<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[sinat_36197913的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/sinat_36197913</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; sinat_36197913]]></copyright><item><title><![CDATA[【低光图像增强】Learning to See in the Dark]]></title><link>https://blog.youkuaiyun.com/sinat_36197913/article/details/109216367</link><guid>https://blog.youkuaiyun.com/sinat_36197913/article/details/109216367</guid><author>sinat_36197913</author><pubDate>Mon, 02 Nov 2020 15:05:07 +0800</pubDate><description><![CDATA[Learning to See in the DarkAbstractIntroduction

Abstract
低光图像增强面临的问题：可用的数据集少；低光图像的信噪比低；短曝光图像噪声多，长曝光图像会比较模糊，不真实。
针对这些问题：提出了一个短曝光低光raw图像数据集，对应长曝光的参考图像；使用这个数据集提出了一个低光图像处理全卷积网络，输入是raw图像，省去了传统的isp流程。
Introduction

...]]></description><category></category></item><item><title><![CDATA[【Pytorch】torch.clamp()]]></title><link>https://blog.youkuaiyun.com/sinat_36197913/article/details/109288791</link><guid>https://blog.youkuaiyun.com/sinat_36197913/article/details/109288791</guid><author>sinat_36197913</author><pubDate>Mon, 26 Oct 2020 14:17:53 +0800</pubDate><description><![CDATA[torch.clamp
torch.clamp(input, min, max, out=None) → Tensor

将输入input张量每个元素的夹紧到区间 [min,max]，并返回结果到一个新张量。
操作定义如下：
      | min, if x_i &lt; min
y_i = | x_i, if min &lt;= x_i &lt;= max
      | max, if x_i &gt; max

参数：

input (Tensor) – 输入张量
min (Number) – 限制]]></description><category></category></item><item><title><![CDATA[【Pytorch】图像基本操作]]></title><link>https://blog.youkuaiyun.com/sinat_36197913/article/details/109285983</link><guid>https://blog.youkuaiyun.com/sinat_36197913/article/details/109285983</guid><author>sinat_36197913</author><pubDate>Mon, 26 Oct 2020 11:27:49 +0800</pubDate><description><![CDATA[图像基本操作PIL.Image/numpy.ndarray与Tensor的相互转换归一化PIL.Image的缩放裁剪等操作
为了方便进行数据的操作，pytorch团队提供了一个torchvision.transforms包，我们可以用transforms进行以下操作：

PIL.Image/numpy.ndarray与Tensor的相互转化；
归一化；
对PIL.Image进行裁剪、缩放等操作。

通常，在使用torchvision.transforms，我们通常使用transforms.Compose将t]]></description><category></category></item><item><title><![CDATA[【图像超分辨】Densely Residual Laplacian Super-Resolution]]></title><link>https://blog.youkuaiyun.com/sinat_36197913/article/details/106239153</link><guid>https://blog.youkuaiyun.com/sinat_36197913/article/details/106239153</guid><author>sinat_36197913</author><pubDate>Wed, 20 May 2020 17:51:41 +0800</pubDate><description><![CDATA[Densely Residual Laplacian Super-ResolutionAbstractIntroductionNetwork ArchitectureCascading Residual on the ResidualDense Residual Laplacian ModuleExperimentsConclusion
Abstract
超分辨率卷积神经网络最近证明了能对单个图像进行高质量的还原。但是，现有算法通常需要非常深的架构和较长的训练时间。 此外，当前用于超分辨率的卷积神经网络无法]]></description><category></category></item><item><title><![CDATA[【图像超分辨】ABPN]]></title><link>https://blog.youkuaiyun.com/sinat_36197913/article/details/106100819</link><guid>https://blog.youkuaiyun.com/sinat_36197913/article/details/106100819</guid><author>sinat_36197913</author><pubDate>Wed, 13 May 2020 18:08:03 +0800</pubDate><description><![CDATA[ABPNAbstractMethodBack Projection Blocks for image SRSpatial Attention Blocks (SAB)Refined Back Projection Block (RBPB)ExperimentsConclusion
Abstract
作者提出了一个Attention based Back Projection Network。
Method
Back Projection Blocks for image SR
迭代反投影模块是在DBPN中提]]></description><category></category></item><item><title><![CDATA[【图像超分辨】A Matrix-in-matrix Neural Network for Image Super Resolution]]></title><link>https://blog.youkuaiyun.com/sinat_36197913/article/details/105951906</link><guid>https://blog.youkuaiyun.com/sinat_36197913/article/details/105951906</guid><author>sinat_36197913</author><pubDate>Thu, 07 May 2020 13:52:39 +0800</pubDate><description><![CDATA[A Matrix-in-matrix Neural Network for Image Super ResolutionAbstractIntroductionMatrixed Channel Attention NetworkNetwork StructureMatrix in MatrixMatrixed Channel Attention Cell
Abstract
近年来，深度学习方法通过...]]></description><category></category></item><item><title><![CDATA[【图像超分辨】RDN]]></title><link>https://blog.youkuaiyun.com/sinat_36197913/article/details/104929238</link><guid>https://blog.youkuaiyun.com/sinat_36197913/article/details/104929238</guid><author>sinat_36197913</author><pubDate>Tue, 17 Mar 2020 20:14:32 +0800</pubDate><description><![CDATA[RDN网络结构实现细节讨论（与其他网络的区别）实验设置实验结果参考博客
RDN——Residual Dense Network—— 残差深度网络。RDN是基于深度学习的超分方法之一，发表于CVPR 2018。
网络结构

