- 综合排序
- 最热优先
- 最新优先
- 来自专栏EmoryHuang's Blog
HED 和 RCF 图像边缘检测
此外也将对另一个基于 HED 的网络，RCF 网络进行探究，对其进步之处进行分析。 RCF 通过自动学习将所有卷积层的信息组合起来，从而能够获得不同尺度的更加精细的特征。 RCF 网络架构 RCF 基于 HED 网络，与 VGG16 相比，RCF 主要做了如下修改： 与 HED 相同，RCF 去掉了最后一个池化层和之后的全连接层，形成了全卷积网络。 RCF 损失函数 与 HED 的做法类似，由于图像中边缘像素点和非边缘像素点的数量差异往往很大，需要计算正负样本之间的损失，RCF 对 HED 中的损失函数进行了改进，加入了阈值 η\etaη，若某个像素为边缘像素的概率小于阈值 RCF 与 HED 的区别 HED 方法与 RCF 方法最大的区别在于以下两个方面： HED 方法只考虑了 VGG16 网络每个阶段最后一个卷积层的特征，丢失了很多信息；而 RCF 网络充分考虑了 VGG16
1.7K20编辑于 2022-10-31 - 来自专栏时空探索之旅
【论文精读】NeurIPS 2024[Spotlight] | CycleNet：通过建模周期模式增强时间序列预测
RCF的有效性 为了研究RCF的有效性，在两个具有显著周期性的复杂数据集（电力和交通）上进行了全面的消融实验。结果如表4所示。 其次，进一步验证了RCF是否可以提升现有模型的预测准确性，因为RCF本质上是一种即插即用的灵活技术。 即便对于已经采用经典移动平均的STD技术的DLinear，RCF也能提供约20%的改进。这进一步表明了RCF的有效性和可移植性。 这一现象的主要原因是交通数据集中存在极值点，可能影响RCF的作用，因为RCF原理上是学习训练集中的历史平均周期表示。在附录C。5中对此现象进行了深入分析，并提出了一系列改善RCF技术的潜在方向。 此外，当 设置不正确时，模型的表现几乎与完全不使用RCF时相同。这表明即使在最坏情况下，RCF也不会带来显著的负面影响。
84210编辑于 2024-11-19 - 来自专栏菩提树下的杨过
java:集合的自定义多重排序
public String toString() { 37 return airport + "/" + fsuCode; 38 } 39 40 } 原始数据： [法兰克福/RCF , 法兰克福/DLV, 成都/DEP, 成都/RCS, 上海/DEP, 上海/RCF] 业务规则： 航站排序规则：成都 -> 上海 -> 法兰克福 FSU排序规则：RCS -> RCF -> TFD -> DEP -> DLV 要求排序后变成下面这样： [成都/RCS, 成都/DEP, 上海/RCF, 上海/DEP, 法兰克福/RCF, 法兰克福/DLV] java代码： 1 package ; 23 airportDic.put("法兰克福", 3); 24 25 fsuDic.put("RCS", 1); 26 fsuDic.put("RCF <FSUData> target = new ArrayList<FSUData>(); 33 34 target.add(new FSUData("法兰克福", "RCF
2.1K10发布于 2018-09-20 - 来自专栏计算机视觉战队
更丰富的卷积特征用于目标边缘检测（文末附有论文及源码下载）
在此基础上，提出了一种充分利用CNN特征的新深层结构-更丰富的卷积特征(RCF)，以图像对图像的方式对边缘检测进行像素级预测。 RCF可以自动学习将来自CNN的所有层的互补信息组合起来，从而能够获得不同尺度上的目标价或目标部件的精确表示。 3 亮点 RCF将所有卷积特征封装成更有区分性的表示，从而很好地利用了丰富的特征层次结构，并且可以通过反向传播进行训练。RCF充分利用对象的多尺度和多层次信息，全面地进行图像到图像的预测。 通过将RCF边缘应用于经典图像分割，验证了该方法的通用性。 RCF 借鉴了现有工作HED、FCN并开始VGG-16网络。VGG-16网络由13个Conv层和3个全连接层组成。 通过这种方式，初步版本首先证明了多尺度测试仍然有利于边缘检测，尽管RCf本身能够。
70010编辑于 2022-01-25 - 来自专栏计算机视觉战队
更丰富的卷积特征用于目标边缘检测
在此基础上，提出了一种充分利用CNN特征的新深层结构-更丰富的卷积特征(RCF)，以图像对图像的方式对边缘检测进行像素级预测。 RCF可以自动学习将来自CNN的所有层的互补信息组合起来，从而能够获得不同尺度上的目标价或目标部件的精确表示。 亮点 ? RCF将所有卷积特征封装成更有区分性的表示，从而很好地利用了丰富的特征层次结构，并且可以通过反向传播进行训练。RCF充分利用对象的多尺度和多层次信息，全面地进行图像到图像的预测。 通过将RCF边缘应用于经典图像分割，验证了该方法的通用性。 RCF ? 借鉴了现有工作HED、FCN并开始VGG-16网络。VGG-16网络由13个Conv层和3个全连接层组成。 图 RCf的一些可视化案例 表 不同融合的结果 ? ? ? 图 在不同数据集上边缘检测的评估PR曲线 ?
