Phoenixtree_DongZhao-CSDN博客

原创最新 GitHub 上传本地项目代码 (main) （2022 更新）

最新的 GitHub 本地代码上传方法。亲自操作的，有效。

2022-06-30 03:20:26 1285

原创最新 CCF A 类人工智能会议论文下载汇总 (含2023)

2021年部分 CCF A 类会议论文下载地址汇总AAAI 2021 ：https://dblp.uni-trier.de/db/conf/aaai/aaai2021.htmlICLR 2021 ：https://openreview.net/group?id=ICLR.cc/2021/ConferenceCVPR 2021 ：https://openaccess.thecvf.com/CVPR2021?day=allACL-IJCNLP 2021 ：https://2021.aclweb.

2021-10-28 06:45:29 15134 1

转载如何利用t-SNE可视化自己的数据集分布

如何用t-SNE可视化自己的数据集？本博客提供的代码可以用cuda运行，速度飞起！

2023-12-11 11:06:43 489

转载 matplotlib - 确保 0 在 RdBu 颜色条中变为白色

由于数据的中间点不是 0，因此颜色图值为 0 的单元格不是白色，而是略带红色。如何强制颜色图使 max=blue、min=red 和 0=white？

2023-06-03 02:30:07 344

原创 ICLR 2022: Perceiver IO 结构化输入和输出的通用架构

机器学习的一个中心目标是开发能够在尽可能多的数据领域解决许多问题的系统。然而，目前的架构只能应用于一小部分模式化的设置，因为它们包含了领域和任务假设，或者无法扩展到大型输入或输出。本文出了 Percepver IO，这是一种通用架构，可以处理来自任意设置的数据，同时随着输入和输出的大小线性扩展。该模型通过灵活的查询机制增强了 Percepver，支持各种大小和语义的输出，消除了对特定于任务的体系结构工程的需求。同样的架构在跨越自然语言和视觉理解、多任务和多模态推理以及星际争霸II的任务上取得了强大的结果。值

2023-04-12 13:18:10 852 1

原创 Perceiver & Perceiver IO: 人工智能的多功能工具

Perceiver & Perceiver IO: 人工智能的多功能工具

2023-04-12 10:17:41 671

原创 Docker 学习视频集 bilibili

1.什么是Docker2.Docker的安装3.镜像、容器和仓库4.在容器中部署一个应用5.将容器保存成镜像成片6.使用Dockerfile构建镜像7.导入导出镜像8.使用DockerHub仓库9.使用阿里云的Docker仓库10.建立本地的Docker仓库11.使用数据卷12.容器间的通信13.容器编排技术

2022-11-25 15:55:29 641

原创轻量级网络 ESPNetv2

本文介绍了一种轻量级、节能和通用的卷积神经网络ESPNetv2。该网络使用 point-wise 和 depth-wise 膨胀可分离卷积（point-wise and depth-wise dilated separable convolutions），以较少的 FLOPs 和参数从一个较大的有效感受野学习表示。...

2022-07-30 15:07:07 1547

原创 CVPR 2022 无监督显著度检测：Multi-Source Uncertainty Mining for Deep Unsupervised Saliency Detection

本文提出了一种新的多源不确定性挖掘方法，以促进对由传统手工制作的 SOD 方法产生的多个噪声标签的无监督深度学习。本文设计了一个不确定性挖掘网络 (UMNet)，该网络由多个 Merge-and-Split (MS) 模块组成，递归分析多个噪声标签之间的共性和差异，并为每个标签推断像素级的不确定性地图。同时，本文使用 Gibbs 分布对噪声标签进行建模，并提出加权不确定性损失来与 SOD 网络联合训练 UMNet。因此，UMNet 可以自适应地为 SOD 网络学习选择可靠的标签。..............

2022-07-06 17:07:44 2316 2

原创 CVPR 2022 无监督去雾：Self-augmented Unpaired Image Dehazing via Density and Depth Decomposition

本文提出了一种自增强的图像去雾框架，称为 D4 (Dehazing via Decomposition, transmission map into Density and Depth)，用于生成和去除雾霾。该框架不只是估计传输图或干净的内容，而是专注于探索模糊和干净图像中包含的散射系数和深度信息。......

