AFM论文阅读笔记

最新推荐文章于 2024-11-13 13:41:40 发布
最新推荐文章于 2024-11-13 13:41:40 发布
阅读量1.1k 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 论文阅读笔记 文章标签： CV SR AFM
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/weixin_44326452/article/details/98735310
  • 论文全称：Modulating Image Restoration with Continual Levels via Adaptive Feature Modification Layers ，来自CVPR2019

  • 论文前面用denoise做了形象的解释，在高斯噪声系数15的训练集上训练好了一个denoise的模型，然后用训练好的模型继续在噪声系数50的训练集上训练，然后查看训练前后filter的差别，发现差别很微小，猜想可以学习一个转化filter，使这个filter g 卷积 f15 能够得到 f50 ，那么就习得一种modulation的模型，能够调整denoise的程度，根据卷积的交换律，可以变成这样
    即把g直接作用在feature map上，作为一层插入的层
  •  
  • 提出了一个AdaFM层，放在每个conv层的后面
  • 网络是这样train的，先用一个普通的CNN网络在La层次的训练集上训练，然后fix参数，加入AdaFM层，在Lb层次的训练集上训练gi 和 bi，acc可以用在Lb层次上训练的普通CNN和在Lb层次上训练的AFM的output的差别来衡量，在test的时候，AdaFM的参数是，其中I是identity filter，即经过该filter不改变前后的feature map，而gi, bi是前面训练好的参数，λ 是可以调节程度的超参数，在0-1之间改变 λ ，就可以实现La到Lb的输出范围
  • 影响结果的因素有三个，filter size，大一点好，但是并不会一直大下去一直好；方向，从easy到difficult取ada比较好；range，即La和Lb的差别，越小越好
  • 具体lambda对应于怎样的程度，需要用测试集来找对应关系
[论文笔记] LLaMA3.1与Qwen2与Apple 技术报告中预训练方案对比
心宝的博客
07-30 742
此外，它确保了模型生成的内容与人类价值观一致，使其有帮助、诚实且无害。与依赖大量人类监督的传统方法不同，我们的方法侧重于可扩展的对齐，最小化人类注释的需求（Cao等人，2024）。具体来说，我们研究了获取高质量的演示和偏好数据的方法，用于有监督的微调（Supervised Fine-Tuning, SFT）和从人类反馈中学习的强化学习（Reinforcement Learning from Human Feedback, RLHF），目的是在最大限度地提高数据质量和可靠性的同时，最小化人类标记的需求。
【图像去噪（Image Denoising）】关于【图像去噪】专栏的相关说明，包含适配人群、专栏简介、专栏亮点、阅读方法、定价理由、品质承诺、关于更新、去噪概述、文章目录、资料汇总、问题汇总（更新中）
最新发布
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
01-14 1万+
你是否在全网苦寻【图像去噪（ImageDenoising）】的相关资料？你的目标是否是看懂【图像去噪（ImageDenoising）】的相关论文，复现代码，跑出结果，并试图创新？你是否需要发表【图像去噪（ImageDenoising）】的相关论文毕业？你是否需要做【图像去噪（ImageDenoising）】的相关项目，开发软件，研究算法，获得专利或者软著？只要是与【图像去噪（ImageDenoising）】有关的问题，那么请继续往下看。
【论文导读】AFM---Attention与FM的碰撞
Blank_Space
08-06 776
前言本次分享一篇依旧是2017年由何向南教授团队发表的《Attentional Factorization Machines: Learning the Weight of Featur...
AFM论文精读
weixin_30872733的博客
04-28 1349
深度学习在推荐系统的应用(二)中AFM的简单回顾 AFM模型(Attentional Factorization Machine) 模型原始论文 Attentional Factorization Machines:Learning the Weight of Feature Interactions via Attention Networks 模型架构 模型原理 \[ ŷ_{AFM}...
论文阅读：（AFM）Learning the Weight of Feature Interactions via Attention Networks
weixin_45459911的博客
04-26 522
文章目录摘要算法原理1、基本原理2、网络结构3、过拟合 摘要 AFM全称是Attentional Factorization Machine，和NFM是同一个作者，NFM的解析可以参考这篇博客：https://blog.youkuaiyun.com/weixin_45459911/article/details/105702981 AFM是在FM上的改进，它最大的特点就是使用一个attention netwo...
CTR --- AFM论文阅读笔记，及tf2复现
WGS.