1.2K30发布于 2019-07-19 - 来自专栏机器学习炼丹术
轮廓检测论文解读 | Richer Convolutional Features| CVPR | 2017
其中有HED的五个side output的特征图，下图是RCF论文中的图： ? 我们从这两个图的区别中来认识RCF相比HED的改进，大家可以看一看图。 揭晓答案： HED是豹子的图片，但是RCF是两只小鸟的图片（手动狗头） HED中的是side output的输出的特征图，而RCF中是conv3_1,conv3_2，这意味着RCF似乎把每一个卷积之后的输出的特征图都作为了一个 1 模型结构 RCF的backbone是VGG模型： ? RCF网络最后的输出，是由5个side output融合产生的，因此你这个RCF的输出也应该把大于 的考虑为positive，然后小于 的考虑为negative。 class RCF(nn.Module): def __init__(self): super(RCF, self).
1K10发布于 2021-01-05 - 来自专栏量子位
南开大学开源新图像分割算法，刷新精度记录 | 资源
方法介绍 简单来说，研究人员提出一种利用RCF（richer convolutional features）的精准边缘检测器，还能通过反向传播进行训练。 在广泛使用的图像分割数据集BSDS500上进行基准测试时，这个算法在ODS（固定轮廓阈值）情况下，F值达到0.811；在评估速度为30FPS（每秒帧率）情况下，RCF OSD F值达到0.806，达到了比较好的结果 在研究人员提出这种RCF架构，输入任意大小的图像，就能输出相同大小的边缘映射图。 研究人员将所有来自卷积层的层次特征组合成一个整体框架，其中所有参数均可自动学习多尺度和多水平的特征，检测边缘信息。 先改变原始图像的大小构建一组图像金字塔（image pyramid），将这些图像输入到RCF网络进行前向传递。 mmcheng.net/zh/rcfedge/ 论文全文： http://mftp.mmcheng.net/Papers/19PamiEdge.pdf 代码地址： https://github.com/yun-liu/rcf
1.1K30发布于 2018-12-06 - 来自专栏AI科技大本营的专栏
南开大学提出最新边缘检测与图像分割算法，精度刷新记录（附开源地址）
在本文中，我们提出了一种使用更丰富的卷积特征（Richer convolution features, RCF）的精准边缘检测方法。 RCF 方法将所有卷积特征封装成一种更具判别性的表达，这样就可以很好地利用丰富的特征层次结构，并且该方法也可以通过反向传播进行训练。 RCF 方法充分利用目标的多尺度和多级信息来实现图像到图像（image-to-image）的预测。 此外，快速版的 RCF 方法取得了 0.806 分和 30 FPS 的速度。为了证明所提出方法的多功能性，我们还将 RCF 检测的边缘应用于图像分割问题。 ? 然后将这些多尺度图像输入到 RCF 网络中进行正向传递。接着，我们使用双线性插值将结果边缘检测图恢复为原始大小。对这些边缘图进行简单平均计算就可以输出高质量边缘图。
1.6K10发布于 2018-12-06 - 来自专栏单细胞天地
心肌梗死后心脏成纤维细胞中胶原三螺旋重复序列(CTHRC1)的重要作用
因此，将这些细胞命名为修复性心脏成纤维细胞(RCF)。 其它加分项 RCF反应的分子调控特征 利用公开可用的ChIP-seq数据集来鉴定其结合模式在RCF基因附近富集的TF，确定了几个TF，如SOX9和SMAD3。 RCF的一些顶端标记基因也显示出SOX9的结合基序。 分析发现Sox9在培养的CF中过表达诱导23%的RCF特征(28个基因，FC>1.5 p值<0.05)，与CF激活的经典调节因子TGF-β(33个基因，FC>1.5 p值<0.05)孵养CF后观察到的反应相似 对7dpi的Ctrc1-KO心脏(4,189个细胞)的scRNA-seq分析显示，与WT小鼠相比，RCF样细胞的百分比增加 文章小结 鉴定并描述了小鼠心肌梗死后出现的独特的心脏成纤维细胞（CF）亚群，
50711编辑于 2023-12-14 - 来自专栏机器学习、深度学习
CNN边缘检测--Richer Convolutional Features for Edge Detection
Richer Convolutional Features for Edge Detection CVPR2017 Caffe：https://github.com/yun-liu/rcf 本文针对边缘检测问题 ，基于 VGG16 网络设计了一个 richer convolutional features (RCF) 用于边缘检测，效果目前是很好的。 3 Richer Convolutional Features (RCF) 3.1. Network Architecture 网络结构思路很简单啊 ? ? 而 RCF 使用了所有的卷积层信息 2） 我们设计了新的损失函数，不考虑有争议的边缘点计算 3） 多尺度提升性能 multiscale hierarchy to enhance edges
2.5K10发布于 2019-05-26 - 来自专栏全栈程序员必看
MD5hash_郑州市解封
torben dot egmose at gmail dot com [2009-03-22 11:40:43] HOTP Algorithm that works according to the RCF http://tools.ietf.org/html/draft-mraihi-oath-hmac-otp-04 The test cases from the RCF document the ASCII
