务：图片裁剪年份：2019年全文：PDF主要内容：为了完成图像裁剪任务，提出了一个有美学引导的深度回归网络，使得模型裁剪出来的结果符合人类审美。用于图像裁剪的由美学引导的深度回归网络摘要1.介绍2. 相关工作2.1 基于注意力的裁剪2.2 基于美学的裁剪2.3 综合性裁剪3. 提出的方法3.1 动机与系
2020-08-04 16:32:43
975
原创 显著性应用--论文笔记--Automatic Image Cropping : A Computational Complexity Study
论文信息：作者：Jiansheng Chen Gaocheng Bai Shaoheng Liang Zhengqin Li（清华大学）期刊：CVPR任务：图片裁剪年份：2016年全文：PDF主要内容：提出一种低复杂度的算法，能够在图片裁剪任务中，满足最大化重要信息和最小化裁剪面积的要求论文笔记--Automatic Image Cropping : A Computational Complexity Study摘要1.介绍1.1相关工作1.2 动机2.问题的公式3.算法与分析3.1
2020-07-31 16:19:39
790
1
原创 交互式裁剪系统--2006-Gaze-Based Interaction for Semi-Automatic Photo Cropping
作者：Anthony Santella，Maneesh Agrawala，Doug DeCarlo，David Salesin，Michael Cohen全文：PDF交互式裁剪系统1.摘要2.介绍3.背景及相关工作4.交互式的裁剪过程4.1 分割4.2 识别重要内容4.3提取完整的物体4.4建立目标函数并优化4.4.1 包含主体4.4.2 避免穿过背景物体4.4.3 内容区域最大化4.4.4 重要内容的放置4.4.5 构建目标函数4.4.6 性能与优化5.结果5.1 眼球追踪过程5.2 在实际任务中的眼
2020-07-28 16:40:52
705
原创 安装apex出错解决方法：csrc/mlp.cpp:71:54: error: expected primary-expression before ‘＞’ token
安装apex目的为了完成这个项目的环境布置：深度估计DenseMatchingBenchmark项目安装指导官方安装指导c. Install apex# optional step:export CUDA_HOME=/usr/local/cuda-x.x/# where x.x corresponds to your CUDA version used to install pytorchgit clone https://github.com/NVIDIA/apex.gitcd ap
2020-07-23 11:23:14
3897
10
原创 论文阅读笔记--Predicting Human Eye Fixations via an LSTM-based Saliency Attentive Model
文章完整信息：标题：Predicting Human Eye Fixations via an LSTM-based Saliency Attentive Model作者:Marcella, Cornia , et al期刊名称：IEEE Transactions on Image Processing出版年: 2018分类：2D deep learning saliency model全文：PDF代码：CodePredicting Human Eye Fixations via an LS
2020-06-27 15:28:29
1626
3
原创 论文阅读笔记--A Model of Saliency-based Visual Attention for Rapid Scene Analysis
一篇解读这篇论文的博客:阅读图像显著性检测论文一：A Model of Saliency-Based Visual Attention for Rapid Scene Analysis文章完整信息：标题：A Model of Saliency-Based Visual Attentionfor Rapid Scene Analysis作者: Laurent Itti, Christof Koch, and Ernst Niebur期刊名称：IEEE TRANSACTIONS ON PATTERN
2020-06-22 17:40:58
834
原创 论文阅读笔记--Deep Visual Saliency on Stereoscopic Images
文章完整信息：标题：Deep Visual Saliency on Stereoscopic Images作者:Anh-Duc Nguyen ; Jongyoo Kim ; Heeseok Oh ; Haksub Kim ; Weisi Lin ; Sanghoon Lee期刊名称：IEEE TRANSACTIONS ON IMAGE PROCESSING卷: 28 期: 4 页: 1939-1953DOI: 10.1109/TIP.2018.2879408出版年: APR 2019分类：3
2020-06-20 11:03:16
657
原创 论文阅读笔记--Saliency detection for stereoscopic images
Saliency detection for stereoscopic images摘要摘要目前，立体显示的新兴应用需要新的立体图像显著性检测模型。与二维图像的显著性检测不同，立体图像的显著性检测必须考虑==深度特征==。
2020-06-16 16:43:17
584
翻译 论文笔记--Quality Prediction of Asymmetrically Distorted Stereoscopic 3D Images
论文笔记--Quality Prediction of Asymmetrically Distorted Stereoscopic 3D Images摘要I.介绍II.回顾先前的3D-IQA研究A.先前的3D-IQA研究B.先前的客观3D-IQA研究摘要失真立体图像的客观质量评估是一个挑战性问题，特别是当左右视图得失真是非对称的时候。存在的研究提出简单地对左右视图地质量进行平均可以很好地预测...
2019-08-29 11:57:58
779
3
翻译 The Unreasonable Effectiveness of Deep Features as a Perceptual Metric
论文笔记-The Unreasonable Effectiveness of Deep Features as a Perceptual Metric， CVPR 2018摘要目的摘要虽然人类几乎不费吹灰之力就可以快速评估两幅图像之间的感知相似性，但底层的过程被认为是相当复杂的。尽管如此，目前最广泛使用的感知指标，如PSNR和SSIM，都是简单、肤浅的功能，无法解释人类感知的许多细微差别。...
2019-08-16 21:00:29
3178
5
翻译 论文笔记-NIMA-Neural Image Assessment， IEEE Transactions on Image Processing 2018
论文笔记-NIMA-Neural Image Assessment， IEEE Transactions on Image Processing 2018摘要论文引用：Talebi H , Milanfar P . NIMA: Neural Image Assessment[J]. IEEE Transactions on Image Processing, 2017, PP(99):1-1....
2019-07-27 21:20:42
3159
翻译 论文笔记--deepIQA: Deep Neural Networks for No-Reference and Full-Reference Image Quality Assessment
论文笔记--deepIQA: Deep Neural Networks for No-Reference and Full-Reference Image Quality Assessment论文主要框架Introduction相关成果III 基于深度神经网络的IQA方法IV 实验及结果A.数据集B.实验C.性能评估D.本地权重（蓝色代表low value，黄色代表high value）【本地权重...
2019-07-27 20:59:53
3734
翻译 论文笔记 -- RankIQA: Learning from Rankings for No-Reference Image Quality
论文笔记 -- RankIQA: Learning from Rankings for No-Reference Image Quality I.介绍II.相关研究III. NR-IQA 中的排序学习（本论文的理论知识）3.1 overview3.2 用于排序的孪生网络3.3 高效的孪生反向传播3.4 fine-tune for NR-IQAIV.实验结果4.3 从排序学习中进行NR-IQAI...
2019-07-26 21:15:31
3356
30
2.Liu_RankIQA_Learning_From_ICCV_2017_paper.pdf
2019-07-26
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人