开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

使用nn.fold在pytorch中重叠和添加张量

在PyTorch中，使用nn.fold函数可以实现张量的重叠和添加操作。

nn.fold函数是PyTorch中的一个函数，用于将一个张量按照指定的大小进行重叠和添加操作。具体来说，它将一个多维张量按照指定的大小进行切割，并将切割后的小块张量按照指定的步长进行重叠和添加。

nn.fold函数的参数包括输入张量、输出大小、窗口大小和步长。其中，输入张量是需要进行重叠和添加操作的张量；输出大小是重叠和添加后的张量的大小；窗口大小是每个小块张量的大小；步长是每次移动的步长。

使用nn.fold函数可以实现一些图像处理任务，例如图像超分辨率重建、图像去噪等。在这些任务中，可以将输入图像切割成小块，并对每个小块进行处理，然后将处理后的小块重叠和添加得到最终的输出图像。

腾讯云提供了一系列与深度学习和计算机视觉相关的产品和服务，可以帮助开发者进行模型训练、推理和部署。其中，推荐的产品是腾讯云的AI智能图像处理服务，该服务提供了图像超分辨率重建、图像去噪等功能，可以方便地实现图像处理任务。

更多关于腾讯云AI智能图像处理服务的信息，可以参考腾讯云官方文档：AI智能图像处理

相关搜索:PyTorch:如何使用循环将张量附加到列表中使用另一个张量在二维PyTorch张量中进行索引在keras中添加两个张量在PyTorch中使用张量对多维张量进行索引在pytorch中可视化张量(视频)在pytorch中合并两个张量在Pytorch中按长度对张量列表进行排序在pytorch中采样概率分布的张量在pytorch中重复3d张量的行在pytorch中，从张量中减去标量会产生“不一致的张量大小”

相关搜索:

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

图像恢复SwinIR: Image Restoration Using Swin Transformer

在图像超分辨率、图像去噪、压缩等图像修复（Image restoration）任务中，卷积神经网络目前仍然是主流。但是卷积神经网络有以下两个缺点：

01

PNEN：金字塔结构与Non-local非局部结构联合增强，提升low-level图像处理任务性能

现在，用于low-level图像处理任务的神经网络通常是通过堆叠卷积层来实现的，每个卷积层仅包含来自一个小范围的上下文信息。随着更多卷积层的堆叠，卷积神经网络可以探索更多的上下文特征。但是，要充分利用远距离依赖关系较困难并且需要较多的计算量。由此，本文提出了一种新颖的non-local模块：金字塔non-local模块，以建立每个像素与所有剩余像素之间的连接。所提出的模块能够有效利用不同尺度的低层特征之间的成对依赖性。具体而言，首先通过学习由具有全分辨率的查询特征图和具有缩减分辨率的参考特征图所构成的金字塔结构来捕获多尺度相关性，然后利用多尺度参考特征的相关性来增强像素级特征表示。整个计算过程在同时考虑了内存消耗和计算成本。基于所提出的模块，本文还设计了一个金字塔non-local增强网络用于图像恢复任务中边缘保留的图像平滑处理，在比较三种经典的图像平滑算法中达到了最先进的性能。另外，可以将金字塔non-local模块直接合并到卷积神经网络中，以进行其他图像恢复任务，并可以将其集成到用于图像去噪和单图像超分辨率的现有方法中，以实现性能的持续改善。

02

独家 | 自动编码器是什么？教你如何使用自动编码器增强模糊图像

你还记得胶卷相机的时代吗？冲洗照片是一个神秘的过程，只有摄影师和专业人士才能够驾轻就熟。大多数人的印象中只有弥漫着昏暗红光的暗室。简而言之，冲洗照片是一个耗时的过程。

01

使用《Deep Image Prior》来做图像复原

图像复原是指从退化的图像中恢复未知的真实图像。图像的退化可能出现在图像形成、传输和保存期间。图像复原技术广泛应用于卫星图像和低光摄影。并且由于数字技术、计算和通信技术的发展，从退化的图像中复原出原始的图像变得非常重要，这已经发展成一种与图像处理、计算机视觉以及计算成像相交叉的研究领域。

