• 等级
  • 1125043 访问
  • 108 原创
  • 238 转发
  • 2364 排名
  • 150 评论
  • 359 获赞

风格迁移学习笔记(2):Universal Style Transfer via Feature Transforms

以下将分为3个部分介绍: 1.提出的background和sense2.proposal network pipeline3.results Background 先来review一下过去的架构. 1.传统的neural style存在两个巨大的弊端: 调参/耗时。即不仅需要我们对neural style的层级进行大量调参,而且整个迭代过程是对于z噪声进行迭代,非常耗时

2017-12-29 22:00:34

风格迁移学习笔记(1):Multimodal Transfer: A Hierarchical Deep Convolutional Neural Network for Fast

以下将分为3个部分介绍: 效果解決的問題How to solve it? 1.效果: 先来看一下效果 2.解决的问题: 通用框架下进行style transfer时候的笔触差异 原始的方法永远会和style差距较大 解决不同size下的笔触问题,如下图如果只用256的size去训练较coarse的笔触 或者 用1024的size去训

2017-12-29 21:58:15

Autoencorder理解(7):Variational Autoencoder

以下将分为6个部分介绍: vae结构框架vae与ae区别提及一下为什么要采样如何优化vae应用vae生成/抽象看待vae学习 1.框架: 先来看一下VAE的结构框架,并先预告一下结论: VAE 包括 encoder (模块 1)和 decoder(模块 4) 两个神经网络。两者通过模块 2、3 连接成一个大网络。利益于 reparemeterization 技巧,我们可以

2017-12-27 14:29:44

Autoencorder理解(6):Traditional AE

以下将分为4个部分介绍: ae基本概念ae训练方式ae特征如何做分类ae变体 1)先来理解autoencoder的基本概念: 自动编码器其实可以理解为是一种尽可能复现输入信号的神经网络,也可以认为自动编码器是可以像pca那样找到可以表征信息的主要成分,只不过这个过程是通过学习得到的. Encoder的过程,按照理论上来说这个code其实就是包含了事物丰富的表征信息,

2017-12-27 14:21:41

python @staticmethod和@classmethod的作用与区别

参考:http://blog.csdn.net/handsomekang/article/details/9615239 一般来说,要使用某个类的方法,需要先实例化一个对象再调用方法。 如我们定义了一个  class A ():  def __init__():  print "A"  def show(): print "test

2017-09-06 09:28:24

ls命令按文件大小排序

今天想在某网站找一个10KB大小的图片文件可是了半天 后来想起ls可以按文件大小排序 ls可以按照文件大小进行输出排序,这是一个很实用的参数。 man ls -S sort by file size 由大到小排序 ls -Sl 从小到大排序 ls -Slr -h,表示”–human-readable”,单位是k或者M ,比较容易看清楚结果。 显示

2017-09-04 21:08:19

Opencv-python接口:轮廓检测

相比C++而言,Python适合做原型。本系列的文章介绍如何在Python中用OpenCV图形库,以及与C++调用相应OpenCV函数的不同之处。这篇文章介绍在Python中使用OpenCV检测并绘制轮廓。 提示: 转载请详细注明原作者及出处,谢谢! 本文介绍在OpenCV-Python中检测并绘制轮廓的方法。本文不介详细的理论知识,读者可从其他资料中获取相应的背景知识。笔者推荐

2017-09-04 16:57:57

Harris Corner Detector 公式推导以及具体含义

在做图像匹配时,常需要对两幅图像中的特征点进行匹配。为了保证匹配的准确性,所选择的特征必须有其独特性,角点可以作为一种不错的特征。 那么为什么角点有其独特性呢?角点往往是两条边缘的交点,它是两条边缘方向变换的一种表示,因此其两个方向的梯度变换通常都比较大并且容易检测到。 这里我们理解一下Harris Corner 一种角点检测的算法 角点检测基本原理: 人们通常通过在一个小

2017-09-01 18:07:27

Harris Corner Detector 原理及编程实现

原理: 灰度变化率有函数如下: 其中的W(x,y)函数如下 有函数f(x+u,y+v),则其泰勒展开为: 对图片pitch来说,套用刚刚的展开,我们想要计算patch和相邻patch的距离就是: 设 下面,让我们回到最开始的公式,并对中括号里的内容做相应展开: 我们把W(x,y)和矩阵结合起来,用一个新的符号M来表示: 最开始公式就简化成

