↓ Skip to main content
  1. Posts/

non-local means algorithm 学习笔记

·436 words·1 min
Note: This article is available in Chinese only. 本文暂无英文版本。 View original

终于忙完学校的事情可以干正事了orz

这里会记录一些第一遍看paper的过程中遇到的一些影响理解的概念,不过大多不会深究,只算做粗浅的理解。

1、高斯金字塔:

高斯金字塔是最基本的图像塔。首先将原图像作为最底层图像G0(高斯金字塔的第0层),利用高斯核(5*5)对其进行卷积,然后对卷积后的图像进行下采样(去除偶数行和列)得到上一层图像G1,将此图像作为输入,重复卷积和下采样操作得到更上一层图像,反复迭代多次,形成一个金字塔形的图像数据结构,即高斯金字塔。

2、拉普拉斯金字塔

在高斯金字塔的运算过程中,图像经过卷积和下采样操作会丢失部分高频细节信息。为描述这些高频信息,人们定义了拉普拉斯金字塔(Laplacian Pyramid, LP)。用高斯金字塔的每一层图像减去其高一层图像上采样并高斯卷积之后的预测图像,得到一系列的差值图像即为 LP 分解图像。

将Gl内插方法得到放大图像_Gl,使_Gl的尺寸与*Gl-1的尺寸相同,即放大算子Expand。

参考资料:

Gaussian and Laplacian Pyramids

拉普拉斯金字塔融合

Related

stanford cs 231n:常用激活函数

·2596 words·6 mins
其实我觉得这部分可以直接黑箱。。。直接无脑上Leaky ReLU或者Maxout?不过对这些激活函数的特点有个high-level的了解应该总是没坏处的,只要别太纠结细节就好了吧。。 # 每个激活函数(或非线性函数)的输入都是一个数字,然后对其进行某种固定的数学操作。下面是在实践中可能遇到的几种激活函数:

Inception-v4,Inception-ResNet 和残差连接对学习的影响

·6449 words·13 mins
原始论文 翻译链接 **——前言:**作者认为残差连接在训练深度卷积模型时是很有必要的。至少在图像识别上,我们的研究似乎并不支持这一观点。 摘要: 近年来,深度卷积神经网络对图像识别性能的巨大提升发挥着关键作用。以Inception网络为例,其以相对较低的计算代价取得出色的表现。最近,与传统结构相结合的残差连接网络在2015ILSVRC挑战赛上取得非常优异的成绩;它的性能跟最新的Inception-v3 网络非常接近。因此也就引出了结合残差连接的Inception结构能否对性能进行提高的问题。本文给出实验证明,残差连接可以明显加速Inception网络的训练。同时实验也证明,相比没有残差连接的消耗相似的Inception网络,残差Inception网络在性能上具有微弱的优势。针对是否包含残差连接的Inception网络,本文同时提出了一些新的简化网络。这些网络的变体在ILSVRC2012分类任务上很明显的改善了单一框架的识别性能。本文进一步展示了适当的激活缩放如何使得很宽的残差Inception网络的训练更加稳定。本文通过对三个残差和一个Inception-v4进行组合,在top-5错误率上达到了 3.08%。