<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[zseqsc_asd的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/zseqsc_asd</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; zseqsc_asd]]></copyright><item><title><![CDATA[图像超分论文阅读列表 super_resolution_paper_lists]]></title><link>https://blog.youkuaiyun.com/zseqsc_asd/article/details/123901771</link><guid>https://blog.youkuaiyun.com/zseqsc_asd/article/details/123901771</guid><author>zseqsc_asd</author><pubDate>Fri, 01 Apr 2022 16:38:33 +0800</pubDate><description><![CDATA[文章目录Up-sample operation[Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel Convolutional Neural Network](https://arxiv.org/pdf/1609.05158.pdf)Single image super resolution[2016 CVPR Accurate Image Super-Resolution Using Very Dee]]></description><category></category></item><item><title><![CDATA[深度学习论文阅读列表]]></title><link>https://blog.youkuaiyun.com/zseqsc_asd/article/details/123807348</link><guid>https://blog.youkuaiyun.com/zseqsc_asd/article/details/123807348</guid><author>zseqsc_asd</author><pubDate>Mon, 28 Mar 2022 21:49:14 +0800</pubDate><description><![CDATA[deep_learning_paper_read_lists
同步更新与github
https://github.com/chenmeiya/deep_learning_paper_read_lists
Learning invariace to spatial transformation
2015 NIPS spatial transformer networks
文章通过替换网络模块，采用无监督的方式使得网络具备空间表达能力，学习对平移、尺度、旋转和其他几何形变保持不变的能力。max-pooling]]></description><category></category></item><item><title><![CDATA[轻量化网络论文阅读笔记 MobieNets: Effecient Convolutional Neural Networks for Mobile Vision Applications]]></title><link>https://blog.youkuaiyun.com/zseqsc_asd/article/details/109559972</link><guid>https://blog.youkuaiyun.com/zseqsc_asd/article/details/109559972</guid><author>zseqsc_asd</author><pubDate>Sun, 15 Nov 2020 17:55:23 +0800</pubDate><description><![CDATA[1. 轻量化网络
1.1 轻量化网络的目的
通过减小网络的体量，实现在正向推断降低网络运行的时间。其关键在于平衡小网络和算法效果，是性能和效果之间权衡的一种“优化”方法。
1.2 轻量化网络的方向大致分为两种

压缩现有训练好的网络
训练一个小网络

2. MobileNets
2.1 Motivations
"以下纯属个人见解，不代表原文的意思"
MobileNet的全文并没有明确的指出文章为什么要设计一个怎么样的网络实现轻量化，前面主要阐述，轻量化网络的重要性和轻量化网络的发展历程。至于作者为什么要设计]]></description><category></category></item><item><title><![CDATA[Digital Camera Sensor 曝光三要素]]></title><link>https://blog.youkuaiyun.com/zseqsc_asd/article/details/108985437</link><guid>https://blog.youkuaiyun.com/zseqsc_asd/article/details/108985437</guid><author>zseqsc_asd</author><pubDate>Fri, 09 Oct 2020 20:12:10 +0800</pubDate><description><![CDATA[曝光三要素
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-vzwOsTeg-1602245460067)(en-resource://database/708:1)]
曝光参数包括三要素，也就是相机曝光三角：相机孔径、ISO speed、 曝光时间
相机孔径（光圈）

控制通光面积，影响景深

光圈的面积越大，那么f指数越小；光圈的面积和F指数呈反比，F指数是焦距和光圈的反比
[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-IjHrnpZb-16]]></description><category></category></item><item><title><![CDATA[2017 CVPR Deep Laplacian Pyramid Networks for Fast and Accurate Super-Resolution论文阅读笔记]]></title><link>https://blog.youkuaiyun.com/zseqsc_asd/article/details/107748666</link><guid>https://blog.youkuaiyun.com/zseqsc_asd/article/details/107748666</guid><author>zseqsc_asd</author><pubDate>Sun, 02 Aug 2020 18:51:57 +0800</pubDate><description><![CDATA[论文不难，写出来也方便自己复习
