- 综合排序
- 最热优先
- 最新优先
- 来自专栏云计算与大数据
DNS Resolution
dns resolution
4.1K40发布于 2019-04-25 - 来自专栏计算机视觉理论及其实现
Task-Driven Super Resolution: Object Detection in Low-resolution Images
研究了图像超分辨率(SR)对低分辨率图像中目标检测任务的影响。直观上，SR对目标检测任务产生了积极的影响。虽然之前的一些工作证明了这种直觉是正确的，但是在这些工作中，SR和检测器是独立优化的。摘要提出了一种新的深度神经网络训练框架，在此框架中，SR子网络通过对传统检测损耗的权衡，明确地将检测损耗纳入到训练目标中。这种端到端培训程序允许我们对任何可微检测器的SR预处理进行训练。我们证明，我们的任务驱动的SR在各种条件和缩放因子下，一致且显著地提高了目标探测器在低分辨率图像上的准确性。
1.9K31编辑于 2022-09-03 - 来自专栏Visual Codex
Super-Resolution
AV1中的Frame Super-resolution AV1中有一种新型的编码工具，允许编码器在编码一帧的时候，将其进行水平方向进行“压缩”，换一句话说，就是缩小水平方向的分辨率，然后将“水平缩小”了的码流传输到解码器端 AV1 Super resolution 初步一看，这种分辨率压缩的手法其实并不是新鲜的，我们在做运动预测的时候，也采用过相同的技术，比如Hierarchical Search的这类分辨率分层级搜索，而且对于 下面放一张引入了super resolution的流程图。 ?
1.3K20发布于 2021-03-13 - 来自专栏乐沙弥的世界
Temporary failure in name resolution
最近在使用yum方式安装perl-DBD-MySQL时碰到了Temporary failure in name resolution，Trying other mirror。 mysql-5.0.95-5.el5_9.x86_64.rpm: [Errno 4] IOError: <urlopen error (-3, 'Temporary failure in name resolution mysql-5.0.95-5.el5_9.x86_64.rpm: [Errno 4] IOError: <urlopen error (-3, 'Temporary failure in name resolution
3.2K20发布于 2018-08-13 - 来自专栏python前行者
Temporary failure in name resolution 错误
socket.gaierror: [Errno -3] Temporary failure in name resolution 此处是因为localhost.localdomain无法解析造成的 ，此时修改/etc/hosts，添加如下行解决 127.0.0.1 localhost.localdomain localhost Temporary failure in name resolution
32.8K41发布于 2019-03-25 - 来自专栏Kindem的博客
GDC 笔记 - FidelityFX Super Resolution 2.0
原文链接：GDC 2022 - FidelityFX Super Resolution 2.0 AMD FSR 2.0 版本，相对 FSR 1.0 架构上有较大改动。
2K30编辑于 2022-11-01 - 来自专栏全栈程序员必看
VGA Boot modes to set screen resolution
VGA Boot modes to set screen resolution <script type=”text/javascript”> </script> <script src=”http: channel=4543514297&url=http%3A%2F%2Fwww.pendrivelinux.com%2F2007%2F05%2F24%2Fvga-boot-modes-to-set-screen-resolution 480&u_his=2&u_java=true&u_nplug=4&u_nmime=17″ name=”google_ads_frame”> A simple way to set your screen resolution This would set your system to boot using the Live label with a screen resolution to 24bit 1280X1024. VGA Resolution and Color Depth reference Chart: Depth 800×600 1024×768 1152×864 1280×1024 1600×1200 8
85160发布于 2021-05-06 - 来自专栏单细胞天地
The bone marrow microenvironment at single-cell resolution
文章信息 文章题目：The bone marrow microenvironment at single-cell resolution 发表期刊：nature 发表时间：2019年4月10日 原文链接
1.1K32编辑于 2022-01-10 - 来自专栏计算机视觉理论及其实现
A Comparison of Super-Resolution and Nearest Neighbors Interpolation
三、目标检测和超分模型许多方法存在 SR，本文利用EDSR(MultiScale Deep Super-Resolution)。MDSR网络是执行执行2倍,3倍和4倍的上采样模型。
1.9K30编辑于 2022-09-04 - 来自专栏计算机视觉理论及其实现
Towards Precise Supervision of Feature Super-Resolution
虽然最近基于proposal的CNN模型在目标检测方面取得了成功，但是由于小兴趣区域(small region of interest, RoI)所包含的信息有限且失真，小目标的检测仍然比较困难。解决这一问题的一种方法是使用超分辨率(SR)技术来增强小型roi的特性。我们研究如何提高级的超分辨率特别是对小目标检测,并发现它的性能可以显著提高了(我)利用适当的高分辨率目标特性作为SR的训练监督信号模型和(2)匹配输入的相对接受训练领域对低分辨率的特性和目标高分辨率特性。我们提出了一种新颖的特征级超分辨率方法，它不仅能正确地解决这两个问题，而且可以与任何基于特征池的检测器集成。在我们的实验中，我们的方法显著提高了Faster R-CNN在清华-腾讯100K、PASCAL VOC和MS COCO三个基准上的性能。对于小目标的改进是非常大的，令人鼓舞的是，对于中、大目标的改进也不是微不足道的。因此，我们在清华-腾讯100K上取得了最新的技术水平，在PASCAL VOC和MS COCO上取得了极具竞争力的成绩。
1.5K00编辑于 2022-09-03 - 来自专栏AIWalker
AIM2020 Efficient Super Resolution: Methods and Results
AIM2020-ESR竞赛旨在设计一种这样的网络：在具有PSNR指标与MSRResNet相当的水平的同时，从推理耗时、参数量、FLOPs、Activations以及内存占用等方面进行至少一个维度的降低。其任务以4倍超分为基准，训练集、验证集以及测试集均为DIV2K，由于该任务的目的不在于刷新PSNR指标，故在训练阶段可以采用额外的训练数据，比如Flickr2K、OST等数据集。
1.6K20发布于 2020-09-22 - 来自专栏计算机视觉理论及其实现
Super-Resolution on Object Detection Performance in Satellite Imagery
