陈柯成

摘要： 重在图像的定位和检测的内容。 一张图片中只有一种给定类别标签的对象，定位则是图像中有对象框；再这些类中，每一个训练目标都有一个类和许多的图像内部对应类的位置选框。 猜想的仅是类标签，不如说它们是位置选框。正确的位置选框，代表你的结果很接近分割的准确率。 研究定位的简单有用基础的范式，就是回归。 这张 阅读全文

摘要： 全卷积网络 FCN 详解 背景 CNN能够对图片进行分类，可是怎么样才能识别图片中特定部分的物体，在2015年之前还是一个世界难题。神经网络大神Jonathan Long发表了《Fully Convolutional Networks for Semantic Segmentation》在图像语义分 阅读全文

摘要： 1. 读取图像并判断是否为灰度图，如为RGB图转化为灰度图，并读取图像的w、h 2.数据格式转换：将uint8表示的读取图像矩阵变为double表示。 3.加入噪声，如果噪声水平$\sigma = 50 $则： $noise = \sigma/255.*randn(size(label))$ 产生的 阅读全文

摘要： 1. 对序列进行洗牌 randperm() 2. 图像灰度化 rgb2gray() 3. 对图像进行旋转和翻转 4. 对array进行连接 cat(dim, A, B) 、 5.对图像进缩放，imresize() 6.读取图像默认的数据类型uint8，最大值为255；但是在进行图形矩阵的操作和变化过 阅读全文

摘要： MyYuanLaiPic = imread('e:/image/matlab/Cluo.jpg');%读取RGB格式的图像 MyFirstGrayPic = rgb2gray(MyYuanLaiPic);%用已有的函数进行RGB到灰度图像的转换 [rows , cols , colors] = size(MyYuanLaiPic);%得到原来图像的矩阵的参数 MidGrayPi... 阅读全文

摘要： 前言 论文地址：见researchgate, 方法继续更新。 解决的问题： 1.discriminative learning methods 用于denoising 任务学习到的是一个对于每种 噪声水平的具体模型，需要不同的噪声水平，灵活性差，不能用于实际。 提出了FFDNet的优势 1.down 阅读全文

摘要： 概念 神经网络的深度和数据据体的深度(图像的通道数channels)要主要区分。 输入 1.得到一些数据，作为网络的输入。 2.在CNN中有filter，the size of filter is small。如上的filter为5*5，深度为3，这个3要在深度上穿过 输入数据的每一个位置，输入数据 阅读全文

摘要： FFDNet matlab 调用并批处理 Adam不会让你的学习速率降为0，因为它是leaky gradient; 如果使用的是Adagrad, 学习率最后会自动的下降为0。 集成学习 1. 对训练集中大量独立的模型进行训练，而不仅仅对于单一模型； 2.在测试的时候将结果进行平均。(效果可以提高2% 阅读全文

摘要： Mini-batch SGD的步骤： 1.Sample a batch of data 2.Forward prop it through the graph，get loss 3.backprop to calculate the gradient 4. updata the parameters 阅读全文

摘要： Jacobian矩阵和Hessian矩阵 1. Jacobian 在向量分析中, 雅可比矩阵是一阶偏导数以一定方式排列成的矩阵, 其行列式称为雅可比行列式. 还有, 在代数几何中, 代数曲线的雅可比量表示雅可比簇：伴随该曲线的一个代数群, 曲线可以嵌入其中. 它们全部都以数学家卡尔·雅可比(Carl 阅读全文