深度学习(四十九)——Fast Image Processing, DMN, 图像超分辨率进阶
source link: http://antkillerfarm.github.io/dl/2018/11/01/Deep_Learning_49.html
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
Fast Image Processing
《Fast Image Processing with Fully-Convolutional Networks》
上图是照片界常用的几种修图方式之一。一般将这些图片风格转换的算法,称为图像处理算子(image processing operators)。如何加速image processing operators的计算,就成为了学界研究的课题之一。
本文提出的模型就是用来加速image processing operators计算的。它是Intel Lab的Qifeng Chen和Jia Xu于2017年提出的。
https://github.com/CQFIO/FastImageProcessing
Demo网站:
http://cqf.io/ImageProcessing/
这个课题一般使用MIT-Adobe FiveK Dataset作为基准数据集。网址:
http://groups.csail.mit.edu/graphics/fivek_dataset/
这个数据集包含了5K张原始照片,并雇用了5个专业修图师,对每张图片进行修图。
众所周知,多层神经网络只要有足够的深度和宽度,就可以任意逼近任意连续函数。然而从Fast Image Processing的目的来说,神经网络的深度和宽度注定是有限的,否则肯定快不了。而这也是该课题的研究意义所在。
本文只使用了MIT-Adobe数据集中的原始图片,并使用了10种常用的算子对图片进行处理。因此,该网络训练时的输入是原始图片,而输出是处理后的图片。
上图是本文模型的网络结构图。它的设计特点如下:
1.采用Multi-Scale Context Aggregation作为基础网络。MCA的内容参见《深度学习(十)》中的Dilated convolution一节。
2.传统MCA一般有下采样的过程,但这里由于网络输入和输出的尺寸维度是一样的,因此,所有的feature maps都是等大的。
3.借鉴FCN的思想,去掉了池化层和全连接层。
4.L1~L3主要用于图片的特征提取和升维,而L4~L5则用于特征的聚合和降维,并最终和输出数据的尺寸维度相匹配。
在normalization方面,作者发现有的operators经过normalization之后,精度会上升,而有的精度反而会下降,因此为了统一模型,定义如下的normalization运算:
Ψs(x)=λsx+μsBN(x)
Loss函数为:
l(K,B)=∑i1Ni‖f^(Ii;K,B)−f(Ii)‖2
这实际上就是RGB颜色空间的MSE误差。
为了检验模型的泛化能力,本文还使用RAISE数据集作为交叉验证的数据集。该数据集的网址:
http://mmlab.science.unitn.it/RAISE/
RAISE数据集包含了8156张高分辨率原始照片,由3台不同的相机拍摄,并给出了相机的型号和参数。
Question answering是自然语言处理领域的一个复杂问题。它需要对文本的理解力和推理能力。大部分NLP问题都可以转化为一个QA问题。Dynamic Memory Networks可以用来处理QA问题。DMN的输入包含事实输入,问题输入,经过内部处理形成片段记忆,最终产生问题的答案。
DMN可进行端到端的训练,并在多种任务上取得了state-of-the-art的效果:包括QA(Facebook的bAbI数据集),情感分析文本分类(Stanford Sentiment Treebank)和词性标注(WSJ-PTB)。
http://blog.csdn.net/javafreely/article/details/71994247
动态记忆网络
图像超分辨率进阶
亚像素尺度上对物体进行计数,是一类和超分辨率很相关的CV任务。
https://mp.weixin.qq.com/s/Zp5jlUspiocEZ6CI1cWJZw
深度学习能看到的比你更多,亚像素物体计数方法介绍
https://zhuanlan.zhihu.com/p/266472242
一文带你入门超分网络及其渐进式上采样方法
https://mp.weixin.qq.com/s/xpvGz1HVo9eLNDMv9v7vqg
NTIRE2017夺冠论文:用于单一图像超分辨率的增强型深度残差网络
https://www.zhihu.com/question/25401250
如何通过多帧影像进行超分辨率重构?