Very Deep Super Resolution (VDSR)展示了最先进的表现，它是第一个修改SRCNN方法的项目，通过创建一个20层的深度网络来学习残差图像，并将LR图像转换成HR图像。
1.8K00编辑于 2022-09-03 - 来自专栏GiantPandaCV
【分类技巧】Fixing the train-test resolution discrepancy
2Fixing Resolution方法 简单表述实现方案（不关心原理的看到这里就可以了）： 缩小训练过程的分辨率，变为原分辨率/1.15，进行普通的训练过程。以下图为例训练分辨率为128。
57310发布于 2021-11-12 - 来自专栏机器学习、深度学习
Image Super-Resolution Using Deep Convolutional Networks
我们这里提出的 Super-Resolution Convolutional Neural Network (SRCNN)，具有以下优点： 1）它的结构很简单，但是效果很好。 3 Convolutional Neural Networks for Super-Resolution 3.1 Formulation 给定一幅低分辨率图像，我们首先使用 bicubic 插值将图像放大到想要的尺寸
1.2K20发布于 2019-05-28 - 来自专栏技术随笔
Perceptual Losses for Real-Time Style Transfer and Super-Resolution（Stanford University）
题目：《基于感知损失函数的实时风格转换和超分辨率重建》 文章地址：《Perceptual Losses for Real-Time Style Transfer and Super-Resolution Springer (2014) 372{386 Irani, M., Peleg, S.: Improving resolution by image registration. .: Image super-resolution using gradient pro_leprior. Volume 27., ACM (2008) 153 Kim, K.I., Kwon, Y.: Single-image super-resolution using sparse regression Volume 1., IEEE (2004) I{I Glasner, D., Bagon, S., Irani, M.: Super-resolution from a single image.
2.6K120发布于 2018-05-16 - 来自专栏计算机视觉理论及其实现
StyleSwin: Transformer-based GAN for High-resolution Image Generation
尽管Transformer在广泛的视觉任务中取得了诱人的成功，但在高分辨率图像生成建模方面，Transformer还没有表现出与ConvNets同等的能力。在本文中，我们试图探索使用Transformer来构建用于高分辨率图像合成的生成对抗性网络。为此，我们认为局部注意力对于在计算效率和建模能力之间取得平衡至关重要。因此，所提出的生成器在基于风格的架构中采用了Swin Transformer。为了实现更大的感受野，我们提出了双重关注，它同时利用了局部窗口和偏移窗口的上下文，从而提高了生成质量。此外，我们表明，提供基于窗口的Transformer中丢失的绝对位置的知识极大地有利于生成质量。所提出的StyleSwan可扩展到高分辨率，粗糙的几何结构和精细的结构都得益于Transformer的强大表现力。然而，在高分辨率合成期间会出现块伪影，因为以块方式执行局部关注可能会破坏空间相干性。为了解决这个问题，我们实证研究了各种解决方案，其中我们发现使用小波鉴别器来检查频谱差异可以有效地抑制伪影。大量实验表明，它优于现有的基于Transformer的GANs，尤其是在高分辨率（例如1024×1024）方面。StyleWin在没有复杂训练策略的情况下，在CelebA HQ 1024上优于StyleGAN，在FFHQ-1024上实现了同等性能，证明了使用Transformer生成高分辨率图像的前景。
1.2K20编辑于 2023-10-07 - 来自专栏Java架构师必看
maven报错was cached in the local repository, resolution will not be reattempted until the update inter
maven报错was cached in the local repository, resolution will not be reattempted jar:1.0.0 in http://maven.aliyun.com/nexus/content/groups/public was cached in the local repository, resolution
9.2K40发布于 2021-07-05 - 来自专栏全栈程序员必看
maven报错was cached in the local repository, resolution will not be reattempted until the update inter
jar:1.0.0 in http://maven.aliyun.com/nexus/content/groups/public was cached in the local repository, resolution
9K20发布于 2021-05-19 - 来自专栏SnailTyan
ESRGAN - Enhanced Super-Resolution Generative Adversarial Networks论文翻译——中文版
翻译论文汇总：https://github.com/SnailTyan/deep-learning-papers-translation ESRGAN: Enhanced Super-Resolution In: ECCV. (2014) Kim, J., Kwon Lee, J., Mu Lee, K.: Accurate image super-resolution using very deep Lett. 20(3) (2013) 209–212 Dong, C., Loy, C.C., He, K., Tang, X.: Image super-resolution using deep In: ICLR. (2015) Agustsson, E., Timofte, R.: Ntire 2017 challenge on single image super-resolution In: ICCV. (2001) Huang, J.B., Singh, A., Ahuja, N.: Single image super-resolution from transformed
1.7K50发布于 2020-05-27 - 来自专栏数据分析与挖掘
(HRNet)：Deep High-Resolution Representation Learning for Visual Recognition相关论文
github：https://github.com/HRNet 论文地址：https://arxiv.org/pdf/1908.07919 相关论文： 1.Deep High-Resolution Representation Learning for Human Pose Estimation(HRNetV1) 2.High-Resolution Representations for Labeling Pixels and Representation Learning for Bottom-Up Human Pose Estimation 4.Multi-Stage HRNet: Multiple Stage High-Resolution
65740发布于 2020-08-26
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