SERU需求分析是由徐峰老师于08年提出的一种以业务为驱动，实践为载体的需求分析体系。个人认为是一种理论最大化应用到实际业务中的方式：把传统的分析方法与建模理论应用到实际业务中，再对业务中的场景和问题结合uml,rup分析的方法进行业务建模，具体问题抽象化找到最佳的解决路径。有时候很多产品人在分析需求的时候只是凭一些逻辑分析的方法，通过几个原型就去规划信息系统或app的架构正是缺少需求理论分析的表
转载
2024-10-08 11:42:41
35阅读
前言：本文大水文一篇，大神请绕道。在正文之前，首先假设读者都已经了解SVM（即支持向量机）模型。 1. introduction libsvm是台湾大学林智仁(Chih-Jen Lin)教授于2001年开发的一套支持向量机的工具包，可以很方便地对数据进行分类或者回归分析。使用时，只需要把训练数据按照它的格式打包，然后直接喂进去训练即可。我这里的数据是保存在mat文件的，数据怎么导入这里略去不说（
转载
2024-03-27 05:35:12
81阅读
基于插值的图像超分辨算法文章目录基于插值的图像超分辨算法@[TOC](文章目录)一、最近邻插值算法二、双线性插值法1.灰度图2.彩色图三、双三次插值法最近邻插值算法（python）双线性插值算法（python）双三次插值算法（python）基于插值的超分辨率重建方法是通过使用插值函数来估计待插入的像素点的取值。具体来说，先根据已知点的位置、待插值点的位置以及插值函数来计算各个已知点的权重，然后根据
1. introduction考虑了一个卷积神经网络，它可以直接学习低分辨率和高分辨率图像之间的端到端映射。我们的方法与现有的基于外部实例的外部方法有根本的不同，因为我们的方法没有明确地学习字典[41]、[49]、[50]或流形[2]、[4]。这些都是通过隐藏层隐式地实现的。此外，斑块的提取和聚合也被表示为卷积层，因此也参与了优化。在我们的方法中，整个SR管道完全通过学习获得，很少进行预/后处理。
转载
2024-03-30 21:33:17
144阅读
图像超分辨率重建：指通过低分辨率图像或图像序列恢复出高分辨率图像。高分辨率图像意味着图像具有更多的细节信息、更细腻的画质。这些细节在高清电视、医学成像、遥感卫星成像等领域有着重要的应用价值。【分辨率不是图像的大小！】 本篇是一篇非常经典的超分辨率技术，在深度学习或卷积神经网络(CNN)中，通常使用CNN进行图像分类，目标检测等。在SRCNN中，它被用于单幅图像的超分辨
转载
2024-03-25 17:24:15
147阅读
1.这篇论文的主要假设是什么？（在什么情况下是有效的），这假设在现实中有多容易成立 LR图像是HR图像经过模糊（低通滤波器），下采样，加噪处理后的图像。2.在这些假设下，这篇论文有什么好处3.这些好处主要表现在哪些公式的哪些项目的简化上。4.这一派的主要缺点有哪些 1.神经网络的计算速度却决于输入图像的尺寸。由于卷积层是在HR空间中，计算复杂度大2.插值法仅仅是将尺寸放大，并没有带来解决不适定
转载
2024-04-22 22:06:21
70阅读
1.论文概述1.SRCNN算是深度学习在图像超分辨率领域的开山之作。虽然这篇论文年代比较久远了，但是仍然值得一读。（看到论文的作者是何凯明大佬没？） 2.在这篇论文中，作者提出了一种单图像超分辨率的深度学习方法。该方法直接学习低\高分辨率图像之间的端到端映射。SRCNN将低分辨率图像作为输入并输出高分辨率图像。 3.作者提出的方法共同优化了所有的网络层结构（而传统的方法是分别处理每个组件），并且作
转载
2024-07-01 16:27:51
101阅读
本文分析注释的源码链接为：https://github.com/tegg89/SRCNN-Tensorflow 环境搭建参考其README.mdSRCNN训练阶段流程分析: SRCNN测试阶段流程分析:main.pyfrom model import SRCNN
from utils import input_setup
import numpy as np
import tensorflow
转载
2024-08-08 09:26:40
114阅读
@Author：Runsen上次介绍了Faster-RCNN模型，那么今天就开始训练第一个Faster-RCNN模型。本文将展示如何在水果图像数据集上使用Faster-RCNN模型。这是我目前见到RCNN最好的教程数据集来源：https://www.kaggle.com/mbkinaci/fruit-images-for-object-detection由于很多对象检测代码是相同的，并且必须编写，
转载
2024-07-17 15:31:36
244阅读
RCNN是利用深度学习来进行目标检测的开山之作，在此之前，主要是利用人工提取的具有鲁棒性的特征，如HOG，SIFT等。下面先简单介绍一下HOG。1. HOG Pyramid特征金字塔，对不同大小的物体进行适应，设计尺度不变性特征HOG特征->SVM分类2.DPM模型 Deformable Part Model加组件的HOG特征，组件之间计算弹性得分，优化可变形参数 如果没有弹性距离