02

去噪、去水印、超分辨率，这款不用学习的神经网络无所不能

事情是这样的：研究人员们让一个深度卷积网络去学习复制被破坏的图像（例如加入噪点的图像），随后竟发现这个网络可以自行先学会如何重建图像。该研究的论文《Deep Image Prior》已被收录在 CVPR 2018 大会，而 GitHub 则已有 3800 个 star。

03

解密深度图像先验，使用深度图像先验来复原图像

图像恢复是指从退化图像中恢复未知真图像的任务。图像的退化可能发生在图像的形成、传输和存储过程中。这个任务有一个广泛的使用范围，卫星成像，暗光线的摄影，由于数字技术的发展，计算机和通信技术恢复退化图像是非常重要的，因此，这已经演变成一个交叉研究领域，包括图像处理，计算机视觉和计算成像。

03

农作物地块范围识别(图像分割)

向AI转型的程序员都关注了这个号👇👇👇 机器学习AI算法工程公众号：datayx 农作物的资产盘点与精准产量预测是实现农业精细化管理的核心环节。当前，我国正处于传统农业向现代农业的加速转型期，伴随着农业的转型升级，政府宏观决策、社会各界对农业数据的需求不断增加，现有农业统计信息的时效性与质量，已不足以为市场各主体的有效决策提供科学依据。在农作物资产盘点方面，传统的人工实地调查的方式速度慢、劳动强度大，数据采集质量受主观因素影响大，统计数据有较大的滞后性，亟待探索研究更高效准确度更高的农业调查统计技术。

02

VRT : 视频恢复变压器

视频恢复(如视频超分辨率)旨在从低质量帧恢复高质量帧。与单个图像恢复不同，视频恢复通常需要利用多个相邻但通常不对齐的视频帧的时间信息。现有的视频恢复方法主要分为两大类:基于滑动窗口的方法和循环方法。如图 1（a）所示，基于滑动窗口的方法通常输入多个帧来生成单个 HQ 帧，并以滑动窗口的方式处理长视频序列。在推理中，每个输入帧都要进行多次处理，导致特征利用效率低下，计算成本增加。其他一些方法是基于循环架构的。如图 1（b）所示，循环模型主要使用之前重构的 HQ 帧进行后续的帧重构。由于循环的性质，它们有三个缺点。首先，循环方法在并行化方面受到限制，无法实现高效的分布式训练和推理。其次，虽然信息是逐帧积累的，但循环模型并不擅长长期的时间依赖性建模。一帧可能会强烈影响相邻的下一帧，但其影响会在几个时间步长后迅速消失。第三，它们在少帧视频上的性能明显下降。

01

AI绘画专栏stablediffusion 之DemoFusion提升SDXL16倍分辨率

SDXL可以合成分辨率高达 1024×1024 的图像，结合我们本身的放大算法最高可放大到4倍，而 DemoFusion 允许 SDXL 生成 4×、16× 甚至更高分辨率的图像，而无需任何调整和大量内存需求。所有生成的图像均使用单个 RTX 3090 GPU 生成

03

深度学习在图像处理中的应用趋势及常见技巧

链接 | https://zhuanlan.zhihu.com/p/147885624

01

图像超分辨率重建算法，让模糊图像变清晰(附数据和代码)

图像分辨率是一组用于评估图像中蕴含细节信息丰富程度的性能参数，包括时间分辨率、空间分辨率及色阶分辨率等，体现了成像系统实际所能反映物体细节信息的能力。相较于低分辨率图像，高分辨率图像通常包含更大的像素密度、更丰富的纹理细节及更高的可信赖度。但在实际上情况中，受采集设备与环境、网络传输介质与带宽、图像退化模型本身等诸多因素的约束，我们通常并不能直接得到具有边缘锐化、无成块模糊的理想高分辨率图像。提升图像分辨率的最直接的做法是对采集系统中的光学硬件进行改进，但是由于制造工艺难以大幅改进并且制造成本十分高昂，因此物理上解决图像低分辨率问题往往代价太大。由此，从软件和算法的角度着手，实现图像超分辨率重建的技术成为了图像处理和计算机视觉等多个领域的热点研究课题。