问题 Problem
快速单张图像超分辨率的任务 Single image super-resolution
现有方法的问题和动机（Existing methods problems &amp;&amp; Motivations）

计算复杂：使用预定义的上采样操作对原图像进行处理后作为卷积神经网络的输入，比如双线性插值或者双三次插值等；由于输入的图像尺寸已经等于HR图像的尺寸，增加了后续处理中不必要的冗余计算量；
损失函数：现有的方法大都使用L2范数损失函数，不可避免产生模]]></description><category></category></item><item><title><![CDATA[Git学习笔记]]></title><link>https://blog.youkuaiyun.com/zseqsc_asd/article/details/107596698</link><guid>https://blog.youkuaiyun.com/zseqsc_asd/article/details/107596698</guid><author>zseqsc_asd</author><pubDate>Sun, 26 Jul 2020 17:48:41 +0800</pubDate><description><![CDATA[开启新旅程
文章目录安装Git创建一个新的版本库添加新的文件修改文件后怎么办？知道自己改了什么重新添加到仓库版本回退回顾修改的所有的版本回退前面的版本上传远程库git push &lt;远程主机名&gt; &lt;本地分支名&gt;  &lt;远程分支名&gt;1.1 git push origin master1.2 git push origin1.3 git push origin(1) git push -u origin master(2） git push --all origin(3) git]]></description><category></category></item><item><title><![CDATA[计算机视觉领域关注的会议和期刊]]></title><link>https://blog.youkuaiyun.com/zseqsc_asd/article/details/105519841</link><guid>https://blog.youkuaiyun.com/zseqsc_asd/article/details/105519841</guid><author>zseqsc_asd</author><pubDate>Tue, 14 Apr 2020 20:17:15 +0800</pubDate><description><![CDATA[原本为给师弟师妹总结的自己经验，节省计算机视觉领域大家看什么论文和去哪里看论文的困惑
一、会议论文

视觉的领域主要关注的三大顶会论文：CVPR, ICCV, ECCV。
搜索途径：
1）	CVPR和ICCV都是IEEE库，可以在IEEE explore上面搜索到已经发表的论文；ECCV是SpringerLink库；
2）	CVPR每年都开，ICCV奇数年份开，ECCV偶数年份开，都有相关的pap...]]></description><category></category></item><item><title><![CDATA[训练后的网络输出为固定值]]></title><link>https://blog.youkuaiyun.com/zseqsc_asd/article/details/103852462</link><guid>https://blog.youkuaiyun.com/zseqsc_asd/article/details/103852462</guid><author>zseqsc_asd</author><pubDate>Mon, 06 Jan 2020 11:02:34 +0800</pubDate><description><![CDATA[缘起
之前训练好的网络，但是为了硬件移植，其中某些操作需要删除，那么简单，替换一些硬件不支持的操作，重新训练一下就好了，毕竟训练集，数据导入方式，训练代码，测试代码之前都验证了没有什么问题。但是问题来了，简单的训练一次，居然出现了输出结果成为了固定值的问题，从来没有遇得到过
困境
我是一个dense prediction的问题，输入图像，输出图像。结果输出的图像的每个像素值居然是一个定值。我的天，...]]></description><category></category></item><item><title><![CDATA[视频图像去雨论文数据集主页整理总结]]></title><link>https://blog.youkuaiyun.com/zseqsc_asd/article/details/103662860</link><guid>https://blog.youkuaiyun.com/zseqsc_asd/article/details/103662860</guid><author>zseqsc_asd</author><pubDate>Mon, 23 Dec 2019 12:01:24 +0800</pubDate><description><![CDATA[概述
近年来，计算机视觉快速发展，在各领域取得了较大的进展，尤其是随着深度学习的提出，计算机视觉再封闭和受限环境下都有着不错的表现。但是，面对开放和恶劣环境下，依然存在这巨大的挑战。常见的就是恶劣天气，对于户外的视觉系统，包括自动驾驶、视频监控，带来了巨大的挑战。常见的恶劣天候包括：雨、雾、雪、薶和沙尘等。提升视觉系统在恶劣天气下的鲁棒性是目前的研究重点之一。雨天作为最常见的恶劣天气，近年来受到了...]]></description><category></category></item><item><title><![CDATA[C++ Tips (持续更新)]]></title><link>https://blog.youkuaiyun.com/zseqsc_asd/article/details/100020063</link><guid>https://blog.youkuaiyun.com/zseqsc_asd/article/details/100020063</guid><author>zseqsc_asd</author><pubDate>Thu, 22 Aug 2019 17:28:01 +0800</pubDate><description><![CDATA[1.将vecotr传递给形参的三种方式