https://www.zhihu.com/question/38637977
超分辨率重建还有什么可以研究的吗?
https://zhuanlan.zhihu.com/p/25912465
胎儿MRI高分辨率重建技术:现状与趋势
https://mp.weixin.qq.com/s/i-im1sy6MNWP1Fmi5oWMZg
华为推出新型HiSR:移动端的超分辨率算法
https://mp.weixin.qq.com/s/h4Xzt-aS1_-5zjTB0ypTLg
普通视频转高清:10个基于深度学习的超分辨率神经网络
https://mp.weixin.qq.com/s/WmqagSGRy98USgnz21W3Pg
https://mp.weixin.qq.com/s/oNavFLOPskHNxWIyBbFzHw
WDSR (NTIRE2018 超分辨率冠军)
https://mp.weixin.qq.com/s/AxHTaT-G5_Y6Iw_3aIIxCg
超分辨率技术如何发展?这6篇ECCV 18论文带你一次尽览
https://mp.weixin.qq.com/s/zWoQCKbZNz2td3cZxEsqKQ
腾讯优图提出SRN-DeblurNet:高效高质量去除复杂图像模糊
https://mp.weixin.qq.com/s/eJkkbGBYxWlngkT5gjjW7g
效果惊人:上古卷轴III等经典游戏也能使用超分辨率GAN重制了
https://mp.weixin.qq.com/s/M8gCrQDtjT1lszsxV2QQKg
FSRNet:端到端深度可训练人脸超分辨网络
https://mp.weixin.qq.com/s/fkHfzkHRFpEGc-L4uGlqcg
从网络设计到实际应用,深度学习图像超分辨率综述
https://mp.weixin.qq.com/s/C9Ku4MvU2QuZ_GJcs8FelA
基于深度学习的图像超分辨率最新进展与趋势
https://mp.weixin.qq.com/s/qNHbs2Bd4buVlu0j3Rtj0g
Adobe提出新型超分辨率方法:用神经网络迁移参照图像纹理
https://mp.weixin.qq.com/s/N-kAIK_qMowsFqEtWTqt4w
图像超分辨率重建–工程应用
https://mp.weixin.qq.com/s/JaPYUWvh7RBHVUYgKlTeHw
旷视提出超分辨率新方法Meta-SR:单一模型实现任意缩放因子
https://mp.weixin.qq.com/s/aEu0q04pgXUE1mqAS5kewQ
不用P30 Pro,普通手机也能变身望远镜:陈启峰团队新作,登上CVPR 2019
https://mp.weixin.qq.com/s/CXDzPSSyObPHYc40YictKQ
CVPR 2019 神奇的超分辨率算法DPSR:应对图像模糊降质
https://mp.weixin.qq.com/s/Rr4AKGjZNyV3PDoRBVH-lw
低清视频也能快速转高清:超分辨率算法TecoGAN
https://mp.weixin.qq.com/s/PIq78vhNQxAKntnZilL4pQ
分割、检测与定位,高分辨率网络显神威!这会是席卷深度学习的通用结构吗?