05

【技术综述】一文道尽传统图像降噪方法

图像预处理算法的好坏直接关系到后续图像处理的效果，如图像分割、目标识别、边缘提取等，为了获取高质量的数字图像，很多时候都需要对图像进行降噪处理，尽可能的保持原始信息完整性（即主要特征）的同时，又能够去除信号中无用的信息。

03

A Comparison of Super-Resolution and Nearest Neighbors Interpolation

随着机器视觉和深度卷积神经网络(CNNs)被应用于新的问题和数据，网络架构的进步和这些网络的应用都得到了快速的发展。然而，在大多数分类和目标检测应用中，图像数据是这样的，感兴趣的对象相对于场景来说是很大的。这可以在最流行的公共基准数据集ImageNet、VOC、COCO和CIFAR中观察到。这些数据集和它们对应的挑战赛继续推进网络架构比如SqueezeNets, Squeeze-and-Excitation Networks, 和 Faster R-CNN。对于DigitalGlobe的WorldView-3卫星将每个像素表示为30平方厘米的区域的卫星数据。在这些场景中，在大于3000x3000的场景中像汽车这样的物体通常是13x7像素或更小。这些大型场景需要预处理，以便在现代目标检测网络中使用，包括将原始场景切割成更小的组件用于训练和验证。除此之外，在停车场和繁忙的道路等区域，车辆等物体往往位于较近的位置，这使得车辆之间的边界在卫星图像中难以感知。缺乏公共可用的标记数据也阻碍了对这个应用程序空间的探索，只有xView Challenge数据集拥有卫星捕获的带有标记对象的图像。等空中数据集分类细粒度特性在空中图像(COFGA),大规模数据集在空中图像(队伍),对象检测和汽车开销与上下文(COWC)也有类似的对象类,但存在一个较低的地面样本距离(德牧)使他们更容易获得良好的对象检测结果,但限制了实际应用。考虑到将CNNs应用于卫星数据所面临的挑战，将升级作为预处理步骤对实现准确探测目标的良好性能至关重要。深度学习的进步导致了许多先进的体系结构可以执行升级，在低分辨率图像上训练网络，并与高分辨率副本进行对比验证。尽管关于这一主题的文献越来越多，但超分辨率(SR)在目标检测和分类问题上的应用在很大程度上还没有得到探索，SR与最近邻(NN)插值等也没有文献记载。SR网络作为卫星图像中目标检测的预处理步骤，具有良好的应用前景，但由于其深度网络包含数百万个必须正确训练的参数，因此增加了大量的计算成本。与SR不同的是，NN仍然是最基本的向上缩放方法之一，它通过取相邻像素并假设其值来执行插值，从而创建分段阶跃函数逼近，且计算成本很小。

03

【深度学习 | CNN】“深入解析卷积神经网络与反卷积：从生活案例到原理的全面指南” （从一维、二维、三维讲解） | 技术创作特训营第一期

🙋‍♂️声明：本人目前大学就读于大二，研究兴趣方向人工智能&硬件（虽然硬件还没开始玩，但一直很感兴趣！希望大佬带带）

03

Deep Image Prior——图像恢复入门

图像恢复是指从其劣质图像中恢复未知真实图像的任务。图像损耗可能在图像形成，传输和存储期间发生。该任务广泛的用于卫星成像，低光摄影。由于数字技术的进步，计算和通信技术从退化图像恢复清晰图像非常重要。

04

PyTorch专栏（十三）：使用ONNX将模型转移至Caffe2和移动端

【磐创AI 导读】：本篇文章讲解了PyTorch专栏的第四章中的使用ONNX将模型转移至Caffe2和移动端。查看专栏历史文章，请点击下方蓝色字体进入相应链接阅读。查看关于本专栏的介绍：PyTorch专栏开篇。想要更多电子杂志的机器学习，深度学习资源，大家欢迎点击上方蓝字关注我们的公众号：磐创AI。

01

基于AI的超分辨技术在RTC领域的技术难点与挑战

大家好，我是袁振，现在就职于网易云信，主要负责视频后处理算法的开发和研究。今天我将和大家分享AI驱动的超分辨技术应用现状，主要是结合我之前的研究方向，以及当前的业务需求，来向大家分享一下基于深度学习的超分技术在RTC领域落地应用所面临的一些机遇和挑战。

