摘要：
Sitzmann V., Martel J. N. P., Bergman A. W., Lindell D. B., Wetzstein G. Implicit neural representations with periodic activation functions. Advances 阅读全文
摘要：
Martins P., Marinho Z. and Martins A. \(\infty\)-former: Infinite Memory Transformer. arXiv preprint arXiv:2109.00301, 2021. 概 在transformer中引入一种长期记忆机制 阅读全文
摘要：
Shi J. and Malik J. Normalized cuts and image segmentation. In IEEE Transactions on Pattern Analysis and Machine Intelligence. 概 在Digital Image Prepro 阅读全文
摘要：
Hyv"{a}rinen A. Estimation of Non-Normalized Statistical Models by Score Matching. Journal of Machine Learning Research, 2005. 概 我们常常会建模如下的概率模型: \[ p( 阅读全文
摘要：
Gonzalez R. C. and Woods R. E. Digital Image Processing (Forth Edition). 单个像素的意义其实很小, 于是有了superpixel的概念, 即一簇pixels的集合(且这堆pixels共用一个值), 这会导致图片有非常有趣的艺术风 阅读全文
摘要：
本来想偷懒不记录的, 但是这个Hough Transform实在是有趣. 通过Canny算法等将edge的大体部分检测了出来, 但是往往这些检测出来的点并不是连续的, 那么怎么才能将这些点合理地连接在一起呢? 这个Hough Transform就可以做到这一点. 首先需要明确的一点是, 我们应该将怎 阅读全文
摘要：
Kernel Density (KD) Feinman R., Curtin R. R., Shintre S. and Gardner A. B. Detecting Adversarial Samples from Artifacts. arXiv preprint arXiv:1703.004 阅读全文
摘要：
Gonzalez R. C. and Woods R. E. Digital Image Processing (Forth Edition) 符号 即 操作 说明 \(\ominus\) erosion \(\{z:(B)_z \subset A\}\) Erodes the boundary o 阅读全文
摘要：
[TOC] ## Linux [Linux-命令-Lucifer三思而后行](https://blog.csdn.net/m0_50546016/article/details/119984255?utm_medium=distribute.pc_feed_v2.none-task-blog-hot 阅读全文
摘要：
Pang T., Zhang H., He D., Dong Y., Su H., Chen W., Zhu J., Liu T. Adversarial training with rectified rejection. arXiv Preprint, arXiv: 2105.14785, 20 阅读全文
摘要：
Sermanet P., Eigen D., Zhang X., Mathieu M., Fergus R., LeCun Y. OverFeat:integrated recognition, localization and detection using convolutional netwo 阅读全文
摘要：
Fourier Transform 基本的定义 严格来说, 傅里叶变换是Schwartz space 上的一一映射, 对于$L^1$, 即可积函数我们都可以找到其对应的傅里叶变换. 符号 定义 傅里叶变换: \(\hat{f}(u)\) \(\int_{-\infty}^{+\infty} f(t) 阅读全文
摘要：
Gonzalez R. C. and Woods R. E. Digital Image Processing (Forth Edition) Coding Redundancy 假设一个图片$f(x, y)$其大小为$M \times N$, 我们可以估计其密度函数: \[ p_r (r_k) = 阅读全文
摘要：
目标 首先, 既然是变换, 那么就是从一个域到另一个域, 即如下: \[ f(x) = \sum_k c_{j_0} (k) \varphi_{j_0, k} (x) + \sum_{j=j_0}^{\infty} \sum_k d_j (k) \psi_{j, k}(x), \\ c_{j_0} 阅读全文
摘要：
Gonzalez R. C. and Woods R. E. Digital Image Processing (Forth Edition) 基本 酉变换 一维的变换: \[ \mathbf{t} = \mathbf{A} \mathbf{f}, \\ \mathbf{f} = \mathbf{A 阅读全文
摘要：
Gonzalez R. C. and Woods R. E. Digital Image Processing (Forth Edition) 基本 酉变换 一维的变换: \[ \mathbf{t} = \mathbf{A} \mathbf{f}, \\ \mathbf{f} = \mathbf{A 阅读全文
摘要：
Gonzalez R. C. and Woods R. E. Digital Image Processing (Forth Edition) 概 除了我们熟悉的RGB模式来表示图片, 还有其他很多种图片表示方式. 其实我现在很想要知道的一点是, 神经网络会对不同的表示会有不同的反应吗? 定义 RG 阅读全文
摘要：
Leino K., Wang Z. and Fredrikson M. Globally-robust neural networks. In International Conference on Machine Learning (ICML), 2021. 概 本文是一种可验证的鲁棒方法, 并且 阅读全文
摘要：
Bai Y., Zeng Y., Jiang Y., Xia S., Ma X., Wang Y. Improving adversarial robustness via channel-wise activation suppressing. In International Conferenc 阅读全文
摘要：
Signals, Systems and Inference, Chapter 11: Wiener Filtering (mit.edu) 基本 在图像处理的时候, 遇到了这个维纳滤波, 其推导的公式不是很理解, 于是上网查了查, 并做个简单的总结. 符号 说明 \(x[k]]\) 观测信号$x$ 阅读全文