2022-07-05 18:26:57 4660 1

原创打破故有思维--超大卷积核 RepLKNet: Scaling Up Your Kernels to 31x31: Revisiting Large Kernel Design in CNNs

本文重新审视现代卷积神经网络 (CNNs) 中的大卷积核设计。

2022-06-24 02:11:36 1171 2

原创 NeurIPS 2021: 不确定性驱动损失图像超分辨率 Uncertainty-Driven Loss for Single ImageSuper-Resolution

在单图像超分辨率 (SISR) 等低阶视觉中，传统的 MSE 或 L1 损失函数在假设所有像素的重要性相同的前提下，对每个像素一视同仁。然而，在摄影图像中，纹理和边缘区域比平滑区域承载着更重要的视觉信息。如何以一种有原则的方式实现这种空间适应 (spatial adaptation)，在基于模型的方法和基于学习的方法中都是一个开放的问题。本文提出了一种新的自适应加权损失 (adaptive weighted loss) 的 SISR 方法，针对具有挑战性的情况，如纹理和边缘像素的高度不确定性。.....

2022-06-16 15:29:52 1847 2

原创无监督目标检测、显著度检测（简介）：Unsupervised Object Discovery using Normalized Cut

本文提出了一个简单但有效的基于图的无监督目标检测方法，TokenCut。

2022-06-09 16:08:48 4458

原创无监督显著目标检测论文阅读（一）：光谱聚类投票方法 Unsupervised Salient Object Detectionwith Spectral Cluster Voting

本文旨在通过利用自监督特征的光谱聚类来解决无监督显著性目标检测 (SOD) 的任务。

2022-06-08 10:18:52 1379

原创无监督去雨论文（二）：Unsupervised Single Image Deraining with Self-supervised Constraints

现有的单一图像解训练方法大多需要从大量的成对合成训练数据中学习监督模型，这限制了其在现实多媒体应用中的通用性、可扩展性和实用性。此外，由于缺乏标签监督约束，直接将现有的无监督框架应用于图像解约束任务，恢复质量较低。因此，本文提出了一种无监督去雨生成对抗网络来解决上述问题，该网络从非配对的内在统计信息中引入了自监督约束。...

2022-06-07 09:57:08 1080

原创无监督去雨论文（一）：DerainCycleGAN: Rain Attentive CycleGAN for Single ImageDeraining and Rainmaking

本文提出了无监督注意引导下的雨条纹提取器。并构建了接近真实场景的雨图像数据集。

2022-06-07 06:09:10 2059 1

转载 [转载] 模型泛化误差与偏差(Bias)、方差(Variance)

目录问题为什么会有偏差和方差？偏差、方差、噪声是什么？偏差、方差窘境偏差、方差与过拟合、欠拟合的关系？偏差、方差与模型复杂度的关系偏差、方差与bagging、boosting的关系？如何解决偏差、方差问题针对偏差和方差的思路：问题阅读正文之前尝试回答以下问题，如果能准确回答，这篇文章不适合你；如果不是，可参考下文。为什么会有偏差和方差？偏差、方差、噪声是什么？泛化误差、偏差和方差的关系？用图形解释偏差和方差。偏差、方差窘境。偏差、方差与过拟合、

2022-05-27 17:57:44 1156

原创重新定义弱光增强的质量、效率和价值的峰值点，CVPR2022 Oral ：Toward Fast, Flexible, and Robust Low-Light Image Enhancement

本文提出：自校准照明 (Self-Calibrated Illumination，SCI) 学习框架，快速、灵活、鲁棒性好。SCI 模型在基于网络的微光图像增强领域重新定义了视觉质量、计算效率和下游任务性能的峰值点。

2022-05-23 02:13:19 3598 3

原创论文速读：Online Convolutional Re-parameterization

Paper: https://arxiv.org/pdf/2204.00826v1.pdfCodes are available at https: //github.com/JUGGHM/OREPA_CVPR2022.

2022-05-21 19:54:45 1152 1

原创 ICLR 2022 杰出论文奖 - 获奖论文速览

目录杰出论文奖论文论文 1：Analytic-DPM: an Analytic Estimate of the Optimal Reverse Variance in Diffusion Probabilistic Models论文 2：Hyperparameter Tuning with Renyi Differential Privacy论文 3：Learning Strides in Convolutional Neural Networks论文 4：Expressiveness

2022-04-25 15:13:07 3912

原创卷积网络重新反超 Transformer，ConvNeXt：A ConvNet for the 2020s

本文的主要思想是，将 Swin-Transformer 中使用的方方面面的技术使用在传统 ConvNet 上，来探讨这些技术是否能够在 ConvNet 上 work。结果发现是肯定的。

2022-01-29 00:11:04 6117

原创基于强化学习的白盒照片后处理框架 -- Exposure: A White-Box Photo Post-Processing Framework

本文采用强化学习实现图像编辑，问题与方法契合度很高，因此是一个不错的思路。人为的图像编辑通常是采取不同操作[pdf]Fig. 1. Our method provides automatic and end-to-end processing of RAW photos, directly from linear RGB data captured by camera sensors to visually pleasing and display-ready images. Our sys