** 函数定义方式**
function1(std::vector&lt;std::vector&lt;int&gt; &gt; vec)，传值
function2(std::vector&lt;std::vector&lt;int&gt; &gt;&amp; vec)，传引用
function3(std::vector&lt;std::vector&lt;...]]></description><category></category></item><item><title><![CDATA[BFS 迷宫问题+打印路径]]></title><link>https://blog.youkuaiyun.com/zseqsc_asd/article/details/100019713</link><guid>https://blog.youkuaiyun.com/zseqsc_asd/article/details/100019713</guid><author>zseqsc_asd</author><pubDate>Thu, 22 Aug 2019 17:14:50 +0800</pubDate><description><![CDATA[问题
定义一个二维数组N*M（其中2&lt;=N&lt;=10;2&lt;=M&lt;=10），如5 × 5数组下所示：
int maze[5][5] = {
0, 1, 0, 0, 0,
0, 1, 0, 1, 0,
0, 0, 0, 0, 0,
0, 1, 1, 1, 0,
0, 0, 0, 1, 0,
};
它表示一个迷宫，其中的1表示墙壁，0表示可以走的路，只能横着走或竖着走，不能斜着走，...]]></description><category></category></item><item><title><![CDATA[论文写作参考文献 期刊标准缩写]]></title><link>https://blog.youkuaiyun.com/zseqsc_asd/article/details/96895773</link><guid>https://blog.youkuaiyun.com/zseqsc_asd/article/details/96895773</guid><author>zseqsc_asd</author><pubDate>Mon, 22 Jul 2019 20:30:55 +0800</pubDate><description><![CDATA[#Content is based on IEEEfull.bib and IEEEabrv.bib as of 2016-03-25
#A recent list of abbreviations is available at https://www.ieee.org/documents/trans_journal_names.pdf
Canadian Journal of Electrica...]]></description><category></category></item><item><title><![CDATA[0-1背包问题]]></title><link>https://blog.youkuaiyun.com/zseqsc_asd/article/details/93172171</link><guid>https://blog.youkuaiyun.com/zseqsc_asd/article/details/93172171</guid><author>zseqsc_asd</author><pubDate>Fri, 21 Jun 2019 11:01:31 +0800</pubDate><description><![CDATA[题图是想致敬乱马1/2八宝斋。首先得知道什么是0-1背包问题（knapsack problem）? 贼，夜入豪宅，可偷之物甚多，而负重能力有限，偷哪些才更加不枉此行？? 抽象的话，就是：给定一组多个（）物品，每种物品都有自己的重量（）和价值（），在限定的总重量/总容量（）内，选择其中若干个（也即每种物品可以选0个或1个），设计选择方案使得物品的总价值最高。? 更加抽象的话： 给定正整数、给定正整数...]]></description><category></category></item><item><title><![CDATA[迅雷2018校园招聘-数字组合问题]]></title><link>https://blog.youkuaiyun.com/zseqsc_asd/article/details/90692622</link><guid>https://blog.youkuaiyun.com/zseqsc_asd/article/details/90692622</guid><author>zseqsc_asd</author><pubDate>Thu, 30 May 2019 10:31:12 +0800</pubDate><description><![CDATA[题目
给定整数n，取若干个1到n的整数可求和等于整数m，编程求出所有组合的个数。比如当n=6，m=8时，有四种组合：[2,6], [3,5], [1,2,5], [1,3,4]。限定n和m小于120
思路
首先，这道题想要通过暴力搜索是无法实现的，那么只能找规律。
根据题意找规律，构建如图所示的表。要求f(n,m)f(n,m)f(n,m)的值