00

机器学习-09-图像处理01-理论

懂业务+会选择合适的算法+数据处理+算法训练+算法调优+算法融合 +算法评估+持续调优+工程化接口实现

01

SRCNN：基于深度学习的超分辨率开山之作回顾

本文提供了与SRCNN论文的总结和回顾，如果你对于图像的超分辨率感兴趣，一定要先阅读这篇论文，他可以说是所有基于深度学习的超分辨率模型的鼻祖

02

SRCNN：基于深度学习的超分辨率开山之作回顾

来源：DeepHub IMBA本文约1800字，建议阅读5分钟本文将介绍CNN 如何用于单图像超分辨率（SISR）。本文提供了与SRCNN论文的总结和回顾，如果你对于图像的超分辨率感兴趣，一定要先阅读这篇论文，他可以说是所有基于深度学习的超分辨率模型的鼻祖。卷积神经网络通常用于分类，目标检测，图像分割等与某些与图像有关的问题中。在本文中，将介绍CNN 如何用于单图像超分辨率（SISR）。这有助于解决与计算机视觉相关的各种其他问题。在CNN出现之前，传统的方法是使用最近邻插值、双线性或双三次插值等上采

01

基于深度卷积神经网络的图像超分辨率重建（SRCNN）学习笔记

目前，单幅图像的超分辨率重建大多都是基于样本学习的，如稀疏编码就是典型的方法之一。这种方法一般先对图像进行特征提取，然后编码成一个低分辨率字典，稀疏系数传到高分辨率字典中重建高分辨率部分，然后将这些部分汇聚作为输出。以往的SR方法都关注学习和优化字典或者建立模型，很少去优化或者考虑统一的优化框架。为了解决上述问题，本文中提出了一种深度卷积神经网络（SRCNN），即一种LR到HR的端对端映射，具有如下性质： ①结构简单，与其他现有方法相比具有优越的正确性，对比结果如下： ②滤波器和层的数量适中，即使在CPU上运行速度也比较快，因为它是一个前馈网络，而且在使用时不用管优化问题； ③实验证明，该网络的复原质量可以在大的数据集或者大的模型中进一步提高。本文的主要贡献：（1）我们提出了一个卷积神经网络用于图像超分辨率重建，这个网络直接学习LR到HR图像之间端对端映射，几乎没有优化后的前后期处理。（2）将深度学习的SR方法与基于传统的稀疏编码相结合，为网络结构的设计提供指导。（3）深度学习在超分辨率问题上能取得较好的质量和速度。图1展示了本文中的方法与其他方法的对比结果：

02

VDSR、DRRN、LapSRN、RCAN、DSRN…你都掌握了吗？一文总结超分辨率分析必备经典模型（二）

机器之心专栏本专栏由机器之心SOTA！模型资源站出品，每周日于机器之心公众号持续更新。本专栏将逐一盘点自然语言处理、计算机视觉等领域下的常见任务，并对在这些任务上取得过 SOTA 的经典模型逐一详解。前往 SOTA！模型资源站（sota.jiqizhixin.com）即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。本文将分 3 期进行连载，共介绍 16 个在超分辨率分析任务上曾取得 SOTA 的经典模型。第 1 期：SRCNN、DRCN、FSRCNN、ESPCN、SRGAN、RED

01

预训练图像处理Transformer

预训练模型能否在视觉任务上复刻在自然语言任务中的成功？华为诺亚方舟实验室联合北京大学、悉尼大学、鹏城实验室提出底层视觉 Transformer，使用 ImageNet 预训练，在多项视觉任务上达到 SOTA。

02

头疼！卷积神经网络是什么？CNN结构、训练与优化一文全解

卷积神经网络（Convolutional Neural Networks, CNN）的复杂性和灵活性使其成为深度学习领域的核心研究主题之一。在本引言部分中，我们将深入探讨CNN的历史背景、基本原理、重要性以及其在科学和工业领域的影响。

