首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    【2022新书】超大规模集成电路: 信号、语音和图像处理的VLSI体系结构

    来源:专知本文为书籍介绍,建议阅读5分钟在本文中,我们将深入讨论tsfresh包的使用。 这个新卷介绍了各种VLSI(非常大规模集成)的DSP滤波器、语音滤波器和图像滤波器架构,详细介绍了它们的关键应用,并讨论了VLSI设计、模型和架构中使用的不同方面和技术,以及更多。该卷探讨了主要的挑战,旨在开发紧凑和准确的实时硬件架构设计。 超大规模集成电路的知识对于理解当今工程的硬件前景是必要的。它是通过将数百万个MOS晶体管集成到一个芯片上来创建集成电路的过程,这是需要高效、无误和低功耗算术运算的手持便携式电池驱动

    04

    深度学习系列(二)卷积神经网络模型(从LeNet-5到Inception V4)

    卷积神经网络上目前深度学习应用在图像处理和自然语言处理的非常具有代表性的神经网络,其经历了不断的优化发展,性能越来越强。在图像处理、计算机视觉领域的应用包括图像特征提取、目标分类、目标分割、目标识别等。相比于传统的神经网络需要将一定的特征信息作为输入,卷积神经网络可以直接将原始图像或经过预处理之后的图像作为网络模型的输入,一个卷积神经网络通常包括输入输出层和多个隐藏层,隐藏层通常包括卷积层和RELU层(即激活函数)、池化层、全连接层和归一化层等。卷积神经网络中有三个基本的概念:局部感受野(Local Receptive Fields)、共享权值(Shared Weights)、池化(Pooling)。 (1)局部感受野。对于全连接式的神经网络,图像的每一个像素点连接到全连接的每一个神经元中,造成大量的计算量,而卷积神经网络则是把每一个卷积核的点只连接到图像的某个局部区域,从而减少参数量。 (2)共享权值。在卷积神经网络的卷积层中,神经元对应的权值是相同的,由于权值相同,因此可以减少训练的参数量。 (3)池化。类似于人的视觉观察物体原理,关注点由大到小,首先输入图像往往都比较大,在卷积过程中通过不断提取特征,并且经过池化操作来对图像进行缩小,同时提取低阶和高阶的抽象特征信息。 卷机的原理和各种卷积的变种在之前的文章里提过。(深度学习系列(一)常见的卷积类型)

    03

    基于深度学习的语义分割技术总览

    用卷积神经网络分类(全卷积网络FCN),与普通CNN网络不通的是,FCN的分类层是卷积层,普通网络为全连接层。方法介绍如下:  最近的语义分割架构一般都用卷积神经网络(CNN)为每个像素分配一个初始类别标签。卷积层可以有效地捕捉图像中的局部特征,并以层级的方式将许多这样的模块嵌套在一起,这样 CNN 就可以试着提取更大的结构了。通过一系列卷积捕捉图像的复杂特征,CNN 可以将一张图的内容编码为紧凑表征。  但为了将单独的像素映射给标签,我们需要将标准 CNN 编码器扩展为编码器-解码器架构。在这个架构中,编码器使用卷积层和池化层将特征图尺寸缩小,使其成为更低维的表征。解码器接收到这一表征,用通过转置卷积执行上采样而「恢复」空间维度,这样每一个转置卷积都能扩展特征图尺寸。在某些情况下,编码器的中间步骤可用于调优解码器。最终,解码器生成一个表示原始图像标签的数组。

    02

    AI降维打击人类画家,文生图引入ControlNet,深度、边缘信息全能复用

    机器之心报道 机器之心编辑部 通过「添加额外条件」来控制扩散模型,斯坦福大学最新的一项研究让图生图效果更上了一层楼。 随着大型文本 - 图像模型的出现,生成一幅吸引人的图像已经变得非常简单,用户需要做的就是动动手指输入简单的 prompt 就可以。通过一系列操作得到图像后,我们不免又会产生这样几个问题:基于 prompt 生成的图像能够满足我们的要求吗?我们应该构建怎样的架构来处理用户提出的各种要求?在特定任务中,大型模型是否还能保持从数十亿张图像中获得的优势和能力? 为了回答这些问题,来自斯坦福的研究者

    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
    领券