摘要: getRotationMatrix2D() 这个函数给定一个旋转中心点的坐标、旋转角度和缩放因子,返回一个仿射变换矩阵 M,不考虑缩放因子的话其形式大概如下: \(M = \begin{bmatrix} cos\theta&sin\theta&dx \\ -sin\theta&cos\theta&d 阅读全文
posted @ 2021-01-31 20:31 seniusen 阅读(286) 评论(0) 推荐(0) 编辑
摘要: 0. 常用匹配规则 ^ 匹配字符串的开头 $ 匹配字符串的结尾 [...] 匹配一组字符,比如 [abc] 表示匹配小写字母 a 或者 b 或者 c,[a-z] 表示匹配所有的小写字母,[0-3] 表示匹配数字 0,1,2,3 [^...] 匹配不在 []中的字符 . 匹配除了换行符以外的任意字符, 阅读全文
posted @ 2020-08-05 10:36 seniusen 阅读(111) 评论(0) 推荐(0) 编辑
摘要: 0. 安装及导入 安装 pip install beautifulsoup4 导入 from bs4 import BeautifulSoup 如果选择 lxml 解析器的话还需要安装 pip install lxml,这个解析器的优点是效率更高 1. 访问结构化数据 假设我们有下面这段 HTML 阅读全文
posted @ 2020-08-05 10:32 seniusen 阅读(96) 评论(0) 推荐(0) 编辑
摘要: 1. 摘要 作者设计了一个 QRU3D 块来对高光谱图像进行去噪,其中的 3D 卷积负责提取空间和光谱的结构相关性,而近似循环池化函数则用来捕获光谱方向的全局相关性。 此外,作者还引入了交替方向结构,以消除单向的因果关系,并且无需额外的计算成本。 2. 方法介绍 2.1. QRU3D QRU3D 块 阅读全文
posted @ 2020-04-21 11:16 seniusen 阅读(280) 评论(0) 推荐(0) 编辑
摘要: 1. 摘要 Noise2Noise (N2N) 可以利用一对独立的噪声图片来训练去噪模型,在这里,作者更进一步提出了一个策略 Noise2Void (N2V) ,只利用噪声图像即可。 因此 N2V 可以被应用在一些其它方法不能应用的领域,特别是生物医学图像,在这里干净或者噪声目标图像经常是不可能获取 阅读全文
posted @ 2020-04-21 11:04 seniusen 阅读(767) 评论(0) 推荐(0) 编辑
摘要: 1. 摘要 大量的高光谱数据收集起来比较困难,所以作者提出了一种自监督策略,可以从一张退化图像构建出训练数据来训练一个去噪网络而不需要任何干净数据。 另外,高光谱图像的光谱波段数一般比较多,计算负载较大,因此作者引入深度可分离卷积来实施去噪,既能捕获高光谱图像的结构先验又能减小模型复杂性。 2. 方 阅读全文
posted @ 2020-04-21 10:47 seniusen 阅读(278) 评论(0) 推荐(0) 编辑
摘要: 0. 实验环境 Ubuntu 16.04 Matlab R2015b 1. 借助于 mlab 库 安装方法非常简单,只需一行命令 即可。 在上面的代码中,我们先读入一个图片,然后将其转化为一个 Numpy 数组。接下来,假如我们想通过调用 MATLAB 的 函数来对这幅图像进行 4 倍上采样,那么我 阅读全文
posted @ 2020-01-09 14:27 seniusen 阅读(12711) 评论(1) 推荐(0) 编辑
摘要: 1. 摘要 作者提出了一个前所未有高效的新奇网络结构,称之为 CondenseNet,该结构结合了密集连接性和可学习的分组卷积模块。 密集连接性有利于网络中的特征复用,而可学习的分组卷积模块则可以移除多余的特征复用之间的连接。在测试的时候,训练好的模型可以使用标准的分组卷积来实现,在实际中计算非常高 阅读全文
posted @ 2019-12-16 10:53 seniusen 阅读(425) 评论(0) 推荐(0) 编辑
摘要: 1. 摘要 最近,神经网络的架构设计都是基于计算复杂度的间接度量,比如 FLOPs。然而,直接的度量比如运行速度,其实也会依赖于内存访问和平台特性等其它因素。 因此本文建议直接在目标平台上用直接度量进行测试。基于一系列控制条件实验,作者提出了设计高效网络结构的一些实用指导思想,并据此提出了一个称之为 阅读全文
posted @ 2019-12-16 10:51 seniusen 阅读(461) 评论(0) 推荐(0) 编辑
摘要: 1. 摘要 作者介绍了一种计算非常高效的 CNN 结构称之为 ShuffleNet,它是专门为计算资源非常有限的移动设备设计的。 这种新的结构主要用到了两种操作:分组点卷积(pointwise group convolution )和通道打乱(channel shuffle),这可以极大降低计算代价 阅读全文
posted @ 2019-12-16 10:50 seniusen 阅读(308) 评论(0) 推荐(0) 编辑