2.6K10编辑于 2022-11-16 - 来自专栏原创分享
nginx1.17.9源码分析之管理配置的结构体（1）
5 ngx_regex_module static void * ngx_regex_create_conf(ngx_cycle_t *cycle) { ngx_regex_conf_t *rcf ; rcf = ngx_pcalloc(cycle->pool, sizeof(ngx_regex_conf_t)); rcf->pcre_jit = NGX_CONF_UNSET; ngx_pcre_studies = ngx_list_create(cycle->pool, 8, sizeof(ngx_regex_elt_t)); return rcf; }
61420发布于 2020-03-17 - 来自专栏时间序列论文阅读
时间序列预测新革命：从CycleNet到TQNet，一场“周期”与“相关性”的新范式
这里有一个前提，就是我们要预测的时间序列存在显著的周期性模式，并且这种周期性模式具有相对稳定性CycleNet的关键技术叫ResidualCycleForecasting(RCF)。 这个过程称为ResidualCycleForecasting(RCF)，即为原序列→去周期→残差预测→恢复周期→输出结果。 其RCF模块更是可插拔：嵌入PatchTST、iTransformer也能提升5%~10%精度。1.4一个细节：周期长度W的重要性CycleNet有一个关键超参数——周期长度W。 单变量长预测：先上CycleNet（RCF），再视需要叠加更强的残差骨干。 RCF可插拔到Transformer/MLP；TQ可作为注意力前端的“全局Q”替换或增强模块
75210编辑于 2025-12-29 - 来自专栏科学最Top
时序论文28｜CycleNet：通过对周期模式进行建模增强时间序列预测
本文模型 本文对数据中的周期性模式进行显式建模，提出了残差周期预测（RCF）技术。该技术包括使用可学习的循环周期来显式地对时间序列数据中的固有周期性模式进行建模，然后对建模后的周期的残差分量进行预测。 将 RCF 技术与单层线性层或双层 MLP（多层感知机）相结合，就得到了 CycleNet。 RCF 技术包括两个步骤：第一步是通过独立通道内的可学习循环周期对序列的周期性模式进行建模，第二步是预测建模后的周期的残差分量。
1.3K10编辑于 2024-10-08 - 来自专栏Elasticsearch
Java读取大文本文件保存到数据库
138 139 //测试代码 140 public static void main(String[] args) { 141 ReadCustomerFile rcf = new ReadCustomerFile(); 142 Long startTime = new Date().getTime(); 143 rcf.readTxtFileByFileUtils
2.8K30编辑于 2022-05-06 - 来自专栏python与大数据分析
python数据结构之二叉树
getrootvalue()) rc = r.insertright('c') rbd = rb.insertleft('d') rbe = rb.insertright('e') rcf 中序遍历为:') r.inorder() print() print('后序遍历为:') r.postorder() print() # rcfg = rcf.insertleft
56120编辑于 2022-03-11 - 来自专栏小小码农一个。
redis实现防御
Bean("intRedisTemplate") public RedisTemplate<String, Integer> IntRedisTemplate(RedisConnectionFactory rcf ){ RedisTemplate<String, Integer> re = new RedisTemplate(); re.setConnectionFactory(rcf);
87220发布于 2020-11-03 - 来自专栏机器学习算法与Python学习
ICLR 2019最佳论文出炉：微软、MILA、MIT获奖
id=rJl-b3RcF7 摘要：神经网络剪枝技术可将网络参数量减少 90%，进而在不牺牲准确率的前提下减少存储需求、提升推断的计算性能。
54560发布于 2019-05-15 - 来自专栏科学最Top
效率优先｜近三年时序MLP线性模型类工作合集汇总
CycleNet（NeurIPS24）：通过残差循环预测（RCF）技术建模时序周期性，再对残差分量预测，参数减少 90% 以上，可作为即插即用模块提升现有模型精度，如 PatchTST。 CycleNet: Enhancing Time Series Forecasting through Modeling Periodic Patterns（NIPS2024） 本文提出了残差循环预测（RCF 将RCF与线性层或浅层MLP结合，形成了本文提出的简单而强大的方法——CycleNet。 此外，作为一种新型即插即用技术，RCF还可以显著提高现有模型（包括PatchTST和iTransformer）的预测精度。
95610编辑于 2025-06-29 - 来自专栏全栈程序员必看
基于全卷积神经网络的图像分割方法详解（二）
对于这种问题，建议采用U-NET，V-NET，以及比较新的RCF-net。这几种结构都可以结合更多层次的信息，使得重建后的结果更好。
49710编辑于 2022-09-06
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号