02

ICCV 2019 最佳论文《SinGAN：从单张自然图像学习生成式模型》中文全译

作者 | Tamar Rott Shaham Technion、Tali Dekel Google Research 、Tomer Michaeli Technion

02

寻找下一款Prisma APP：深度学习在图像处理中的应用探讨

在9月23日到9月24日的MDCC 2016年中国移动者开发大会“人工智能与机器人”专场中，阿里云技术专家周昌进行了题为《寻找下一款Prisma APP：深度学习在图像处理中的应用探讨》的演讲。演讲中，他主要介绍深度学习在图像处理领域中的应用，主要内容包括：传统的图像处理：如超分辨、灰度图彩色化、2D/3D转换等；图像/视频风格化；图像生成。

03

AI绘画中UNet用于预测噪声

在AI绘画领域中，UNet是一种常见的神经网络架构，广泛用于图像相关的任务，尤其是在图像分割领域中表现突出。UNet最初是为了解决医学图像分割问题而设计的，但其应用已经扩展到了多种图像处理任务。

01

SRCNN、DRCN、FSRCNN、ESPCN、SRGAN、RED…你都掌握了吗？一文总结超分辨率分析必备经典模型（一）

机器之心专栏本专栏由机器之心SOTA！模型资源站出品，每周日于机器之心公众号持续更新。本专栏将逐一盘点自然语言处理、计算机视觉等领域下的常见任务，并对在这些任务上取得过 SOTA 的经典模型逐一详解。前往 SOTA！模型资源站（sota.jiqizhixin.com）即可获取本文中包含的模型实现代码、预训练模型及 API 等资源。本文将分 3 期进行连载，共介绍 16 个在超分辨率任务上曾取得 SOTA 的经典模型。第 1 期：SRCNN、DRCN、FSRCNN、ESPCN、SRGAN、RED 第

07

CVPR 2022 | Restormer：高分辨率图像恢复的高效Transformer

由于卷积神经网络（CNN）在从大规模数据中学习可概括的图像先验方面表现良好，因此这些模型已被广泛应用于图像恢复和相关任务。最近，另一类神经架构Transformers在自然语言和高级视觉任务上表现出显着的性能提升。虽然Transformer模型减轻了CNN的缺点（即，有限的接收场和对输入内容的不适应性），其计算复杂度随着空间分辨率二次增长，因此使得其不可行地应用于涉及高分辨率图像的大多数图像恢复任务。

01

音视频技术开发周刊 | 271

每周一期，纵览音视频技术领域的干货。新闻投稿：contribute@livevideostack.com。 ---- 「最终延期通知」LiveVideoStackCon 2022 音视频技术大会北京站亲爱的LiveVideoStack伙伴们：感谢大家一直以来对LiveVideoStackCon 2022 音视频技术大会北京站活动的关注与支持。受到目前各地疫情爆发情况及进京健康宝弹窗的影响，根据国务院最近联防联控机制，为保证大会各方参与人员的参会体验，本次活动最终召开时间定于2022年12月9日-1

02

农作物地块范围识别（图像分割）

来源：机器学习AI算法工程、知乎@Now more本文约5500字，建议阅读15分钟本文为你介绍以薏仁米作物识别以及产量预测为比赛命题，及对对应获奖的开发算法模型。农作物的资产盘点与精准产量预测是实现农业精细化管理的核心环节。当前，我国正处于传统农业向现代农业的加速转型期，伴随着农业的转型升级，政府宏观决策、社会各界对农业数据的需求不断增加，现有农业统计信息的时效性与质量，已不足以为市场各主体的有效决策提供科学依据。在农作物资产盘点方面，传统的人工实地调查的方式速度慢、劳动强度大，数据采集质量受主观因素

02

可生成高清视频的Stable Diffusion来了！分辨率提升4倍，超分算法来自腾讯，支持Colab在线试玩

明敏发自凹非寺量子位 | 公众号 QbitAI 免费玩的Stable diffusion，又出新变种了！古典人像丝滑切换，还都是4倍超分辨率水平，细节也就多了亿点点吧，眉毛发丝都根根分明。还能从一盘草莓意大利面，丝滑变成一份蓝莓面。这就是最近在推特上火了Stable Diffusion视频版2.0. 它能够通过Real-ESRGAN进行上采样，让生成画面达到4倍超分。要知道，之前Stable Diffusion生成的图像如果想要高清，还得自己手动提升分辨率。现在直接二合一，在谷歌Co