RDN网络结构分为4个部分：

SFENet(Shallow Feature Extraction Net, 浅层特征提取网络)；
RDBs( Residual Dense Bl...]]></description><category></category></item><item><title><![CDATA[【图像超分辨】SRDenseNet]]></title><link>https://blog.youkuaiyun.com/sinat_36197913/article/details/104928991</link><guid>https://blog.youkuaiyun.com/sinat_36197913/article/details/104928991</guid><author>sinat_36197913</author><pubDate>Tue, 17 Mar 2020 19:30:10 +0800</pubDate><description><![CDATA[SRDenseNet网络结构参考博客
DenseNet是CVPR2017的best papaer获奖论文。DenseNet在稠密块(dense block)中将每一层的特征都输入给之后的所有层，使所有层的特征都串联(concatenate)起来，而不是像ResNet那样直接相加。这样的结构给整个网络带来了减轻梯度消失问题、加强特征传播、支持特征复用、减少参数数量的优点。一个稠密块的结构如下图所示。...]]></description><category></category></item><item><title><![CDATA[【图像超分辨】DBPN]]></title><link>https://blog.youkuaiyun.com/sinat_36197913/article/details/104928676</link><guid>https://blog.youkuaiyun.com/sinat_36197913/article/details/104928676</guid><author>sinat_36197913</author><pubDate>Tue, 17 Mar 2020 19:20:31 +0800</pubDate><description><![CDATA[DBPN网络结构实验设置实验结果参考博客
这篇文章是CVPR 2018年的文章，相较同时录用的《Residual Dense Network for Image Super-Resolution》而言，个人觉得本文创意非常不错。文章很好的利用了传统算法 IBP（迭代反投影）,并通过深度网络实现出来的结构。
网络结构