2022-01-28 20:35:29 2172

转载 Zetane Engine ：神经网络一键可视化

只需要上传一个模型，Zetane Engine就可以巡视整个神经网络，并且还可以放大网络中的任何一层，显示特征图，看清流水线上的每一步

2022-01-25 08:48:57 4293 10

原创基于双光照估计的曝光校正: Dual Illumination Estimation for Robust Exposure Correction

Dual Illumination Estimation for Robust Exposure Correction[pdf]AbstractExposure correction is one of the fundamental tasks in image processing and computational photography. While various methods have been proposed, they either fail to produce

2022-01-18 23:54:22 2589 1

原创用一个网络实现曝光不足和曝光过度的曝光修正：Learning Multi-Scale Photo Exposure Correction

本文是第一个对欠曝光和过曝光用同一个网络实现校准的方法。个人认为本文最大的贡献是：1. 本文不是做图像增强，而是曝光错误进行修正。2. 提供了一个全新的、曝光时间范围更广的数据集。

2022-01-18 14:47:27 4219 1

原创曝光修正相关工作：Related Work on the Exposure Correction

本博客对曝光校准的相关工作进行简单总结，内容选自 2021CVPR 文章：Learning Multi-Scale Photo Exposure Correction.

2022-01-18 14:27:14 1522

原创 [论文速度] 同时解决成像时，曝光不足和曝光过度问题：Deep Reciprocating HDR Transformation

文章简单，但思想很清晰

2022-01-18 00:08:13 3628

原创生成任意边缘平滑形状（斑块）神器

发现一个特别有意思的网页，可以生成任意平滑形状，边数和凹凸可以自己设置。网页链接：Blobmaker - Make organic SVG shapes for your next design

2021-12-29 14:13:21 296

原创又一个轻量级 ViT：Lite Vision Transformer with Enhanced Self-Attention

Lite Vision Transformer with Enhanced Self-Attentionhttps://arxiv.org/pdf/2112.10809.pdfAbstractDespite the impressive representation capacity of vision transformer models, current light-weight vision transformer models still suffer from inconsist.

2021-12-26 18:02:15 2103

原创自注意力和 CNN 的结合 ACmix : On the Integration of Self-Attention and Convolution

本文首先证明了一个传统的核大小为 k x k 的卷积可以分解为 k^2 个单独的卷积，然后进行移位和求和操作。然后，将自注意模块中的 query、key 和 value 的投影解释为多个 1x1 卷积，然后计算注意力权重和值的聚合。因此，这两个模块的第一阶段包含类似的操作。与第二阶段相比，第一阶段的计算复杂度占主导地位。这种观察自然地导致了这两个看起来截然不同的范式的优雅集成，也就是说，混合模型 ACmix可以同时享受自注意和卷积的好处，同时与纯卷积或自注意对应的模型相比，具有最小的计算开销。

2021-12-26 08:56:58 5614

原创 Windows 远程桌面无法复制粘贴问题

问题描述：从本地电脑向远程电脑复制文件（或反过来）时，完全没有任何反应。解决方法：1. 确保剪贴板选择勾选：1）找到远程控制图标，右键 -> 更多 -> 打开文件位置2）右键 -> 打开 -> 显示选项3）本地资源 -> 剪贴板，勾选2. 重启 rdpclip.exe1）Ctrl + Alt + Del，打开任务管理器，选择详细信息栏2）找到 rdpclip.exe（如果已运行），右键 -> 结..

2021-12-24 08:58:01 17888 2

原创 Kalman Filter 遇到 Deep Learning : 卡尔曼滤波和深度学习有关的论文

突然心血来潮，想到卡尔曼滤波器是否能和深度学习结合。于是从谷歌学术上搜了一下，发现现在这方面的工作还没有太多结合。ICLR 2020 出现一篇Kalman Filter Is All You Need 的文章，但目前从开源的审稿意见来看，凶多吉少。其余的，大部分出自于一个Guy Revach 学者（团队）。Kalman Filter Is All You Need: Optimization Works When Noise Estimation Fails [ICLR 2020 Under..

2021-12-22 20:28:56 6198

原创 MATLAB 生成随机数方法总汇（各分布配图参考）

目录a.基本随机数1．rand()2．randn()b.连续型分布随机数3．unifrnd()4．normrnd()5．chi2rnd()6．frnd()7．trnd()8．betarnd()10．gamrnd()11．lognrnd()12．raylrnd()c.离散型分布随机数14．unidrnd()15．binornd()16．geornd()17．poissrnd()a.基本随机数Matlab 中有两个最基本...