2017-09-01 17:25:21

Python with语句用法

With语句是什么? Python’s with statement provides a very convenient way of dealing with the situation where you have to do a setup and teardown to make something happen. A very good example for this is the

2017-08-30 18:01:26

python 细数class中的 __**__

__init__(self, *values)  对象的初始化函数,初始化类的实例时,会调用这个方法__str__(self)  返回 print对象时要打印的东西,pirnt(obj)时会调用这个方法__iter__(self) 与 __next__(self)  将对象 变为可迭代对象,__iter__()用于iter(),__next__用于next()__getitem__(self

2017-08-28 15:57:40

Python中的*arg和**kwarg

一个简单的函数 首先我们可以定一个简单的函数, 函数内部只考虑required_arg这一个形参(位置参数) def exmaple(required_arg): print required_arg exmaple("Hello, World!") >> Hello, World! 那么,如果我们调用函数式传入了不止一个位置参数会出现什么情况?当然是会报错! exmaple(

2017-08-28 15:56:49

python enumerate用法总结

enumerate()说明 enumerate()是python的内置函数enumerate在字典上是枚举、列举的意思对于一个可迭代的(iterable)/可遍历的对象(如列表、字符串),enumerate将其组成一个索引序列,利用它可以同时获得索引和值enumerate多用于在for循环中得到计数 例如对于一个seq,得到: (0, seq[0]), (1, seq[1]), (2

2017-08-28 14:08:33

PIL2Numpy:通过PIL和numpy数据格式互相转换来调用PIL/cv2

通过将PIL的数据结构和CV2所支持的numpy互相转换,可以及其方面的调用一些双方都没有的库。

2017-08-24 14:26:04

git pull和git fetch的区别小结

总而言之,几句话概括  1.git pull = git fetch + git merge git pull会将本地库更新至远程库的最新状态 由于本地库进行了更新,HEAD也会相应的指向最新的commit id 2.git fetch的时候只是将remote的origin进行update  但是并没有在local的branch进行merge 一张图概括:

2017-08-23 14:43:09

git cherry-pick使用小结

git cherry-pick可以选择某一个分支中的一个或几个commit(s)来进行操作。例如,假设我们有个稳定版本的分支,叫v2.0,另外还有个开发版本的分支v3.0,我们不能直接把两个分支合并,这样会导致稳定版本混乱,但是又想增加一个v3.0中的功能到v2.0中,这里就可以使用cherry-pick了。 就是对已经存在的commit 进行 再次提交; 简单用法: g

2017-08-23 14:03:45

git merge 和 git rebase 小结

git merge是用来合并两个分支的。 git merge b       # 将b分支合并到当前分支 同样 git rebase b,也是把 b分支合并到当前分支 ----------------------------------- 他们的 原理 如下: 假设你现在基于远程分支"origin",创建一个叫"mywork"的分支。 $

2017-08-23 14:02:45

How to design DL model(3):Understanding LSTM Networks

之前一直在搞CNN,现在开始学习RNN,先上手一篇LSTM的入门吧  原文: Understanding LSTM Networks  中文译文地址: 理解长短期记忆网络  摘要:作者早前提到了人们使用RNNs取得的显著成效,基本上这些都是使用了LSTMs。对于大多数任务,它们真的可以达到更好的效果!写了一堆方程式,LSTMs看起来很吓人。希望通过这篇文章中一步一步的剖析,能

2017-08-18 15:21:28

How to design DL model(2):Inception(v4)-ResNet and the Impact of Residual Connections on Learning

转载自: http://www.jianshu.com/p/329d2c0cfca9 Google Research的Inception模型和Microsoft Research的Residual Net模型两大图像识别杀器结合效果如何?在这篇2月23日公布在arxiv上的文章“Inception-v4, Inception-ResNet and the Impact of Resi

2017-08-18 15:11:46

How to design DL model(1):Efficient Convolutional Neural Networks for Mobile Vision Applications

论文地址:MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications  民间实现:caffe | Tensorflow  官方代码:tensorflow/models reference: http://blog.csdn.net/jesse_mx/article/details/7

2017-08-08 10:18:34

Alanyannick

Professional department i n CS&EE and also interested in CV&PR, Digital image&vedio processing,Machine learning, Artificial intelligence. ...展开 收起
关注
  • 计算机软件/技术工程师
  • 中国 广东省 深圳市
奖章
  • 专栏达人
  • 持之以恒