区别于前几年的三种典型网络：

pre-upsample 处理的网络，先将LR进...]]></description><category></category></item><item><title><![CDATA[【图像超分辨】MemNet]]></title><link>https://blog.youkuaiyun.com/sinat_36197913/article/details/104900924</link><guid>https://blog.youkuaiyun.com/sinat_36197913/article/details/104900924</guid><author>sinat_36197913</author><pubDate>Mon, 16 Mar 2020 16:36:23 +0800</pubDate><description><![CDATA[MemNet网络结构实验结果参考博客
传统CNN基本都是单向传播, 在靠后的层, 接收到的信号十分微弱, 这种单向传播的网络, 比如VDSR/DRCN等, 称为短期记忆网络。
而有些网络结构中, 网络中的神经元不仅受到直接前驱的影响, 另外还受到额外指定的前驱神经元的影响, 这种被称为限制的长期记忆网络
MemNet引入了一个包含递归单元(recursive unit)和门控单元(gate uni...]]></description><category></category></item><item><title><![CDATA[【图像超分辨】EnhanceNet]]></title><link>https://blog.youkuaiyun.com/sinat_36197913/article/details/104846647</link><guid>https://blog.youkuaiyun.com/sinat_36197913/article/details/104846647</guid><author>sinat_36197913</author><pubDate>Fri, 13 Mar 2020 18:32:36 +0800</pubDate><description><![CDATA[EnhanceNet网络结构损失函数训练细节实验结果参考博客
ICCV2017年的“EnhanceNet: Single Image Super-Resolution Through Automated Texture Synthesis”是与SRGAN同期的研究工作，有相似之处，使用perceptual loss提高生成图像的真实性，并使用GAN进行训练，但EnhanceNet更强调纹理统计特性...]]></description><category></category></item><item><title><![CDATA[【图像超分辨】EDSR]]></title><link>https://blog.youkuaiyun.com/sinat_36197913/article/details/104845599</link><guid>https://blog.youkuaiyun.com/sinat_36197913/article/details/104845599</guid><author>sinat_36197913</author><pubDate>Fri, 13 Mar 2020 18:12:21 +0800</pubDate><description><![CDATA[EDSR网络结构EDSRMDSR训练方式实验结果总结参考博客
韩国首尔大学的研究团队提出用于图像超分辨率任务的新方法，分别是增强深度超分辨率网络 EDSR 和一种新的多尺度深度超分辨率 MDSR，在减小模型大小的同时实现了比当前其他方法更好的性能，分别赢得NTIRE2017超分辨率挑战赛的第一名和第二名。
EDSR是一个加强的用于SR的深度残差网络，主要是在SRResnet的基础上进行改造的。
V...]]></description><category></category></item><item><title><![CDATA[【图像超分辨】DRRN]]></title><link>https://blog.youkuaiyun.com/sinat_36197913/article/details/104825695</link><guid>https://blog.youkuaiyun.com/sinat_36197913/article/details/104825695</guid><author>sinat_36197913</author><pubDate>Thu, 12 Mar 2020 19:33:01 +0800</pubDate><description><![CDATA[DRRN网络结构参考博客
这是一篇CVPR2017的关于图像超分辨率的文章，相较于VDSR取得了更好的结果，从结构上看，还是之前的基调，更深的网络结构（52层），同时采取了递归操作，递归模块中存在权重共享，减少了模型的参数，取得了较好的成果。
创新点：


更深的网络层次，不过深度增加的网络对梯度传播带来困难，此篇论文采取的是VDSR的调整梯度裁剪加DRCN的递归学习；


递归学习，其实这不算是...]]></description><category></category></item><item><title><![CDATA[【图像超分辨】LapSRN]]></title><link>https://blog.youkuaiyun.com/sinat_36197913/article/details/104823653</link><guid>https://blog.youkuaiyun.com/sinat_36197913/article/details/104823653</guid><author>sinat_36197913</author><pubDate>Thu, 12 Mar 2020 19:09:00 +0800</pubDate><description><![CDATA[LapSRN网络结构损失函数实验结果参考博客
传统的超分辨做法有一些共同之处，首先是L2 loss函数，其次，使用特定尺寸的图片输入（VDSR除外），最后，都是输入到结果，无中间的超分辨率结果。
论文先指出了传统SR（super resolution）做法中的一些问题：

现有方法可以处理各个尺寸的低分辨率图片，利用线性插值 将输入图片转为指定尺寸，这一步骤增加了人为噪声；
使用L2 loss函数...]]></description><category></category></item><item><title><![CDATA[【图像超分辨】ESPCN]]></title><link>https://blog.youkuaiyun.com/sinat_36197913/article/details/104823216</link><guid>https://blog.youkuaiyun.com/sinat_36197913/article/details/104823216</guid><author>sinat_36197913</author><pubDate>Thu, 12 Mar 2020 17:24:25 +0800</pubDate><description><![CDATA[ESPCN亚像素卷积层(sub-pixel convolutional layer)实验结果参考博客
在SRCNN和DRCN中，低分辨率图像都是先通过上采样插值得到与高分辨率图像同样的大小，再作为网络输入，意味着卷积操作在较高的分辨率上进行，相比于在低分辨率的图像上计算卷积，会降低效率。 ESPCN(Real-Time Single Image and Video Super-Resolution...]]></description><category></category></item><item><title><![CDATA[【图像超分辨】FSRCNN]]></title><link>https://blog.youkuaiyun.com/sinat_36197913/article/details/104802497</link><guid>https://blog.youkuaiyun.com/sinat_36197913/article/details/104802497</guid><author>sinat_36197913</author><pubDate>Thu, 12 Mar 2020 17:09:48 +0800</pubDate><description><![CDATA[FSRCNNFSRCNN改进之处网络结构实验结果参考博客
FSRCNN仍然是由港中文大学的Dong Chao, Tang XiaoOu等人做出来的文章，是SRCNN（将CNN引入超分辨率处理的开山之作）之后的又一力作。
该文章发表在CVPR2016上的文章，声称能在CPU上进行实时处理视频超分辨率。
FSRCNN改进之处