2021-12-22 16:46:14 92855 2

原创论文速读：FAIR 最新 ViT 模型改进多尺度 ViT --- Improved Multiscale Vision Transformers

本文研究了多尺度 Vision Transformers (MViT) 作为一个统一的体系结构，进行图像和视频分类，以及目标检测。本文提出了一个改进的 MViT 版本，它包含了分解的相对位置 embeddings 和残差池化（residual pooling）连接。

2021-12-22 11:22:21 3205

原创 Matlab 2021b 安装激活后报错：License Manager Error -103的解决办法

报错现象：首先，这个报错并不是 MATLAB 安装或激活出现问题，二是因为远程桌面使用 MATLAB 时才会出现这种情况。原因分析：这是由于matlab使用了FLEXlm进行liscense管理，而FLEXlm不支持从远程桌面访问。不过，对liscense文件稍加修改，就能够使用。（转载远程桌面使用matlab报错License Manager Error -103的解决办法）解决方法：1. 进入R2021b\licenses目录下的许可证文件...

2021-12-22 10:36:54 6580 4

原创论文速读：Axial-DeepLab: Stand-Alone Axial-Attention for Panoptic Segmentation

本文试图将二维自注意分解为两个一维自注意。这降低了计算复杂度，并允许在更大甚至全局区域内执行注意力。同时，本文也提出了位置敏感的自注意设计。结合这两种方法可以得到位置敏感轴向注意层，这是一种新型的构建块，可以将其叠加形成用于图像分类和密集预测的轴向注意模型。

2021-12-22 05:10:21 1870

原创 4 个简单操作，实现 CPU 轻量级网络 ---- PP-LCNet: A Lightweight CPU Convolutional Neural Network

PP-LCNet: A Lightweight CPU Convolutional Neural Network[pdf][github 1][github 2]本文提出一个能够在 CPU 上训练的深度学习网络模型，文章和算法都很简单，很容易复现。总结起来就 4 点：1. 使用H-Swish (替代传统的 ReLU)；2. SE 模块放在最后一层，并使用大尺度卷积核；3. 大尺度卷积核放在最后几层；4. 在最后的 global average pooling 后增...

2021-12-21 15:11:00 1353

原创 HIDE & SEEK 介绍 -- 端到端的模拟和处理无线电观测数据（二）

HIDE & SEEK: End-to-End Packages to Simulate and Process Radio Survey Data[PDF]The HIDE package has been developed at ETH Zurich in the Software Lab of the Cosmology Research Group of the ETH Institute of Astronomy.The development is coordinated

2021-12-21 12:53:34 637

原创 HIDE & SEEK 介绍 -- 端到端的模拟和处理无线电观测数据（一）

TheHIDEpackage has been developed at ETH Zurich in theSoftware Lab of the Cosmology Research Groupof theETH Institute of Astronomy.The development is coordinated onGitHuband contributions are welcome. The documentation ofHIDEis available at...

2021-12-21 09:54:28 1432

原创 Bing 必应突然不能用了（2021 年 17 日最新情况），怎么办？问题已解决

今天，2021 年 17 日，来到实验室工作，突然发现 bing 搜索引擎不能用了。而百度搜索引擎完全没有影响。也就是说，不是网络问题，很可能是 bing 的问题。解决方法：使用下面地址登录 bing，就可以用了。https://www4.bing.com/...

2021-12-17 20:16:30 13527 1

GitHub上传方法.docx

详细介绍如何上传GitHub项目！ 1. 先到github 个人网页上建立新的 2. 进入要上传的文件夹内，右键，选择 Git Bash Here 然后，出现如下界面。输入： git clone [刚才建立的新网址] 3. 这个时候，就建立本地 git 链接文件了（红框标记），这个文件可以理解为github与本地链接点。然后把所有要上传的文件拖进去。

2020-07-26

synset_words.txt

最新最权威synset_words.txt，可用于OpenCV dnn模块caffe模型对图片进行分类，识别，做迁移学习，强化学习使用的标签参考。放在与classification_demo.m同一个文件夹下。

2018-05-25

bvlc_reference_caffenet.caffemodel

bvlc_reference_caffenet.caffemodel 是 matlab 调用 caffe 时需要的 model 文件。放到caffe-master\models\bvlc_reference_caffenet文件夹下。

