随笔分类 - 论文阅读笔记
摘要：一、contribution 提出了一种基于子图的场景图生成方法，该方法具有以下特点： （1）首先，提出了一种自底向上的聚类方法，将图像分解为子图。通过共享子图中的区域表示，我们的方法可以显著减少冗余计算并加快推理速度。此外，较少的表示允许我们使用二维特征图来维护子图区域的空间信息。 （2）其次，提
阅读全文
摘要：，本文的context Encoders需要填补一个大面积的缺失，不能从附近像素中获得提示，需要更深的语义理解，并需要在大空间范围内综合高级特征的能力。 context Encoders以完全无监督的方式训练。图像修复的任务本质上是一个multi-model，有多种方式填补缺失区域同时需要维持和给定
阅读全文
摘要：1、正确答案 2、真实值 3、正确的标注
阅读全文
摘要：1. Thing 事物，东西 ,（词义广泛） 例: What thing is that on the floor? 地板上是什么东西? The first thing to do is have dinner. 第一件事就是吃饭。 2. stuff 材料， 原料，（非正式, 不明事物）东西 例:
阅读全文
摘要：1、流程图： 2、通过用object layout network来预测分割掩码和每个物体的bounding box，从而计算出scene layout场景布局。mask regression network and box regression network 3、在这两个数据集上进行实验：Vis
阅读全文
摘要：什么是正则化？在机器学习中，我们非常关心模型的预测能力，即模型在新数据上的表现，而不希望过拟合现象的的发生，我们通常使用正则化（regularization）技术来防止过拟合情况。正则化是机器学习中通过显式的控制模型复杂度来避免模型过拟合、确保泛化能力的一种有效方式。如果将模型原始的假设空间比作“天
阅读全文
摘要：L1，L2以及Smooth L1是深度学习中常见的3种损失函数，这3个损失函数有各自的优缺点和适用场景。 https://blog.csdn.net/vv___/article/details/116396475?spm=1001.2101.3001.6650.1&utm_medium=distri
阅读全文
摘要：主要包括谱归一化（Spectral Normalization）、截断技巧（Truncation Trick）和正交正则化（orthogonal regularization） 一、创新点： （一） 本文对网络结构进行了两个修改，改善了可扩展性（scalability）；修改了正则化方法（regul
阅读全文
摘要：1、基于原图（source image），模型首先生成场景图，接下来用户对场景图进行修改，通过修改场景图来完成图像的语义编辑，最后模型根据修改的场景图生成新的图片。 2、不需要image对，目标就是通过给定用户一张图结构，用户通过更改节点关系，模型根据新的图结构与原图进行修改获得新图片。 3、给定一
阅读全文
摘要：真实世界中的数据分布可能会有多个样本集中的“波峰”。例如，假设有一个数据集，其中包含澳大利亚中部爱丽丝泉（通常非常热）和南极南极（通常非常寒冷）的夏日温度读数的混合数据。数据的分布是双峰的 - 两个地区的平均温度存在峰值，两者之间存在差距。如上图。现在我们想训练一个产生合理温度值的 GAN。直观地说
阅读全文