并不是将三次插值后的图像当做输入，而是直接将LR图像丢入到网络中，最后选用...]]></description><category></category></item><item><title><![CDATA[【图像超分辨】DRCN]]></title><link>https://blog.youkuaiyun.com/sinat_36197913/article/details/104802174</link><guid>https://blog.youkuaiyun.com/sinat_36197913/article/details/104802174</guid><author>sinat_36197913</author><pubDate>Wed, 11 Mar 2020 18:15:00 +0800</pubDate><description><![CDATA[DRCN网络结构实验结果参考博客
SRCNN的层数较少，同时感受野也较小（13x13）。DRCN (Deeply-Recursive Convolutional Network for Image Super-Resolution, CVPR 2016)提出使用更多的卷积层增加网络感受野（41x41），同时为了避免过多网络参数，该文章提出使用递归神经网络（RNN）。
网络结构
对于图像复原问题的操...]]></description><category></category></item><item><title><![CDATA[【图像超分辨】SRCNN]]></title><link>https://blog.youkuaiyun.com/sinat_36197913/article/details/104801323</link><guid>https://blog.youkuaiyun.com/sinat_36197913/article/details/104801323</guid><author>sinat_36197913</author><pubDate>Wed, 11 Mar 2020 17:54:23 +0800</pubDate><description><![CDATA[SRCNN算法流程训练测试
超分辨率技术（Super-Resolution）是指从观测到的低分辨率图像重建出相应的高分辨率图像，在监控设备、卫星图像和医学影像等领域都有重要的应用价值。SR可分为两类:从多张低分辨率图像重建出高分辨率图像和从单张低分辨率图像重建出高分辨率图像。基于深度学习的SR，主要是基于单张低分辨率的重建方法，即Single Image Super-Resolution (SIS...]]></description><category></category></item><item><title><![CDATA[【cuda编程】cuda编程模型]]></title><link>https://blog.youkuaiyun.com/sinat_36197913/article/details/104262447</link><guid>https://blog.youkuaiyun.com/sinat_36197913/article/details/104262447</guid><author>sinat_36197913</author><pubDate>Tue, 11 Feb 2020 17:52:16 +0800</pubDate><description><![CDATA[Cuda编程模型基础知识cuda程序执行流程cuda程序cuda程序的层次结构cuda内置变量
基础知识

cuda编程模型需要cpu和gpu协同工作；
host指代cpu及其内存，device指代gpu及其内存；
cuda程序既包含host程序又包含device程序，分别在cpu和gpu上运行；
host和device之间还要进行通信以便进行数据拷贝。

cuda程序执行流程

分配host内存...]]></description><category></category></item><item><title><![CDATA[Recent Advances in Deep Learning for Object Detection]]></title><link>https://blog.youkuaiyun.com/sinat_36197913/article/details/103991969</link><guid>https://blog.youkuaiyun.com/sinat_36197913/article/details/103991969</guid><author>sinat_36197913</author><pubDate>Mon, 10 Feb 2020 14:50:52 +0800</pubDate><description><![CDATA[Recent Advances in Deep Learning for Object DetectionAbstractIntroductionProblem SettingsDetection ComponentsDetection Settings
Abstract
目标检测是计算机视觉中的基本视觉识别问题，并且在过去的几十年中已得到广泛研究。 视觉目标检测旨在在给定图像中找到具有精确定位的...]]></description><category></category></item></channel></rss>