02

ICCV2023 | SRFormer：基于置换自注意力的图像超分辨率

先前的工作已经表明，增加基于Transformer的图像超分辨率模型的窗口大小（例如，SwinIR）可以显著提高模型性能，但计算开销也相当大。

01

来看看深度学习如何在文娱行业“落地”

👆点击“博文视点Broadview”，获取更多书讯深度学习伴随着大数据与云计算技术的崛起而快速发展起来，并在计算机视觉、语音等感知领域迅速取得成功。相对于传统机器学习，深度学习的算法设计更加灵活，可以显著提升针对感知类问题的效果。随着算力及分布式工程能力的进一步提升，深度学习的参数规模越来越大。可以说，参数越多，模型对知识的理解就越深刻。而深度学习模型也从传统的针对单一任务，比如文本识别、物品识别、语音识别等，向多任务处理发生转移，我们称这种一个模型可以同时处理文本识别与理解、图片识别与理解，实现跨领

02

基于 CNN 的视频压缩预处理研究

有损压缩通过变换和量化技术证明了其在视频压缩中的效率的同时，也表明其会带来量化错误问题。为了补偿这一误差，许多研究者开发了滤波技术，比如去块滤波、样本自适应偏移以及基于维纳的滤波。更进一步的，最近的编码标准将滤波技术应用于环内也取得了图像质量实质上的提高。目前，大部分的滤波技术集中在环路内，作为预处理的滤波还没有被广泛用于有损视频压缩，尤其是最近的视频编码标准 HEVC 和 VVC 中。少部分研究者根据视频压缩标准，基于传统的信号处理技术来进行预处理以提高视频质量，这样做复杂度低但是效率有限。

05

Transformer 和扩散模型的生成式 AI 实用指南（预览版）

在 2020 年末，一个名为扩散模型的鲜为人知的模型类别开始在机器学习领域引起轰动。研究人员找出了如何使用这些模型生成比以前技术产生的合成图像质量更高的图像。随后出现了一系列论文，提出了改进和修改，进一步提高了质量。到 2021 年底，出现了像 GLIDE 这样的模型，展示了在文本到图像任务上令人难以置信的结果，几个月后，这些模型已经进入了主流，如 DALL-E 2 和 Stable Diffusion 等工具，使任何人都可以通过输入所需看到的文本描述来生成图像。

01

ICCV 2019 最佳论文《SinGAN：从单张自然图像学习生成式模型》中文全译

作者 | Tamar Rott Shaham Technion、Tali Dekel Google Research 、Tomer Michaeli Technion

03

技术解码 | 视频云全链路媒体处理解决方案

随着近几年视频行业的爆发增长，各个业务场景对视频处理的需求越来越高。本周的技术解码就由段争志老师带大家一起探秘腾讯云视频云全链路媒体处理解决方案中的关键技术。近几年视频行业喷井式爆发，短视频APP、社交媒体、电商带货、直播会议、线上教育等等各种泛媒体类应用大规模增长的同时，人们对高清/超高清、低延时、高画质的需求也越来越强烈。腾讯云视频云依托自身多年的视频技术的积累以及众多业务应用的落地优化实践，不断完善自身产品体系，优化性能，结合用户业务场景不断创新，提供一整套集视频质检、画质修复增强、编码、

02

深度学习在图像处理的应用一览

计算机视觉的底层，图像处理，根本上讲是基于一定假设条件下的信号重建。这个重建不是3-D结构重建，是指恢复信号的原始信息，比如去噪声。这本身是一个逆问题，所以没有约束或者假设条件是无解的，比如去噪最常见的假设就是高斯噪声。

02

图像拼接

图像拼接技术是计算机视觉和数字图像处理领域中一个研究的重点。图像拼接是指将描述同一场景的两张或者多张有重叠区域的图像,通过图像配准和图像融合技术拼接成一幅大场景全新图像的过程。