转载
2024-05-29 11:34:57
46阅读
图像超分图像超分辨率问题定义：输入一张低分辨率图像时（low resolution，LR），通过算法，输出一张高分辨率图像（highresolution，HR） 传统的图像插值算法可以在某种程度上获得这种效果，但是效果并不理想，比如（1）最近邻插值：将图像中的原像素点最邻近像素的灰度值赋给原像素点的方法。（2）双线性插值：利用图像中虚拟点四周的四个真实存在的像素值来共同决定虚
这篇文章是2014年的一篇论文，其主要意义在于作者推出的SRCNN是深度学习在超分上开篇之作！SRCNN证明了深度学习在超分领域的应用可以超越传统的插值等办法取得较高的表现力。参考目录： ①深度学习图像超分辨率开山之作SRCNN（一）原理分析 ②深度学习端到端超分辨率方法发展历程 SRCNN1 SRCNN简介2 SRCNN模型结构3 Loss function：4 实验4.1 setup4.2 实
转载
2024-04-16 10:03:19
121阅读
论文笔记 [5] Learning a Deep Convolutional Network for Image Super-Resolutionemmm……这篇文章就是在那篇做deblocking和deringing的文章中提到的，仍然是大佬汤晓鸥等做的深度CNN超分辨率的网络，就是SRCNN。这篇文章给出了一个端到端的，进去低分辨率出来高分辨率。并且说明了传统的sparse coding的SR
转载
2024-03-29 20:13:15
54阅读
文章目录Faster RCNN学习目标研究背景图像处理三大任务RCNNSPP net （Spatial Pyramid Pooling）1.特征2.ResNet+SPPnet代码如下：3.改进RCNN：a.R-CNN的整个过程：b.SPP-Net整个过程：Fast RCNN1.RCNN的缺陷2.Fast R-CNN优点：3.核心：Faster RCNN的历史意义 Faster RCNN学习目标1
转载
2024-07-16 07:25:31
60阅读
文章目录整体框架网络模型数据集训练 整体框架SR，即super resolution，即超分辨率。CNN相对来说比较著名，就是卷积神经网络了。从名字可以看出，SRCNN是首个应用于超分辨领域的卷积神经网络，事实上也的确如此。所谓超分辨率，就是把低分辨率(LR, Low Resolution)图片放大为高分辨率(HR, High Resolution)的过程。由于是开山之作，SRCNN相对比较简单
转载
2024-06-27 18:03:05
74阅读
本文主要复现对RMN论文进行复现，论文链接如下：RMN1、前言该实验数据基于最佳关联映射的持续学习论文（解决灾难性遗忘与记忆）进行复现2、基本概念灾难性遗忘（CF）：通常用来定义人工神经网络在新信息存在时无法保留旧信息。灾难性记忆（CR）：指人工神经网络在顺序学习过程中突然失去区分新旧数据任务的能力。3、待解决问题由于人工神经网络存在灾难性遗忘问题，即接触新的任务信息时，无法保留原有旧的任务信息，
论文名称：《 R-FCN：object detection via region-based fully convolutional networks 》论文下载：http://papers.nips.cc/paper/6465-r-fcn-object-detection-via-region-based-fully-convolutional-networks.pdf论文代码：https://
作者：张燚钧，单位：中国移动云能力中心最近，谷歌研究团队提出了 Imagic 模型，其具备基于文本对图像进行编辑的能力，效果堪比 PS。这种融合文本和图像的多模态模型在近几年发展迅猛，DALLE、DALLE-2、Imagen 等多模态模型层出不穷。如图1所示，目前这些多模态模型生成图像的成像效果已经非常清晰、逼真。一些游戏厂商已经尝试使用文本生成图像技术生成二次元图像，插画师这一职业甚至在未来会被
今天学习了一下稀疏编码，自己做点笔记，SRC算法就是利用训练样本数据和测试样本数据之间的关系找到一个稀疏矩阵，本质就是寻找这样一个矩阵，即一个稀疏的、超完备基向量集,来覆盖我们的输入数据空间。若Xi表示第i类的训练样本，大小为d*li，d为特征维数，li为样本数量。将所有类别（K类）的训练样本组合成一个矩阵为D=[X1 ... Xi ... XK]，大小为d*l。对于任意一个测
目录1. RRC重建介绍2. UE重建发起时机及操作3. 重建消息传输信道4. 重建流程解析4.1 UE设置并发送RRCReestablishmentRequest4.2 gNB接收RRCReestablishmentRequest4.3 UE接收RRCReestablishment5. T311和T301定时器到期操作 前言：无线网络总有信号不稳定的时候，如果每次无线链路失败或者切换失败均要从
转载
2024-07-18 12:29:01
85阅读
