2020年4月9日
拒绝采样
摘要： 高斯分布的PDF： $f(x)= \frac{1}{\sigma\sqrt{2\pi}} e^{-\frac{(x-\mu)^{2}}{2\sigma^{2}}}$ 其中$\mu$是期望，$\sigma^2$为标准方差，记为$X \sim \mathcal{N}(0,0.5)$ *****样本容量无 阅读全文
posted @ 2020-04-09 15:11 陈柯成 阅读(788) 评论(0) 推荐(0) 编辑
概率函数P(x)、概率分布函数F(x)、概率密度函数f(x)
摘要： https://www.jianshu.com/p/0cfc3204af77 阅读全文
posted @ 2020-04-09 11:36 陈柯成 阅读(315) 评论(0) 推荐(0) 编辑
2019年11月20日
Dynamic Filter Networks
摘要： 传统的卷积网络, filter在训练后一般是恒定不变的, 相反, 这篇中引入了动态filter网络的概念, 根据输入条件动态的产生filer, 使得filter具有了自适应的能力, 包括两个部分:滤波器产生网络和 动态滤波层 这两个部分的输入可以相等或者不相等 其中需要指出的包括两个部分: 1. 模 阅读全文
posted @ 2019-11-20 17:52 陈柯成 阅读(1763) 评论(0) 推荐(0) 编辑
2019年11月19日
ECC ~ Edge-Conditioned Filter in CNN on Graphs
摘要： ECC的卷积操作和常规的二维图像卷积操作都是一种加权平均操作，不同之处在于ECC可以作用在任何图结构上，并且其权重由节点间的边权所决定. 考虑$G=(V,E)$, 其中$|V|=n$ 边 $E \in V*V$ , 其中$|E|=m$, 具有$l \in {0,....l_{max}}$ 前向神经网 阅读全文
posted @ 2019-11-19 18:27 陈柯成 阅读(356) 评论(0) 推荐(0) 编辑
2019年11月16日
Graph-to-ID task
摘要： 首先图像是一个二维的结构,CNN提取图片的特征,但是是local的,通过kenel的形式,不断的图上移动,通过卷积的形式, 无论移动到哪个位置,内部的结构都是不变的,这就是参数共享. 这个所说的图像显然都是欧式空间的,满足欧几里得空间的线性空间的几个重要的性质. 具有数据结构的规则性属性,但是在实际 阅读全文
posted @ 2019-11-16 22:19 陈柯成 阅读(192) 评论(0) 推荐(0) 编辑
Graph-GCN
摘要： 前言 在大型图中，节点的低维向量embedding被证明了作为各种各样的预测和图分析任务的特征输入是非常有用的。顶点embedding最基本的基本思想是使用降维技术从高维信息中提炼一个顶点的邻居信息，存到低维向量中。这些顶点嵌入之后会作为后续的机器学习系统的输入，解决像顶点分类、聚类、链接预测这样的 阅读全文
posted @ 2019-11-16 22:19 陈柯成 阅读(1218) 评论(0) 推荐(0) 编辑
non-local denoising methods
摘要： NL-Means算法 在噪声先验为高斯噪声的基础上, 进行non-local的平均,在2005年由Baudes提出，该算法使用自然图像中普遍存在的冗余信息来去噪声。与常用的双线性滤波、中值滤波等利用图像局部信息来滤波不同的是，它利用了整幅图像来进行去噪，以图像块为单位在图像中寻找相似区域，再对这些区 阅读全文
posted @ 2019-11-16 21:51 陈柯成 阅读(357) 评论(1) 推荐(0) 编辑
Graph-GraphSage
摘要： MPNN很好地概括了空域卷积的过程，但定义在这个框架下的所有模型都有一个共同的缺陷： 1. 卷积操作针对的对象是整张图，也就意味着要将所有结点放入内存/显存中，才能进行卷积操作。但对实际场景中的大规模图而言，整个图上的卷积操作并不现实。GraphSage[2]提出的动机之一就是解决这个问题。从该方法 阅读全文
posted @ 2019-11-16 18:51 陈柯成 阅读(4195) 评论(0) 推荐(1) 编辑
2019年10月14日
CNN作为denoiser的优势总结
摘要： 图像恢复的MAP推理公式： $\hat{x}\text{}=\text{}$arg min$_{x}\frac{1}{2}||\textbf{y}\text{}-\text{}\textbf{H}x||^{2}\text{}+\text{}\lambda\Phi(x)$ 正则化项$\Phi(x)$对 阅读全文
posted @ 2019-10-14 10:00 陈柯成 阅读(1091) 评论(0) 推荐(0) 编辑
论文解读《Deep Plug-and-Play Super-Resolution for Arbitrary Blur Kernel》
摘要： Deep Plug-and-Play Super-Resolution for Arbitrary Blur Kernels： 一旦退化模型被定义，下一步就是使用公式表示能量函数(energy function，也可以称为目标函数).通过MAP(Maximum A Posterriori) prob 阅读全文
posted @ 2019-10-14 09:55 陈柯成 阅读(777) 评论(1) 推荐(0) 编辑
下一页