Machine-Deep-Learning
Machine-Deep-Learning copied to clipboard
lartpang
:wave: ML/DL学习笔记（基础+论文）
> > > 这篇论文主要基于closed form matting和KNN matting两种方法，利用CNN，以两种方法输出和RGB图像一起作为神经网络的输入，从而达到融合局部和非局部方法。论文声称是第一次将深度学习用于自然图像抠图。 Motivation 论文的动机主要来源于local methods的closed form matting和unlocal methods的KNN matting。文中较大篇幅在分析两种方法，这里也借此机会学习一下有代表性的传统方法。 closed form matting 封闭式表面抠图假定局部颜色分布遵循color line model，其中局部窗口内的颜色可以表示为两种颜色的线性组合。基于这个假设，Levin导出了matting Laplacian，证明了前景的alpha matte可以在没有明确估计前景和背景颜色的情况下以封闭的形式求解。从那以后，matting Laplacian被广泛地用作正则化来增强估计的alpha matte和其他应用的平滑性。该方法的优点是参数少，多数图像满足color line model的假设；不足就是假设失效的情况也是比较多的。 KNN matting KNN抠图属于非局部抠图，其目标是通过允许alpha值在非局部像素中传播来解决matting Laplacian的局限性。类似于closed...
论文-显著性
chrome-extension://ikhdkkncnoglghljlkmcimlnlhkeamad/pdf-viewer/web/viewer.html?file=https%3A%2F%2Farxiv.org%2Fpdf%2F1411.5878.pdf https://arxiv.org/search/advanced?advanced=&terms-0-operator=AND&terms-0-term=saliency&terms-0-field=abstract&terms-1-operator=AND&terms-1-term=review&terms-1-field=abstract&classification-physics_archives=all&classification-include_cross_list=include&date-filter_by=all_dates&date-year=&date-from_date=&date-to_date=&date-date_type=submitted_date&abstracts=show&size=50&order=-announced_date_first
overfeat的框融合的策略，感觉和r-cnn的基于iou的策略有些相似。 > https://www.cnblogs.com/zf-blog/p/6740736.html > 对2000×20维矩阵中每列按从大到小进行排序； > 从每列最大的得分建议框开始，分别与该列后面的得分建议框进行IoU计算，若IoU>阈值，则剔除得分较小的建议框，否则认为图像中存在多个同一类物体； >  > match_score(b1 ,b2)使用两个边界框的中心之间的距离和框的交叉区域之和来计算匹配分数，当它大于某个阈值时算法停止;