Deep Learning for image Super-resolution: a Survey

本篇论文是2019年2月份,发表在arxiv上的篇关于超分辨率的一篇综述。这篇文章系统且全面的介绍了一些基于深度学习的超分辨率方法。其中包括:

  • 超分辨率问题的定义 (problem setting)
  • benchmark datasets
  • 性能评价指标 (performance metrics)
  • 基于深度学习的超分辨率方法
  • 特定领域的超分辨率应用 (domain-specific application)

此外作者对比每个超分辨率方法,指出了网络的优点以及局限。最后对该领域的一些开放性问题(open issuse) 以及挑战提出了未来研究的方向。

阅读全文

一些提升效率的方法

在word或ppt中插入公式

  1. 使用mathpix snipper工具,从截图中获取latex公式。

阅读全文

xigua-支持向量机

支持向量机主要目的在于找到 一个位于两类训练样本的正中间,该分界面对样本的局部扰动的鲁棒性最好。通过该分界面能够最大限度的对数据进行分类。

阅读全文

xigua-神经网络

“神经网络是具有适应性的简单单元组成的广泛,并行互连的网络,能够模拟生物神经系统对真实世界物体所作出的交互反应。”

阅读全文

19/7/2019 preview

welcome to my blog,enter password to read.

阅读全文

前缀树🌲:trie

前缀树是一种存储数据的树形结构。是一种高效的检索字符串的方法,是一种多叉树的结构。它的插入与删除的效率比较高,时间复杂度为O(m).

阅读全文

xigua:决策树

决策树是一类常见的机器学习算法,决策过程是基于树的结构进行的。叶子结点对应了树的决策结果,子节点对应了属性的测试(例如西瓜的颜色)。决策树的最终目的是产生一棵泛化能力强的树。

阅读全文

xigua:线性模型(linear model)

线性模型形式简单,易于建模,具有很好的解释性质。

阅读全文

Something about keras

PART I : keras progress

    阅读全文

    RetinaNet 原理记录

    RetinaNet作为一个one stage 的检测算法,通过对图片进行网格划分。在每个feature上选取anchor,然后对这些anchor进行边框回归以及类别的回归。

    阅读全文