https://mp.weixin.qq.com/s/G55dxHfMYxWzjz4_8YnUaw
深度学习超分辨率最新综述:一文道尽技术分类与效果评测
https://zhuanlan.zhihu.com/p/67613641
基于多级神经纹理迁移的图像超分辨方法(Adobe Research)
https://mp.weixin.qq.com/s/IStOD22WgZ6EBFCvIHkNSg
图像超分辨率网络:RCAN
https://mp.weixin.qq.com/s/4LIq3kZaXgaoEEyb8TQvwg
图像超分辨率重建–AI研究
https://mp.weixin.qq.com/s/ETGPXVDGRHOq0W-ef_q2_A
RankSRGAN:排序学习+GAN用于超分辨率
https://zhuanlan.zhihu.com/p/140507840
图像超分:USRNet
https://mp.weixin.qq.com/s/sju4SYFxzDkJevk3mi68Rw
图像超分辨率网络:EDSR
https://mp.weixin.qq.com/s/uZQK0oQbV7wm0WVz_QxVQg
DRN:用于单图像超分辨率的对偶回归网络
https://mp.weixin.qq.com/s/tE_-gUBmt_0h75CnkViUHA
超分辨率技术:Adobe Photoshop与深度神经网络对比
人脸检测/识别+
https://mp.weixin.qq.com/s/pmnb_WnncL12T1IZoso5DA
DeepID
https://mp.weixin.qq.com/s/kH3-WUX4rc2SaLJcGzVLcQ
如何检测极小人脸?试试超分辨率
https://github.com/ShiqiYu/libfacedetection
libfacedetection算法开源
https://mp.weixin.qq.com/s/DkvQ86tgU4DarsmY_qTLdg
最快人脸检测遇敌手!ZQCNN vs libfacedetection
https://mp.weixin.qq.com/s/PsToV8Z17tRzXW_AbaMNmg
Blazeface人脸检测器
https://mp.weixin.qq.com/s/5ANMZNaR2ayYMUQEJ6aM3w
人脸识别基于通用表示学习
https://mp.weixin.qq.com/s/jrynQZgoljFi6zdVKWo5nw
在浏览器中实现AR试妆
https://mp.weixin.qq.com/s/lr9OVNiIN0x7k4cmNZoCUw
用于人脸检测的SSH算法
https://mp.weixin.qq.com/s/A5-Z6APwS1iFCUgYxtYNyA
重磅!GroupFace人脸识别,刷新9个数据集SOTA
https://mp.weixin.qq.com/s/-VknGwKKY14cT-lZ7sC43A
人脸识别–基于深度学习以人类为中心的图像理解
https://zhuanlan.zhihu.com/p/69542283
人脸防伪检测挑战赛-俄初创公司夺冠,中美企业位列二三
https://mp.weixin.qq.com/s/ROJtk8MSTlHJe-42-f1OYw
部分遮挡下的人脸识别技术
https://mp.weixin.qq.com/s/VOclUEBXnAtmAZmZrzQQoA
面向大规模无标注视频的人脸对齐方法
https://zhuanlan.zhihu.com/p/112140909
基于深度学习的人脸识别方法介绍
https://mp.weixin.qq.com/s/CR4Nf_RklcXA45mswPv8Zw
腾讯优图开源人脸检测算法DSFD,刷新两项数据集纪录
https://mp.weixin.qq.com/s/B8r2YEd9UbKMTT8Tup2Y_w
腾讯(优图)新技术的人脸检测(DSFD)
https://mp.weixin.qq.com/s/iI-q0s8aSojeDFbasiFVKw
人脸检测器:对DSFD的理解
https://zhuanlan.zhihu.com/p/62954487
旷视研究院新出8000点人脸关键点,堪比电影级表情捕捉
https://mp.weixin.qq.com/s/bAlaCWg4OEprpoZqQFQg1w
百度提出PyramidBox人脸检测算法
https://mp.weixin.qq.com/s/CYZvFb7kryE-8HV3teGRzA
有效遮挡检测的鲁棒人脸识别
https://mp.weixin.qq.com/s/XTIl505glmfCItuiwuPLwg
人脸聚类——Linkage Based Face Clustering via GCN
https://mp.weixin.qq.com/s/fpnq3rkcmckip30a4SlysQ
三维人脸识别研究进展综述
https://mp.weixin.qq.com/s/QEUiq5CbASd4eAM6eDPa6A
换脸算法和人脸驱动都有哪些核心技术,如何对其长期深入学习
https://mp.weixin.qq.com/s/ROTKi-Ycm0ypIi0FhCW4Xw
视频人脸识别进展综述
https://mp.weixin.qq.com/s/9d6EhZEdn6XY-wFC22LysQ
最新“深度学习人脸检测”综述论文,17页pdf概述50种人脸检测SOTA方法
https://mp.weixin.qq.com/s/kEZYpPnqJiiLxqH-CIK-Zw
一文读懂3D人脸识别十年发展及未来趋势
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK