深流引导的视频修复
| | |
安装与要求
该代码已在pytorch = 0.4.0和python3.6上进行了测试。 请参阅requirements.txt以获取详细信息。
或者，您可以使用提供的运行它。
安装python软件包
pip install -r requirements.txt
安装flownet2模块
bash install_scripts.sh
配件
此仓库中包含三个组件：
视频修复工具：DFVI
提取流程：FlowNet2（由修改）
图像修复（从重新实现）
用法
要使用我们的视频修复工具删除对象，建议将帧放置在xxx/video_name/frames ，并将每个帧的遮罩放置在xxx/video_name/masks 。 并且请从下载演示和模型权重的资源。 包含帧和蒙版的示例演示已放入演示中，运行以下命令将获得结果：
python tools/v
2024-03-16 12:27:39
47.03MB
1
fir带通滤波器matlab代码使用G_best引导的布谷鸟搜索算法高效设计FIR滤波器
这项工作是我的本科论文的一部分。
抽象的：
此存储库提供了使用G最佳引导的杜鹃搜索（GCS）算法的有限冲激响应（FIR）滤波器的有效设计。
为了减少传统的Cuckoo搜索算法（CSA）中的参数依赖性以及在滤波器设计问题中更好地搜索最佳系数，在所建议的GCS中对CSA方法进行了一些修改，这导致与Cuckoo搜索算法的收敛速度显着提高。最佳解决方案。
在这里，已经使用GCS
，
CSA和人工蜂群（ABC）算法为Type1和Type
2
FIR设计了低通和带通滤波器。
结果：
从GCS，CSA和ABC的图形和统计观察（）中可以看出，
GCS在收敛速度，执行时间和过滤器响应方面均超过了竞争对手。
此外，使用建议的GCS开发的滤波器获得的阻带衰减（As）和通带纹波（Rp）远远优于使用CSA，ABC或Parks
and
McClellan（PM）方法设计的滤波器。
一项平均研究表明，对于较低阶的LPF（类型1和类型2的阶次均小于40），GCS显示As升高9.23％
，Rp降低26.05％
。
对于更高阶的LP
2023-03-13 20:37:17
1.6MB
1
引导扩散
这是的代码库。
该存储库基于 ，并针对分类器调节和架构改进进行了修改。
下载预训练模型
我们已经发布了论文中主要模型的检查点。 在使用这些型号之前，请查看相应的以了解这些型号的预期用途和限制。
以下是每个模型检查点的下载链接：
64x64 分类器：
64x64 扩散：
128x128 分类器：
128x128 扩散：
256x256 分类器：
256x256 扩散：
256x256 扩散（非类条件）：
512x512 分类器：
512x512 扩散：
64x64 -> 256x256 上采样器：
128x128 -> 512x512 上采样器：
LSUN 卧室： lsun_bedroom.pt
LSUN猫： lsun_cat.pt
LSUN 马： lsun_horse.pt
LSUN 马（无辍学）： lsun_horse_nodropout.pt
2023-03-05 10:26:29
54KB
1
自导网络快速图像去噪
SGN的PyTorch实现以及给定噪声范围的估计PSNR
训练
我在Python 3.6和PyTorch 1.0环境上训练了此SGN。 培训策略与论文相同。 您可以使用以下脚本对自己的数据进行训练（请注意，您需要修改数据集路径）：
cd SGN
python train.py or sh zyz.sh
测验
我使用ILSVRC2012验证集对4个NVIDIA TITAN Xp GPU进行了培训，并在1个TITAN Xp GPU上进行了测试。 详细信息显示在代码train.py 。 该演示来自SGN的ILSVRC2012验证集（mu = 0，sigma = 30，batchsize = 32、1000000次迭代）。
左：干净的图像（从COCO2014验证集中选择，COCO_val2014_000000264615.jpg）
中：加性高斯噪声+清晰图像
右
2022-12-15 22:52:09
2.47MB
1
提出了一种简单而有效的自我引导学习方法，即挖掘丢失的关键信息。具体来说，通过对标注的支持图像进行初始预测，将覆盖和未覆盖的前景区域分别用掩码GAP编码为主支持向量和辅助支持向量。通过主支持向量和辅助支持向量的融合，对查询图像获得了较好的分割性能。在我们的1 shot 分割自我引导模块的启发下，我们提出了一个多次分割的交叉引导模块，其中最终混合使用来自多个带注释的样本的预测，高质量的支持向量贡献更多，反之亦然。该模块改进了推理阶段的最终预测，无需再训练。大量实验表明，我们的方法在pascal -5i和coco -20i数据集上都实现了新的最先进的性能。
2022-09-23 21:05:29
3.72MB
1
具有自适应时间特征分辨率的3D CNN
CVPR 2021论文的源代码： 。 即将推出！ 敬请关注！
@inproceedings{sgs2021,
Author = {Mohsen Fayyaz, Emad Bahrami, Ali Diba, Mehdi Noroozi, Ehsan Adeli, Luc Van Gool, Juergen Gall},
Title = {{3D CNNs with Adaptive Temporal Feature Resolutions}},
Booktitle = {{The IEEE Conference on Computer Vision and Pattern Recognition (CVPR) }},
Year = {2021}
}
2022-09-22 11:32:26
5KB
1
可以直接运行的梯度域引导图滤波Gradient Domain Guided Image Filtering MATLAB源码
2022-09-14 16:15:40
1.09MB
1
kaiming He 的guided image filtering 对应的opencv代码。在jj574435561的基本做了重整理，简化了用法。
2022-06-09 01:01:12
5KB
1
Region Proposal by Guided Anchoring论文介绍 PPT，介绍论文中Anchor的生成机制
2022-05-31 09:25:25
2.48MB
1
1、 训练数据准备
所有数据均放置于Sample\Build\下，其中Build为数据类型，根据自己需要进行修改，本示例数据为512*512大小GF2建筑，训练数据按照:
Sample\Build\train\ IMG_T1
-----------------------\ IMG_LABEL
-----------------\val\ IMG_T1
-----------------------\IMG_LABEL
2、 训练参数设置
参数和运行皆在dp0_train.py中，主要参数包括：
（1） num_epochs，训练批次
（2） learning_rate，学习率
（3） dataset，步骤一自己构建的数据集名称
（4） band，输入数据通道数（波段数）
（5） n_class, 模型输出通道数（类别）
3、 训练模型位置
模型结构放与net文件中，生成模型文件pt位于Checkpointspath\
4、 预测使用
填写参数
Checkpointspath，模型位置名称
Dataset，待预测数据文件夹
Outputpath，输出数据文件夹
2022-05-07 22:08:11
526.95MB
1