我目前的项目是对物体在各种成像过程中的模糊/卷积效果进行建模。现在,我要从一个初步的,人工的模型开始。我正在使用Keras来完成这一任务。在128 x 128的图像中,我以随机位置上的一组圆圈来创建人工理想数据。然后,我有一个例程,它以这些圆圈的坐标和大小作为输入,并在相同的位置用椭圆替换圆圈。我试图训练一个卷积神经网络来执行这个函数的逆函数,即用椭圆作为输入读取图像,然后用圆圈代替它们。我通过将这两种图像类型与</
我有一个卷积的自动编码器模型。虽然自动编码器通常侧重于在不使用任何标签信息的情况下重构输入,但我希望使用类标签来执行类在卷积后的条件缩放/移位。我很好奇,以这种方式使用标签是否有助于产生更好的重建。something of shape (None,14,14,32)
# Essentially each 14x14x1 has it's own scalar multiplier
我读过许多关于卷积神经网络用于超分辨率或图像分割或自动编码器等的论文。他们在不同的问题中使用了不同类型的上采样、aka反卷积和here上的讨论。Here在Tensorflow中有一个函数Here在Keras中有一些 我实现了Keras one: x = tf.keras.layers.UpSampling1D(size=2)(x) 我用的是从一个超分辨率的repo here上偷来的 class S