2018-05-25

去雾算法 dehazing 最新顶级会议和期刊论文打包下载（08-14年）

本文档涵盖了去雾算法在2008-2014年间的顶级论文，这些论文包括在17、18年顶级期刊和会议（CVPR,ECCV,ICCV）上的论文。本文档没有包含何凯明的DCP和导向滤波器论文。这两篇论文在网上比较好下载。

2018-03-19

去雾算法 dehazing 最新顶级会议和期刊论文打包下载（15-16年）

本文档涵盖了去雾算法在 2015-2016 年间顶级论文，这些论文包括在15、16年顶级期刊和会议（CVPR,ECCV,ICCV）上的论文。

2018-03-19

去雾算法 dehazing 最新顶级会议和期刊论文打包下载（17-18年）

本文档涵盖了2017-2018（3月之前）几乎全部的顶级论文，这些论文包括在17、18年顶级期刊和会议（CVPR,ECCV,ICCV）上的论文，也有许多是最新提出的基于深度学习模型的去雾算法，在arXiv上共享但还未发表。

2018-03-19

宽度学习 Broad Learning System MATLAB代码（2）：NORB实践

陈俊龙教授团队“Broad Learning System: An Eﬀective and Eﬃcient Incremental Learning System Without the Need for Deep Architecture”的中文综述，原文将在IEEE Transactions on Neural Networks and Learning Systems, Vol. 29, Issue 1, 2018

2018-03-19

A Probabilistic Collaborative Representation based Approach for

本资源是 2016 CVPR 文章的代码. 文章原文题目是： A Probabilistic Collaborative Representation based Approach for Pattern Classification

2018-01-11

17CVPR_CODE_Learning Dynamic Guidance for Depth Image Enhancement

17CVPR_CODE_Learning Dynamic Guidance for Depth Image Enhancement 17 cvpr 代码

2018-01-11

SqueezeNet: AlexNet-level accuracy with 50x fewer parameters and <1MB .pdf

Recent research on deep convolutional neural networks (CNNs) has focused primarily on improving accuracy. For a given accuracy level, it is typically possible to identify multiple CNN architectures that achieve that accuracy level. With equivalent accuracy, smaller CNN architectures offer at least three advantages: (1) Smaller CNNs require less communication across servers during distributed training. (2) Smaller CNNs require less bandwidth to export a new model from the cloud to an autonomous car. (3) Smaller CNNs are more feasible to deploy on FPGAs and other hardware with limited memory.

2017-12-20

Wasserstein Auto-Encoders 【pdf】

We propose the Wasserstein Auto-Encoder (WAE)|a new algorithm for building a generative model of the data distribution. WAE minimizes a penalized form of the Wasserstein distance between the model distribution and the target distribution, which leads to a dierent regularizer than the one used by the Variational Auto-Encoder (VAE) [1]. This regularizer encourages the encoded training distribution to match the prior. We compare our algorithm with several other techniques and show that it is a generalization of adversarial auto-encoders (AAE) [2]. Our experiments show that WAE shares many of the properties of VAEs (stable training, encoder-decoder architecture, nice latent manifold structure) while generating samples of better quality, as measured by the FID score.

2017-12-20

基于小波变换的图像增强算法.pdf

结合小波变换中相关系数理论，提出了一种基于小波变换的图像增强算法，该算法先区分小波域中由细节及噪声产生的高频系数，对由细节产生的信息进行增强，对噪声进行抑制·解决了通常算法中增强细节信号的同时也放大了噪声这个问题·实验表明，该算法在得到很好的图像增强的同时，能很好地抑制噪声，对于多噪声环境下的弱细节信号能达到很好的增强效果·

2014-07-16

Perceptual Computing

This book focuses on the three components of a Perceptual Computer—encoder, CWW engines, and decoder—and then provides detailed applications for each. It uses interval type-2 fuzzy sets (IT2 FSs) and fuzzy logic as the mathematical vehicle for perceptual computing, because such fuzzy sets can model first-order linguistic uncertainties whereas the usual kind of fuzzy sets cannot. Drawing upon the work on subjective judgments that Jerry Mendel and his students completed over the past decade, Perceptual Computingshows readers how to: • Map word-data with its inherent uncertainties into an IT2 FS that captures these uncertainties • Use uncertainty measures to quantify linguistic uncertainties • Compare IT2 FSs by using similarity and rank • Compute the subsethood of one IT2 FS in another such set • Aggregate disparate data, ranging from numbers to uniformly weighted intervals to nonuniformly weighted intervals to words • Aggregate multiple-fired IF-THEN rules so that the integrity of word IT2 FS models is preserved

2014-04-07

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人