- 博客(137)
- 收藏
- 关注
RSS订阅
3原创 SyntaxError: Caught SyntaxError in DataLoader worker process 10.
SyntaxError: Caught SyntaxError in DataLoader worker process 10.
2024-02-01 20:38:14
428
原创 Illegal unit of measure (pt inserted)
Illegal unit of measure (pt inserted)
2023-12-27 21:25:10
1168
原创 UnicodeDecodeError: ‘utf-8‘ codec can‘t decode byte 0xc6 in position 680: invalid continuation byte
UnicodeDecodeError: 'utf-8' codec can't decode byte 0xc6 in position 680: invalid continuation byte
2023-09-01 11:35:28
823
原创 Dual pyramid GAN for semantic image synthesis
Dual pyramid GAN for semantic image synthesis
2023-07-30 16:26:20
654
原创 Towards Bridging Seamntic Gap to improve semantic segmentation
Towards Bridging Seamntic Gap to improve semantic segmentation
2023-07-27 09:17:53
192
原创 统计NYU中所有类别出现的次数
3：载入训练集的图片共795张，结果如下，修改根目录可切换到验证集。2：统计的是类别出现的次数，而不是类别像素的个数。4：测试集有654张图片。
2023-05-11 15:10:08
140
原创 PIXEL LEVEL DATA AUGMENTATION FOR SEMANTIC IMAGE SEGMENTATION USING GENERATIVE ADVERSARIAL NETWORKS
通过两个方法获得新的标签，(1)：将一个单一的标签覆盖到原始的标签中(如果是一个新的标签则原来的标签就会多一个类别，如果放一个本来图中就有的标签，那标签总数不变，但是图片增加了复杂度)。首先画一个基础的label，包含最常见的，也是必须要有的，天空，路面，建筑，空白的地方像素为0，然后将单个lable重叠到基础的label上，就形成了一个新的label图。作者首先挑选出那个标签中没有wall的标签，接着随机挑选那个有wall的标签，然后将wall从挑选的标签中分离出来，然后覆盖到没有wall、的标签中。
2023-05-11 12:11:57
201
原创 Semantic Segmentation using Adversarial Networks代码
与传统的GAN不同的地方是：segmentation的输出并非直接输入到adversarial model中，而是真实的GT和原始的RGB相乘，通道由C变为3C。接着是生成器和辨别器的组成：和DCGAN区别的地方是生成器输入不再是噪声，而是图片。：由两项组成，第一项计算分割的label_map和GT之间的损失，第二项计算进过生成器的输出和1之间的损失。y_fake同上所述，我们希望分辨器能够辨别出来他是分割的结果而非原始的GT，因此与0计算损失。辨别器：四种变形，主要的区别就是卷积的通道不一致。
2023-05-09 14:55:06
598
原创 Semantic Segmentation using Adversarial Networks
使用两个权重和的混合损失函数进行优化，第一个是多类别交叉熵优化分割模型，使用S(x)，表示类别c的概率图，第二个损失基于辅助对抗卷积网络，如果辨别器可以分辨出真实的标签和分割模型输出的标签，那么它就会很大。，λLbce表示的是将分割模型输出的结果预测为真实标签的概率，我们希望他为0，如果要最大化，则将分割模型输出的结果预测为真实标签的概率最大，可以替换为将分割模型输出的结果预测为真实标签的概率希望他为1。最小化分割模型损失是为了让模型分割的更准确，最大化对抗模型损失是为了让对抗模型辨别的更准确。
2023-05-08 17:19:16
713
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人