01-07 579
文章目录注意力机制提出动机解决方案举例理解结构基于注意力机制的池化层综合上述注意力机制的计算理解tf2实现 注意力机制 提出动机 解决方案 把注意力机制引到里面去，来学习不同交叉特征对于结果的不同影响程度。 举例理解 结构 基于注意力机制的池化层 综合上述注意力机制的计算理解 tf2实现 # coding:utf-8 # @Email: wangguisen@infinities.com.cn # @Time: 2022/1/4 5:14 下午 # @File: ctr_AFM.py
AFM 网络介绍与源码浅析
珍妮的选择的博客
08-15 744
AFM 网络介绍与源码浅析 前言 分享一篇上上个星期看过的论文, 记录下重点吧~ Attentional Factorization Machines (AFM) 文章信息 论文标题: Attentional Factorization Machines: Learning the Weight of Feature Interactions via Attention Networks 论文地址: https://www.ijcai.org/Proceedings/2017/0435.pdf 代码地址:
Re:PolyWorld - A Graph Neural Network for Polygonal Scene Parsing论文阅读笔记
qq_50199113的博客
10-20 655
本文提出的神经网络是。
【图像去噪】论文精读：Robust Image Denoising through Adversarial Frequency Mixup（AFM）
主要更新底层视觉（去噪、超分等）相关的科研内容，形式为【论文精读】+【论文复现】
11-13 396
论文题目：Robust Image Denoising through Adversarial Frequency Mixup —— 基于对抗频率混合的鲁棒图像去噪。CVPR 2024！Adversarial Frequency Mixup提升模型对于不同噪声分布的泛化性！基于深度神经网络的图像去噪方法通常难以过度拟合训练数据中存在的特定噪声分布。这一挑战存在于现有的真实世界去噪网络中，这些网络使用有限的真实噪声分布频谱进行训练，因此，对分布外的真实噪声类型的鲁棒性较差。
【论文笔记】Monocular Camera Localization in Prior LiDAR Maps with 2D-3D Line Correspondences
qq_46480130的博客
11-10 855
【论文笔记】Monocular Camera Localization in Prior LiDAR Maps with 2D-3D Line Correspondences    ~~~       ~~~~    现有地图中的轻量级相机定位对于基于视觉的导航至关重要。目前，视觉和视觉惯性里程计 (VO&VIO) 技术在状态估计方面得到了很好的发展，但在闭环时
图像超分辨率：调制Modulating Image Restoration with Continual Levels via Adaptive Feature Modification Layer
tony365的博客
11-22 1024
现有图像修复方法是不可调节的，因此训练得到的模型不一定适用于图像真是的degradation level,因此作者提出一种方法，可以调节修复的强度。本文目标是在一个统一的CNN框架中实现任意级别的图像恢复的模型，以达到下面的效果，输入一个类似强度的超参数，可以对图像不同强度的修复。当前的深度学习模型是在一个固定的退化程度的数据集上训练的，不能进行调节。跨度越大，效果越不太好，因此可以考虑多训练几个模型，插值得到新的模型。超分问题如何调节的？一个分离通道的卷积， 卷积核的大小，影响效果。
2019CVPR超分文章网络结构
eight_Jessen的博客
09-22 709
1、Modulating Image Restoration with Continual Levels via Adaptive Feature Modification Layers 调整模糊度，upscale重建 加入AdaFM模块引导。 2、Natural and Realistic Single Image Super-Resolution with Explicit Natural Manifold Discrimination 3、ODE-inspired Network Design f
ADAFM实验笔记
gwpscut的博客
04-30 631
本博文为测试我的小伙伴的github代码的实验记录 先给出GitHub链接（https://github.com/hejingwenhejingwen/AdaFM）
图像去噪——AdaFM模型推理测试（详细图文教程）
qq_40280673的博客
12-14 1303
按照作者提供的方法和代码测试噪声图片。
AI研习社技术分享
猪逻辑公园
07-09 9002
AutoML在 IEEE-ISI World Cup 2019竞赛中的应用：冠军团队DeepBlueAI技术分享 GitHub项目推荐|awesome-bert:BERT相关资源列表 【CVPR 2019 全部论文合集】https://ai.yanxishe.com/page/resourceDetail/845 【CVPR 2019 Oral 论文精选】https://ai.yanxis...
[转]34篇 CVPR2019 论文实现代码
Eminbogen的博客
07-18 1355
转自：http://www.sohu.com/a/322172051_717210 1.《Shapes and Context: In-the-wild Image Synthesis & Manipulation》(CVPR 2019) GitHub地址：https://github.com/aayushbansal/OpenShapes 2.《Robust Point Clou...
去噪论文“CycleISP: Real Image Restoration via Improved Data Synthesis”
Najlepszy的博客
04-13 3507
去噪是不是一个很容易获得数据集的方向呢？是，也许不是。 传统的去噪的方法在原图上添加高斯白噪声(Additive White Gaussian Noise, AWGN)，而不是真实世界中存在的噪声。在深度学习中，如果在这一类的数据集上训练的效果越好，它在真实世界的去噪的数据集上的效果就越离谱，比如论文A high-quality denoising dataset for smartphone c...
阅读笔记15
weixin_30885111的博客
06-12 150
软件结构设计的目的、原则和基本视图 1.软件结构设计的目的 可重用：为大规模开发提供基础和规范，并提供可重用的资产，软件系统的大规模开发，必须要有一定的基础和遵循一定的规范，这既是软件工程本身的要求，也是客户的要求。架构设计的过程中可以将一些公共部分抽象提取出来，形成公共类和公共接口，其他功能模块所需相关功能即可调用，以达到重用的目的。 缩短周期：一定程度上缩短项目的周期，利用软件架构提供的...
【CVPR2019】完整论文列表二
TomRen
06-11 8236
CVPR 2019 Paper list[1001-1294] CVPR2019 完整列表一 论文题目与链接 Semantic Component Decomposition for Face Attribute Manipulation R3 Adversarial Network for Cross Model Face Recognition Disentan...
IBW文件阅读工具：快速读取与转换方法
3. AFM标签: AFM标签可能是指本资源的特定用途或分类。在不同的上下文中，AFM可能代表不同的含义。例如，它可能代表“Adobe Font Metrics”，在字体设计和排版领域中使用。然而，由于本资源描述中的上下文指向Matlab...
评论
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
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