-
deep learning tutorial notes">deep learning tutorial notes
教材«deeplearning»的读书笔记. 对于Chapter 9, 除了做笔记外, 还对部分地方做了扩展(主要来自于博客[2]), 如: 在 卷积函数的几个变体 中补充了分组卷积, 混洗分组卷积, 逐点分组卷积, 但笔记的整体结构仍然和教材对应, 最后, 单独做了一节Chapter 9 supplementary materials来对Chapter 9的笔记做一个补充.目录 Chapter 9. Convolutional Networks Chapter 9 suppleme...…
-
Archive2
定期存档目录 IOS项目涉及到的开发知识(20180510) PC工程配置相关知识(20180710) IPC(20180806) $\alpha$-Blending(20180829) 练习list(20181101) 工作中涉及到的操作 conda and virtualbox Keras相关的经验 Tensorflow Lasagne conda and virtualbox 深度学习开发环境IOS项目涉及到的开发知识20180510 1. ios工程配置相...…
-
基于压缩感知的MRI(入门帖)
目录 核磁共振成像 压缩传感理论 压缩感知在静态成像上的应用 总结 待梳理 Reference核磁共振成像 从本质上来讲, 核磁共振成像(MRI)是用硬件的方法实现傅立叶变换, 因此对人体扫描得到的是相应的频域数据(k-space data), 对采集得到的数据做逆傅立叶变换就得到了医生诊断所需的空间域图像, 流程如图所示: \[图1. 成像原理\] MRI的好处就不说了, 这里提一下其缺点, 进而引出这个研究方向的意义. MRI的主要缺点为: 扫描时间长(几分钟) 扫...…
-
EFC-CRF和CRF-RNN
本文是在预研图像语义分割时所做的笔记, 主要对比分析了EFC-CRF(2011-Efficient Inference in Fully Connected CRFs with Gaussian Edge Potentials)和CRF-RNN(2015-Conditional Random Fields as Recurrent Neural Networks). 首先, 介绍传统方法EFC-CRF, 接着, 通过EFC-CRF的高效inference—mean-field-appr...…
-
预研checklist
目录 图、超图 语音情绪识别初步搜索结果 VR图、超图Keywords: Laplacian Eigenmapping Normalized cut Locality Preserving Projections LDA, PCA Graph Embedding Sparse Representation-based Projectionps: 去”cai deng homepage“找代码语音情绪识别初步搜索结果简述: 从语音中识别出说话人的情绪状态是一个模式识别问题,...…
-
ADMM-net MRI和GAN-sr
目录 简介 ADMM-net-CS-MRI GAN-sr 存疑点 待梳理 Reference简介 核磁共振成像(Magnetic Resonance Imaging——MRI)问题和超分辨率(Super Resolution——SR)问题比较接近, 即inverse problem. 所以本文对比调研了深度学习方法在这两个问题上的应用, 目的在于: 通过对一些具有代表性的方法的探讨, 了解深度学习在inverse problem上的进展.ADMM-net-CS-MRI De...…
-
人脸对齐方法总结
本文对人脸对齐涉及到的一些方法进行总结, 并在最后介绍我在这个任务上的一些工作.目录 CNN在人脸对齐上的应用 我的工作 待梳理 ReferenceCNN在人脸对齐上的应用2014-Facial Landmark Detection by Deep Multi-task Learning(TCDCN) TCDCN将人脸标记点检测任务与其他相关任务(related tasks)联合起来一起优化. TCDCN构造了一个task-constrained loss function来...…
-
机器视觉
机器视觉 本文是阅读Berthold Horn写的«Robot Vssion»中文版所做的笔记, 目的在于系统的复习下计算机视觉方面的基础知识, 因此文章内容可能掺杂着作者的理解.2018年 9月 1日 星期六 17时27分38秒 CST 图像处理: 图像处理使用的技术大部分来自于线性系统理论. 图像处理所产生的新图像可能经过了: 噪声抑制、去模糊、边缘增强. 模式分类: 对模式进行分类. 所谓模式可以理解成 特征. 这里面可玩的东西就比较多了, 比如: 分类器的设计(建模)、特征工...…
-
Effective TCP/IP Programming
这本书是读中文版Effective TCP/IP Programming所做的读书笔记Effective TCP/IP Programming Introduction network basises will searchIntroduction一、基本的Socket API回顾 通过socket系统调用获得一个socket, 系统调用函数的参数如下:domain: AF_INET用于网络 AF_LOCAL用于IPCtype(套接字类型): SOCK_STREAM: 可靠、...…
-
Effective C++
Here is my notes about the book Effective C++.Effective C++ Introduction Accustoming Yourself to C++ TODO confuse me ReviewIntroduction Declaration:tells compilers about the name and type of something, but it omits certain details. si...…
-
Notes of C traps and pitfalls
Here is my notes about the book C traps and pitfalls_.C traps and pitfalls Token Declarations Linkage Semantic Pitfalls Library Functions The Preprocessor Portability Pitfalls Good cases for me ReviewTokenLexical += are two tokens. ...…
-
无约束极值问题的解法
目录 梯度下降(Gradient Descent—GD) 共轭方向法(Conjugate Direction—CD) 共轭梯度法(Conjugate Gradient—CG) 变尺度法(Variable Metric Method—DFP) 总结 Reference 本文是关于求解的, 也是自己对求解方面知识的一次总结. 文章主要介绍了无约束极值问题的一些常用方法, 同时也是CNN这篇文章中Hessian Free Optimization的补充材料. 本文借助教材« 运筹学...…
-
FGR审稿意见总结
目录 评判的几个方面 肯定的地方 详细意见 总结评判的几个方面: 技术创新(Technical novelty) 新知识(Contributing new scientific knowledge) 论文质量(Quality of presentation)肯定的地方: 创新性-现有做法都是对时间相关性进行跟踪，本文方法是对其进行检测详细意见:REVIEW 1: 论文质量: 结构不好；语言问题(打字错误; 重复的章节名字:section C and section C.2...…
-
TTS初步调研
Convolutional Sequence to Sequence learning这是一篇做机器翻译的文章Abstract: sequence to sequence学习的比较流行的策略是: 通过rnn来将一个序列映射到一个变长的输出序列 我们引进了一个CNN架构 相比于Recurrent Model(循环模型)，CNN可以： ...…
-
Archive1
定期存档目录 FFT 数字信号处理&信号与系统[common sense] 定点计算 语音信号处理 通信 工具、ndk、android C++ and C opencv 人脸 IdeaFFT对于fft, fftshift等常规操作的理解: \[图1. fft, fftshift\]从右侧看长的一样, 但是从左侧看, 根据视觉的判断显然知道左侧的数据不一样(经过shift后是一样的), 并且由于傅里叶变换是一对一的变换, 所以可以知道右侧数据是不同的. 同理如下图...…
-
MRI传统方法总结
目录 SENSE RIGR 待梳理 ReferenceSENSE理论: SENSE成像由两部构成, 第一步: 预采样以得到所有相控阵线圈的低分辨率全FOV 图像$S_i, i \in $ { $1, 2,…, N_c $ }, 然后利用下面公式得到每个线圈敏感度的估计:\[C_j(x, y) = \frac{S_j(x, y)}{\sqrt{\sum_{j=1}^{N_c}S_j(x, y)^2}}\tag{1}\]分母为各个线圈得到的地分辨率全FOV图像的均方. 第二步: 利用...…
