Graph Cuts学习
想先把图放上来，这个是研究学习了之后绘制的，效果虽然不是很好。下面是我将原图转化成了HSV和RGB通道，然后对他们每个单通道都进行了一遍Graph Cuts。 1.Graph Cuts是图像分割中的一种方法，这种方法是通过使用图的形式来求解能量函数。确定能量函数的可以给图的边赋予相应的权值，从而可以把能量函数完全转换成一幅S/T图，在使用图的性质求解图的最大流/最小割，求出全局最优也就是全局能量最小。2.graph cut 就是基于graph(图论)的各种分割算法，如NCut，最小割，RatioCut，图割
Ancaonda常用cmd命令总结
14) 使用镜像源网站安装需要的库：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple/ tensorflow2.0.0 安装其他库则只需将后面的库替换掉即可。11) 安装tensorflow的脚本：pip install tensorflow-cpu2.3.0 -i https://pypi.douban.com/simple/10) 检查conda版本：conda --version。
labelme制作自己数据集以及图片格式问题
注意png格式的不只是文件名后缀是 .png ，也可能是后缀名是 .jpg 但是图片里面的深度是为32的，常规的后缀是 .jpg 格式的图片一般深度是为24的。cmd——激活自己虚拟环境conda activate XXX。注意图片的通道数，之前我们都说RGB，但是在这里要看图片位深。图像是rgba四个通道的，第四个通道是透明通道。再输入labelme打开软件就可。
前端基础学习-node版本对应的node-sass与sass-loader
最近运行以前的代码发现由于依赖包部分版本更新导致了报错主要是node版本对应的node-sass与sass-loader问题这里做一下记录
CompressAI：基于pytorch的图像压缩框架使用
CompressAI: a PyTorch library and evaluation platform forend-to-end compression research，我的理解是一个基于图像（视频）压缩的API库。他是建立在 PyTorch 之上的，用于基于深度学习的数据压缩的自定义操作、层和模型，其中包括了基于tensorflow.compression压缩包的部分移植，还包括包括一些用于压缩任务的预训练模型。其中可以直接用到的模型来自以下几篇文献：同时提供了与原作者实验对比的测试数据的性能
Joint Autoregressive and Hierarchical Priors for Learned Image Compression文献复现
文献名称：Joint Autoregressive and Hierarchical Priors for Learned Image Compression本文基于CompressAI的库进行复现github地址：compressAI关于compressAI相关博客说明：CompressAI：基于pytorch的图像压缩框架使用我这里在做好compressAI所需前置工作后，把我需要的几个文件单独移入了自己的工程因为这篇文献其实是可以直接调用相关命令对实验进行复现，所以主要把相关命令输入，按照步骤
深度学习基础学习-注意力机制（计算机视觉中）
在网上看到很多关于注意力机制的说明，下面自己总结一下。大佬绕道下面放几个文章的链接这几年来，在是图像处理、语音识别还是自然语言处理等方面都有注意力机制应用。本文主要了解注意力机制在图像中的应用。........................
今日推荐
周排行