多尺度梯度残差去马赛克算法

Mesh Gradients! Pure color!

计算方向梯度直方图，使用matlab实现，基于经典论文Histograms of Oriented Gradients for Human Detection

人体检测梯度方向直方图 Histograms of Oriented Gradients for Human Detection

共轭梯度法计算线性方程组的解 使用迭代方法解大规模线性方程组

成像和计算机视觉中的逆问题通常作为数据保真度优化问题来解决，其中包括 H1 或 TV（总变异）等数据正则化器以呈现问题的适定性。 然而，虽然已知 H1 正则化会产生过度平滑的重建，但 TV（或 ROF）模型是保留特征的，但会引入阶梯伪影。 Sochen、Kimmel 和 Malladi (1998) 引入的几何衍生的 Beltrami 框架在特征保留和避免楼梯伪影之间提供了理想的折衷方案。 到目前为止，Beltrami 正则化器的主要限制因素之一是缺乏真正有效的优化方案。 在这里，我们从最有效的 TV 优化方法之一开始，原始对偶投影梯度，并将其应用于 Beltrami 泛函。 这样做，我们在基本灰度去噪问题上获得了比 ROF 去噪更好的性能，然后将该方法扩展到更复杂的问题，如修复、去卷积和颜色情况，所有这些都以一种简单的方式。 与最先进的 TV/ROF 正则化器相比，使用所提出的原始对

NGBoost：用于概率预测的自然梯度提升 ngboost是一个Python库，实现了“自然梯度增强”，如。 它建立在，旨在针对适当的评分规则，分布和基础学习者的选择进行扩展和模块化。 在此可以对NGBoost的基本方法进行详尽的介绍。 安装 via pip pip install --upgrade ngboost via conda-forge conda install -c conda-forge ngboost 用法 波士顿住房数据集上的概率回归示例： from ngboost import NGBRegressor from sklearn . datasets import load_boston from sklearn . model_selection import train_test_split from sklearn . metrics import mean_squared_error X , Y = load_boston ( True ) X_train , X_test , Y_train , Y_test = train_test_split

定向直方图HOG：此算法计算图像局部区域中梯度方向的出现并在图像中可视化

[2005 CVPR] Histograms of Oriented Gradients for Human Detection 用于人体检测的方向梯度直方图 Navneet Dalal，Bill Triggs

对抗性示例混淆了的梯度 对抗性示例是攻击者故意设计的机器学习模型的输入，该模型会导致模型出错。 它们就像是机器的光学错觉。 如果防御“没有有用的梯度”来生成对抗性示例，则称其会引起梯度掩蔽。 这里介绍了针对该主题的入门方法的论文，以及为对抗性示例建立辩护的一种可能方法。