随笔分类 - 论文推介
摘要：论文代码：https://github.com/Nandan91/ULSAM Motivation 作者首先指出 Self-attention mechanism 在计算机视觉领域中提供了 infinite receptive filed size，同时可以捕获特征空间中的 long-range d
阅读全文
摘要：论文：https://arxiv.org/abs/1910.05577 代码：https://github.com/XudongLinthu/context-gated-convolution 这是来自哥伦比亚大学和腾讯 AI lab 的工作，也是一种即插即用的模块。 论文的动机为：Neurons
阅读全文
摘要：论文：https://arxiv.org/pdf/2007.11823.pdf 代码：https://github.com/megvii-model/WeightNet 这是香港中文大学和旷视科技的最新工作，提出了一个即插即用并可以有效涨点的网络WeightNet，作者也指出，该网络是受了最近关注度
阅读全文
摘要：论文：https://arxiv.org/abs/2007.06929 代码：https://github.com/KumapowerLIU/Rethinking-Inpainting-MEDFE 论文的解读选自刘虹雨的在极市平台的文章，值得注意的是，这个工作在今年2月份也宣传过，论文的题目及内容有
阅读全文
摘要：代码：https://github.com/z-x-yang/GCT 这是一个百度和悉尼科技大学合作的工作，作者指出，SENet modulate feature maps on the channel-wise level. 但是，SE 模块使用了个全连接层（FC层）处理 channel-wise
阅读全文
摘要：Split to Be Slim: An Overlooked Redundancy in Vanilla Convolution， IJCAI 2020 论文地址: https://arxiv.org/abs/2006.12085 代码地址: https://github.com/qiulinzh
阅读全文
摘要：文章内容来自CCF-CV走进高校报告会中MSRA王井东老师的报告“Learning high-resolution and object-contextual representations for semantic representation” 报告中主要介绍了 HRNet 和 OCR 两个方法
阅读全文
摘要：深度学习中的下采样（max-pooing, average-pooling, strided-convolution）通常会有两个不足：破坏了目标的基本结构、放大随机噪声。上采样操作同样容易受到影响。下面给出一个图示，A和B是两个区域，AP是max-pooling的结果，AW是小波处理的结果，可以看
阅读全文
摘要：论文：Region Normalization for Image Inpainting， AAAI 2020 代码：https://github.com/geekyutao/RN 图像修复的目的是重建输入图像的损坏区域。它在图像编辑中有许多应用，例如面部编辑和图像遮挡。图像修复中的关键问题是在损坏
阅读全文
摘要：本文章是在 AI研习社 听华中科技大学 李超的报告的一些笔记 论文：Single Image Reflection Removal through Cascaded Refinement， CVPR 2020 代码：正在开源 1. 研究动机 图像去反光就是下面的模型，I 是 T 和 R 的一个线性组
阅读全文
摘要：论文：Learning in the Frequency Domain， CVPR 2020 代码：https://github.com/calmevtime/DCTNet 实际的图像尺寸比较大，无法直接输入到CNN处理。因此，各类CNN模型都把图像首先下采样的224x224，然后再处理。但是，这样
阅读全文
摘要：论文：GhostNet: More Features from Cheap Operations，CVPR 2020 代码：https://github.com/iamhankai/ghostnet.pytorch/ GhostNet是华为诺亚方舟实验室在CVPR2020提出，可以在同样精度下，速度
阅读全文
摘要：GridMask Data Augmentation， ARXIV 2020 代码地址：https://github.com/akuxcw/GridMask 这篇论文提出了一种简单的数据增强方法，在图像分类、检测、分割三个任务进行实验，效果提升明显。 1. Introduction 作者首先回顾了数
阅读全文
浙公网安备 33010602011771号