计算机视觉/图像处理相关面经1
以下资料均来自于网上公开面经资料，非本人面经，这篇博客里偏深度学习基础，整理以备用…
L1和L2做loss的优缺点L1 loss优点:L1 loss让loss对于离群点更加鲁棒，即：相比于L2损失函数，其对离群点、异常值（outlier）不敏感，梯度变化相对更小，训练时不容
...
阅读论文“Domain Adaptation for Image Dehazing”
CVPR 2020，使用半监督方式做去雾，motivation是将仿真输入和真实输入做相互转换，并对转换的仿真输入和真实输入分别做去雾处理，其中有监督部分使用MSE loss,无监督部分使用deblur的先验loss，整体pipeline如下所示:
中间部分
...
获得tensorflow模型的参数量
tensorflow模型训练好之后，通常会保存为.ckpt文件，有时我们想了解一下模型保存了多少参数，这固然可以手动计算，但是速度太慢，这里我写了一个程序可以直接获得模型的参数量，下面是源代码：1234567891011121314151617181920212223fro
...
一些图像基本算法的了解2（LBP,Haar)
LBP LBP，是局部二值模式的简称，用来描述图像局部纹理特征的算子。原始的LBP特征定义在3*3的窗口里，以窗口中心像素为阈值，将相邻的八个像素与其进行比较，若大于该像素，则标记为1，否则为0。这样就可以得到8位的二进制数，转换成十进制数就是该窗口中心元素的LBP值，如下图
...
常见的图像分割网络了解（上）
虽然本人目前的方向是图像增强，但是个人感觉还是要多了解别的方向的东西，有些思路可以借鉴到后面的工作中。这里简要参考别人的博客来了解一下常见的图像分割网络的结构和原理。
FCN 这是最早用来做分割的网络了。FCN的原理就是，将传统的CNN用于分类的全连
...
常见的图像分割网络了解（中）
RefineNet 这个网络主要针对使用膨胀卷积在不进行下采样扩大感受野出现的限制（限制高层特征和输出尺度只能为输入的1/8，膨胀卷积导致严重的细节损失），以及FCN8-s不能有效利用中间层信息。这里认为所有层的信息对于语义分割都是有帮助的。高层的信息识别图像的区域类别，底层
...
论文随笔《Fast and Accurate Single Image Super-Resolution via Information 》
最近阅读CVPR2018和自己所做方向相关的论文，这里限于时间就简要介绍一下这些论文的主要思想。
Fast and Accurate Single Image Super-Resolution via Information Distillation Network&ems
...
Bilateral Upsample
bilateral的原理和方法已经了解过，借鉴Bilateral的方法进行上采样，可以使用输入的图像作为先验，引导低分辨图像恢复成原分辨的图像，这里简要介绍如下：1.首先看一下联合双边滤波（JBF）,这个东西简要理解的话，就是将经过处理后得到的低分辨小图，通过最近邻插值的方
...