02

逼真复刻「完美中国情侣」！加强版Stable Diffusion免费体验，最新技术报告出炉

报告地址： https://github.com/Stability-AI/generative-models/blob/main/assets/sdxl_report.pdf

01

PyTorch 深度学习实用指南：6~8

生成网络得到了加州理工学院理工学院本科物理学教授理查德·费曼（Richard Feynman）和诺贝尔奖获得者的名言的支持：“我无法创造，就无法理解”。生成网络是拥有可以理解世界并在其中存储知识的系统的最有前途的方法之一。顾名思义，生成网络学习真实数据分布的模式，并尝试生成看起来像来自此真实数据分布的样本的新样本。

02

绕不开的模型部署？不怕，我们手把手教你学会！

OpenMMLab 的算法如何部署？是很多社区用户的困惑。而模型部署工具箱 MMDeploy 的开源，强势打通了从算法模型到应用程序这 "最后一公里"！

04

CVPR 2023 | 图像超分，结合扩散模型/GAN/部署优化，low-level任务，视觉AIGC系列

基于Transformer的方法在低级别视觉任务中，如图像超分辨率，表现出了令人印象深刻的性能。Transformer的潜力在现有网络中仍未得到充分发挥。为了激活更多的输入像素以实现更好的重建，提出了一种新的混合注意力Transformer(HAT)。它同时结合了通道注意力和基于窗口的自注意力方案，从而充分利用了它们各自的优势，即能够利用全局统计和强大的局部拟合能力。

01

PyTorch 人工智能基础知识：6~8

生成对抗网络（GAN）是一种机器学习技术，其中同时训练两种模型：一种专门用于创建伪造数据，另一种专门用于区分真实数据和伪造数据。真实数据。术语生成反映了以下事实：这些神经网络用于创建新数据，而术语对抗来自以下事实：两个模型相互竞争，从而提高了生成的数据的质量。

01

CVPR 2020 算法竞赛大盘点

CVPR 2020 已经公布了大多数workshop的细节，与这些workshop对应的还有很多计算机视觉算法比赛，这些比赛代表着或新兴、或实用、或有趣、或被忽略的研究方向。

02

如何让摄像头变成“暗夜之眼”？英特尔开发了一套基于FCN的成像系统

【AI科技大本营导读】手机拍照的重要性不必多说，不论是国外的苹果、三星，还是国内的华为、小米，都在提升拍照性能上下足了功夫，目前的手机摄像头已经逐渐从单摄走向双摄，甚至开始尝试三摄。

03

深度学习经典网络解析：2.AlexNet

在上篇深度学习经典网络解析（一）：LeNet-5中我们提到，LeNet-5创造了卷积神经网络，但是LeNet-5并没有把CNN发扬光大，是CNN真正开始走进人们视野的是今天要介绍的——AlexNet网络。AlexNet网络源自于《ImageNet Classification with Deep Convolutional Neural Networks》这篇论文。作者是是Hinton率领的谷歌团队（Alex Krizhevsky，Ilya Sutskever，Geoffrey E. Hinton），Hinton在上一篇博客我们也曾介绍过，他是深度学习之父，在人工智能寒冬时期，Hinton一直就默默地坚持深度网络的方向，终于在2006年的《Science》上提出了DNN，为如今深度学习的繁荣奠定了基础。AlexNet利用了两块GPU进行计算，大大提高了运算效率，并且在ILSVRC-2012竞赛中获得了top-5测试的15.3%error rate，获得第二名的方法error rate 是 26.2%，可以说差距是非常的大了，足以说明这个网络在当时给学术界和工业界带来的冲击之大。

03

使用GPU云服务器对图像或视频进行超分辨率

下载完成后得到这样的一个文件夹和一个bat文件。双击“启动SAE.bat”来启动SAE。

07

学界 |「极简机器学习」，从少量数据中学习精确特征的卷积神经网络

选自Berkeley Lab 作者：Jon Bashor 机器之心编译参与：李诗萌、刘晓坤机器学习模型通常依赖于大量训练数据，所以在很多领域中难以施展拳脚。近日，伯克利实验室 CAMERA 的研究

05

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