zxyjune的博客

原文链接：https://www.jianshu.com/p/1a1339c4acd7（侵删！！！！）一、SGD（stochastic gradient descent）随机梯度下降优点:    虽然SGD收敛比较波折，但是对梯度的要求很低（计算梯度快）。而对于引入噪声，大量的理论和实践工作证明，只要噪声不是特别大，SGD都能很好地收敛。应用大型数据集时，训练速度很快。比如每次从百万数据...

一、R-CNN=>目标检测（区域卷积神经网络）    1、可以将卷积神经网络应用region proposal的策略。自底向上训练可以用来定位目标物和图像分割。    2、当标注数据是比较稀疏的时候，在有监督的数据集上训练之后到特定任务的数据集上fine-tuning可以得到较好的新能。    3、region proposal：是一类传统的区域提取方法，看作不同宽高的滑动窗...

摘要        我们通过强化学习研究了一种新的图像恢复方法。 与现有的大多数为特定任务训练单个大型网络的研究不同，我们准备了一个由不同复杂性的小规模卷积网络组成的工具箱，专门负责不同的任务。 我们的方法RL-Restore然后学习一个策略，从工具箱中选择适当的工具来逐步恢复损坏图像的质量。 我们制定逐步奖励函数，与每一步恢复图像的程度成正比，以了解行动政策。 我们还设计了一个联合学习计划来...

DetNet是又旷视和清华共同研发的网络结构。论文中提到DetNet贡献主要为以下三个方面：1、第一个分析传统的ImageNet预训练模型的内在缺陷的对象探测器微调。2、提出了一种新的网络结构——DetNet==>专门为目标检测任务设计的通过保持空间分辨率和扩大接受域。3、在基于第复杂度DetNet59网络结构的MSCOCO目标检测和实例分割跟踪方面取得了成果。由于Ima...

一、图像复原1、DnCNN利用ResNet残差学习的思想，但是与ResNet过两层或是三层加shortcut connection的方式不同，而是将网络的输出直接改成residual image（残差图片），设纯净图片为x，带噪音图片为y，假设y=x+v，则v是残差图片。即DnCNN的优化目标不是真实图片与网络输出之间的MSE(均方误差)，而是真实残差图片与网络输出之间的MSE。网络结...

https://www.cnblogs.com/tianshifu/p/6165809.html

原论文地址：https://arxiv.org/pdf/1903.05784.pdf1、超分辨率（SR）旨在从其低分辨率（LR）对应物重建高分辨率（HR）图像。2、我们的主要贡献可归纳如下：1）我们通过结合立体声对应提出SR的PASSRnet;2）我们引入了一种通用的视差注意机制，它具有沿着极线的全局接收场，以处理具有大的视差变化的不同立体图像。结果表明，视差注意机制可以有效地产生...