首先处理边界问题：第一行也就是f(1,1)=1f(1,...]]></description><category></category></item><item><title><![CDATA[详解 TensorFlow 训练多个loss函数技巧： 训练步骤，冻结部分层]]></title><link>https://blog.youkuaiyun.com/zseqsc_asd/article/details/90673255</link><guid>https://blog.youkuaiyun.com/zseqsc_asd/article/details/90673255</guid><author>zseqsc_asd</author><pubDate>Wed, 29 May 2019 18:04:25 +0800</pubDate><description><![CDATA[由于以前写的关于冻结层的博客不够详细，给很多读者造成困惑。为补充关于冻结层，训练多个loss的博客，遂给出更详细的过程。]]></description><category></category></item><item><title><![CDATA[Python 训练数据 多组数据组合打乱]]></title><link>https://blog.youkuaiyun.com/zseqsc_asd/article/details/90674919</link><guid>https://blog.youkuaiyun.com/zseqsc_asd/article/details/90674919</guid><author>zseqsc_asd</author><pubDate>Wed, 29 May 2019 17:20:40 +0800</pubDate><description><![CDATA[网络训练的时候，有两种导入数据的形式，第一种是：读入数据的list，然后每次训练的时候读入数据；第二种：一次性读入数据，在训练的时候取batchsize大小的数据进行训练。
前种方式适合大数据量，内存不够用时，但是需要在硬盘上反复读写数据，比较耗时；
后种方式适合小量量数据，内存足够， 不需要反复的读写硬盘，节省时间。
打乱list数据
当采用第一种方式读取数据时，每个epoch需要对数据的lis...]]></description><category></category></item><item><title><![CDATA[2019 CVPR oral 去模糊论文"DAVANet: Stereo Deblurring with View Aggregation"阅读笔记]]></title><link>https://blog.youkuaiyun.com/zseqsc_asd/article/details/90484909</link><guid>https://blog.youkuaiyun.com/zseqsc_asd/article/details/90484909</guid><author>zseqsc_asd</author><pubDate>Thu, 23 May 2019 18:11:10 +0800</pubDate><description><![CDATA[19CVPR 结果早就出来了，最近才读到的19年oral的去模糊工作。博主认真的搜了一下18年的CVPR，deblurring 相关的oral为zero，底层图像复原的oral工作也很少。因此，十分兴奋看到deblurring的oral工作。
问题
文章介绍了一种使用双目视觉实现去模糊的端到端基于深度学习的算法。所谓双目视觉，就是存在左视和右视两张图像。通过结合两张图像的信息，实现去模糊和过程。双...]]></description><category></category></item><item><title><![CDATA[tensrflow+Python TypeError问题及解决方案 （后续持续更新）]]></title><link>https://blog.youkuaiyun.com/zseqsc_asd/article/details/90052239</link><guid>https://blog.youkuaiyun.com/zseqsc_asd/article/details/90052239</guid><author>zseqsc_asd</author><pubDate>Fri, 10 May 2019 10:07:14 +0800</pubDate><description><![CDATA[TypeError: int returned non-int (type NoneType)
错误代码
yl是tensorflow里的tensor数据类型
if int(yl.shape.dims[1]) % 2 == 1 and int(yl.shape.dims[2]) % 2 == 1:
    yl = tf.pad(yl, tf.constant([[0, 0], [sz, sz + ...]]></description><category></category></item><item><title><![CDATA[平方串-最大子序列问题]]></title><link>https://blog.youkuaiyun.com/zseqsc_asd/article/details/89512739</link><guid>https://blog.youkuaiyun.com/zseqsc_asd/article/details/89512739</guid><author>zseqsc_asd</author><pubDate>Thu, 25 Apr 2019 11:35:13 +0800</pubDate><description><![CDATA[题目描述
如果一个字符串S是由两个字符串T连接而成,即S = T + T, 我们就称S叫做平方串,例如"",“aabaab”,"xxxx"都是平方串.
牛牛现在有一个字符串s,请你帮助牛牛从s中移除尽量少的字符,让剩下的字符串是一个平方串。换句话说,就是找出s的最长子序列并且这个子序列构成一个平方串。
输入描述:
输入一个字符串s,字符串长度length(1 ≤ length ≤ 50),字符串只...]]></description><category></category></item><item><title><![CDATA[经典算法-动态规划]]></title><link>https://blog.youkuaiyun.com/zseqsc_asd/article/details/89456805</link><guid>https://blog.youkuaiyun.com/zseqsc_asd/article/details/89456805</guid><author>zseqsc_asd</author><pubDate>Mon, 22 Apr 2019 17:26:46 +0800</pubDate><description><![CDATA[一、基本概念
&nbsp;&nbsp; &nbsp;动态规划过程是：每次决策依赖于当前状态，又随即引起状态的转移。一个决策序列就是在变化的状态中产生出来的，所以，这种多阶段最优化决策解决问题的过程就称为动态规划。
二、基本思想与策略
&nbsp;&nbsp; &nbsp;基本思想与分治法类似，也是将待求解的问题分解为若干个子问题（阶段），按顺序求解子阶段，前一子问题的解，为后一子问题的求解提供了...]]></description><category></category></item></channel></rss>