【論文閱讀】Image Restoration Using Convolutional Auto-encoders with Symmetric Skip Connection
題目:使用卷積自動編碼器與對稱跳躍連線對影象進行恢復
摘要:
影象復原是計算機視覺和影象處理領域的一個研究熱點問題,包括影象去噪、超解析度、影象修補等。也是低階影象建模演算法的實驗平臺。我們提出了一種用於影象恢復的深度全卷積自編碼網路,它是一個具有對稱卷積反捲積層的編解碼框架。換句話說,網路由多層卷積和反捲積操作組成,學習從損壞的影象到原始影象的端到端對映。卷積層捕獲影象內容的抽象,同時消除失真。反捲積層能夠對特徵圖進行上取樣並恢復影象細節。針對更深層次的網路訓練難度較大的問題,提出將卷積和反捲積層與跳躍連線對稱連線,訓練收斂速度更快,效果更好。從卷積層到對應的映象反捲積層的跳躍連線有兩個主要優點。首先,它們允許訊號直接反向傳播到底層,從而解決梯度消失的問題,使得訓練深度網路更加容易,從而實現恢復效能的提高。其次,這些跳躍連線將影象細節從卷積層傳遞到反捲積層,這有助於恢復出乾淨的影象。值得注意的是,隨著容量的增大,我們展示了使用一個模型來處理不同級別的腐蝕是可能的。使用相同的框架來訓練模型的任務,在影象去噪,超解析度,消除JPEG壓縮工件,非盲影象去模糊和影象修補上。我們在基準資料集上的實驗結果表明,我們的網路可以在所有這四個任務上實現最佳的效能,並是當前效果最好的。
優點:
開發十年,就只剩下這套架構體系了!
>>>
【文章閱讀】【超解像】–Image Restoration Using Convolutional Auto-encoders with Symmetric Skip Connections
RED-Net:Residual Encoder-Decoder Networks
論文連結
開發十年,就只剩下這套架構體系了!
>>>
開發十年,就只剩下這套架構體系了!
>>>
【論文閱讀】Action Recognition Using Visual Attention
這是一篇16年的CNN+LSTM形式的論文,它開創性地引入了注意力機制,使得15年之後沉寂許久的CNN+LSTM的網路結構的結果得到了提升,而且本文的探索性實驗做的都非常地好,非常值得一讀。
【論文閱讀】Long-Term Recurrent Convolutional Networks for Visual Recognition and Description
這篇文章是15年的一篇文章,文章設計了CNN+LSTM的網路結構用於行為識別、影象描述、視訊描述。因為我研究行為
簡述
看這篇論文,並實現一下這個。(如果有能力實現的話)
實時任意風格轉換(用自適應Instance Normalization)
instanceNorm = batchsize=1 的 batchNorm 1
Abstract
Gatys et al
開發十年,就只剩下這套架構體系了!
>>>
Bag of Tricks for Image Classification with Convolutional Neural Networks
論文:https://arxiv.org/pdf/1812.01187.pdf
本文作者總結了模型訓練過程中可以提高準確率的方法,如題,
【論文閱讀】Human Action Recognition using Factorized Spatio-Temporal Convolutional Networks
這是一篇15年ICCV的論文,在15年的時候,3D卷積網路剛剛興起,但是因為3D卷積網路的引數量較多,而且訓練資料
開發十年,就只剩下這套架構體系了!
>>>
開發十年,就只剩下這套架構體系了!
>>>
關鍵詞:
one-short learning : 待解決的問題只有少量的標註資料,先驗知識很匱乏,遷移學習就屬於one-short learning的一種
zero-short learning: 這個種情況下完全沒有 文章:Clustering Convolutional Kernels to Compress Deep Neural Networks
連結:http://openaccess.thecvf.com/content_ECCV_2018/papers/Sanghyun_Son_Clustering_Kern 文章:Between-class Learning for Image Classification
連結:https://arxiv.org/pdf/1711.10284.pdf
CVPR2018
作者嘗試了將在音訊上的方法用在影象上的,並提出了一種將影象作為波形處理的混合方法(作者認為圖形波長融 論文閱讀(【CVPR2018】Jinshan Pan - Learning Dual Convolutional Neural Networks for Low-Level Vision)
本文針對低層視覺問題,提出了一般性的用於解決低層視覺問題的對偶卷積神經網路。作者認為,低層視覺問題,如常見的有
《A Correlated Topic Model Using Word Embeddings》
Abstract
傳統的主題模型能夠通過用邏輯正態分佈代替先驗的Dirichlet來捕捉潛在主題之間的相關結構。word embeddings 已經被證明能夠捕捉語義規律,因此語義相 分享圖片 xiv onf class 編碼 isp conf caf 策略 轉載請註明出處:https://www.cnblogs.com/White-xzx/
原文地址:https://arxiv.org/abs/1702.05891
Caffe-code:https:/
【論文閱讀】Learning Spatiotemporal Features with 3D Convolutional Networks
這是一篇15年ICCV的論文,本篇論文提出的C3D卷積網路是3D卷積網路的里程碑,以3D卷積核為基礎的3D卷積網路從此發展起來。 論文地址:下載地址
開發十年,就只剩下這套架構體系了!
>>>
相關推薦
【論文閱讀】Image Restoration Using Convolutional Auto-encoders with Symmetric Skip Connection
【文章閱讀】【超解像】--Image Restoration Using Convolutional Auto-encoders with Symmetric Skip Connections
【論文閱讀】Image Super-Resolution Using Deep Convolutional Networks
【論文閱讀】Learning a Deep Convolutional Network for Image Super-Resolution
【論文閱讀】Action Recognition Using Visual Attention
【論文閱讀】Long-Term Recurrent Convolutional Networks for Visual Recognition and Description
【論文閱讀】Arbitrary Style Transfer in Real-time with Adaptive Instance Normalization
【論文閱讀】Accurate Image Super-Resolution Using Very Deep Convolutional Networks
【論文閱讀】Bag of Tricks for Image Classification with Convolutional Neural Networks
【論文閱讀】Human Action Recognition using Factorized Spatio-Temporal Convolutional Networks
【論文閱讀】Real-Time Single Image and Video Super-Resolution Using an Efficient Sub-Pixel......
【論文閱讀】Deeply-Recursive Convolutional Network for Image Super-Resolution
【論文閱讀】Siamese Neural Networks for One-shot Image Recognition
【論文閱讀】Clustering Convolutional Kernels to Compress Deep Neural Networks
【論文閱讀】Between-class Learning for Image Classification
【論文閱讀】Learning Dual Convolutional Neural Networks for Low-Level Vision
【論文閱讀】A Correlated Topic Model Using Word Embeddings
【論文閱讀】Learning Spatial Regularization with Image-level Supervisions for Multi-label Image Classification
【論文閱讀】Learning Spatiotemporal Features with 3D Convolutional Networks
【論文閱讀】Feedback Network for Image Super-Resolution