- 博客(6)
- 收藏
- 关注
RSS订阅原创 Depth-Aware Multi-Grid Deep Homography Estimation with Contextual Correlation 文献阅读笔记
传统得单应性估计方法严重依赖于特征点对应得数量和分布，这导致在低纹理场景中鲁棒性较差。相反，基于学习得方法试图学习鲁棒的深度特征，但在重叠率较低的场景中表现不佳。在这篇文章中，作者同时解决了这两个问题，设计了一种上下文相关层（CCL）。CCL能够有效地捕捉特征图之间的长距离关联，并且可以灵活地应用于学习框架中。此外，考虑到单一的单应性变换无法表示具有视差的深度变化图像中的复杂空间变换，文章提出从全局到局部预测多网格单应性。而且，通过引入一种新的感知深度的保形损失函数，使网络具备了深度感知能力。
2024-10-15 17:19:27
805
原创 【深度图像拼接】Unsupervised Deep Image Stitching: Reconstructing Stitched Features to Images（UDIS）阅读笔记
L1损失即 求各个元素预测值和真实值差值的绝对值之和，再求平均值。计算公式为L1 Loss = (1/n) * Σ |预测值 - 真实值|。Lp感知损失通常通过将预训练模型的特征提取层嵌入到损失函数中来实现，然后通过梯度下降等优化方法来最小化这种损失，从而训练模型。具体计算方式需看文献《“Perceptual losses for real-time style transfer and super-resolution》。
2024-04-09 11:41:38
1852
原创 【深度图像拼接论文】Deep Rectangling for Image Stitching: A Learning Baseline阅读笔记
是指一个由水平和垂直线条构成的网格结构，在这个网格结构中，线条之间的距离和角度保持不变。换句话说，刚性网格是一种保持形状和结构不变的网格，不受变形或拉伸影响。是一种数值计算方法，用于从已知的输出值推导出输入值的过程。在矩阵运算中，反向插值通常用于解决线性方程组的逆问题，即在已知输出矩阵（结果）的情况下，求解对应的输入矩阵（变量）。
2024-03-25 10:38:33
1103
原创 【深度图像拼接论文】Pixel-wise Deep Image Stitching 阅读笔记
在双目视觉、立体视觉和三维重建等领域中，对几何关系提供了关于不同视图之间相互对应的信息，帮助我们理解两个视图的几何关系。包括以下几个重要概念：（1）基础矩阵（Fundamental matrix）：描述了两个视图之间的点对应关系，通过基础矩阵可以计算两个视图之间的对极线。（2）本质矩阵（Essential matrix）：描述了两个相机之间的运动关系，可以通过本质矩阵恢复出相机的运动姿态。
2024-03-24 17:24:25
972
原创 吴文达机器学习第一次作业（单特征值线性归化）
f = final_theta[0,0] + final_theta[0,1] * x # theta[0,0]表示第一行第一列；# 2.使用scatter()函数生成散点图：x轴为population数据，y轴为profit数据，参数c表示散点颜色，s表示散点大小；# 组装数据，生成X矩阵和Y矩阵，X矩阵为m * 2，第一列为新添加列，列名为one，其values均为1；# Y为m*1矩阵，唯一列名为profit；m为数据集的样本数量。:param X: 输入矩阵（ones，population）
2023-10-07 21:12:44
190
1
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