图像尺寸

可视化反投射：坍塌尺寸的概率恢复：ICCV9论文解读 Visual Deprojection: Probabilistic Recovery of Collapsed Dimensions 论文链接： http://openaccess.thecvf.com/content_ICCV_2019/papers/Balakrishnan_Visual_Deprojection_Probabilistic_Recovery_of_Collapsed_Dimensions_ICCV_2019_paper.pdf 摘要 我们介绍视觉投射：恢复沿维度折叠的图像或视频的任务。投影出现在各种情况下，例如长曝光摄影，动态场景被及时折叠以产生运动模糊图像，以及角部相机，其中场景中反射的光由于边缘遮挡器而沿空间维度折叠以产生 1D视频。反投影是不适定的——通常对于给定的输入有许多合理的解决方案。我们首先提出了一个捕捉任务模糊性的概率模型。然后，我们提出了一种以卷积神经网络为函数逼近器的变分推理策略。在测试时从推理网络中采样，从与给定输入投影一致的原始信号分布中产生可能的候选信号。我们在多个数据集上对该方法进行了评估。我们首先证明了该方法可以从空间投影中恢复人体步态视频和人脸图像，然后证明该方法可以从通过时间投影获得的剧烈运动模糊图像中恢复运动数字视频。 1. Introduction

成文迪， 在Web前端摸爬滚打的码农一枚，对技术充满热情的菜鸟，致力为手Q的建设添砖加瓦。 GIF格式的历史 GIF(Graphics Interchange Format)原义是“图像互换格式”，是CompuServe公司在1987年开发出的图像文件格式，可以说是互联网界的老古董了。 GIF格式可以存储多幅彩色图像，如果将这些 图像 连续播放出来，就能够组成最简单的动画。所以常被用来存储“动态图片”，通常时间短，体积小，内容简单，成像相对清晰，适于在早起的慢速互联网上传播。 本来，随着网络带宽的拓展和视频技术的进步，这种图像已经渐渐失去了市场。可是，近年来流行的表情包文化，让老古董GIF图有了新的用武之地。 表情包通常来源于手绘图像，或是视频截取，目前有很多方便制作表情包的小工具。 这类图片通常具有文件体积小，内容简单，兼容性好（无需解码工具即可在各类平台上查看），对画质要求不高的特点，刚好符合GIF图的特性。 所以，老古董GIF图有了新的应用场景。 本文的应用场景 新的应用场景带来新的需求，本文所探究的问题来自于某个业务场景下——为用户批量推送GIF表情包。 一批图像大约有200-500张，以缩略图列表的形式展示在客户端。 根据我们使用测试数据进行的统计GIF图表情包的尺寸大部分在200k-500k之间，批量推送的一个重要问题就是数据量太大，因此

直接数字化放射摄影（Digital Radiography，简称DR），是上世纪九十年代发展起来的X线摄影新技术，具有更快的成像速度、更便捷的操作、更高的成像分辨率等显著优点，成为数字X线摄影技术的主导方向，并得到世界各国的临床机构和影像学专家认可。近年来随着技术及设备的日益成熟，DR在世界范围内得以迅速推广和普及应用，逐渐成为医院的必备设备之一。临床界和工程界专家普遍认为，DR设备将成为高水平数字化影像设备的终极产品。 DR主要 由X-线发生器(球管)、探测器(影像板/采样器)、采集工作站(采像处理计算机/后处理工作站)、机械装置等四部分组成；DR之所以称为“直接数字化放射摄影”的实质就是不用中间介质直接拍出数字 X-光像；其工作过程是：X线穿过人体(备查部位)投射到探测器上，然后探测器将Ｘ线影像信息直接转化为数字影像信息并同步传输到采集工作站上，最后利用工作站的医用专业软件进行图像的后处理。 DR系统能够有效降低临床医生的劳动强度，提高劳动效率，加快患者流通速度；相对于普通的屏／胶系统来说，采用数字技术的DR，具有动态范围广、曝光宽容度宽的特点，因而允许摄影中的技术误差，即使在一些曝光条件难以掌握的部位，也能获得很好的图像；由于直接数字化的结果，拍摄的X光片信息量大大丰富，可以根据临床需要进行各种图像后处理，如各种图像滤波、窗宽窗位调节、放大漫游、图像拼接以及距离、面积

课程名称 | 零基础入门深度学习 授课讲师 | 孙高峰 百度深度学习技术平台部资深研发工程师 授课时间 | 每周二、周四晚20:00-21:00 编辑整理 | 孙高峰 内容来源 | 百度飞桨深度学习集训营 出品平台 | 百度飞桨 01 导读 本课程是百度官方开设的零基础入门深度学习课程，主要面向没有深度学习技术基础或者基础薄弱的同学，帮助大家在深度学习领域实现从0到1+的跨越。从本课程中，你将学习到： 深度学习基础知识 numpy实现神经网络构建和梯度下降算法 计算机视觉领域主要方向的原理、实践 自然语言处理领域主要方向的原理、实践 个性化推荐算法的原理、实践 本周为开讲第三周，百度深度学习技术平台部资深研发工程师孙高峰，开始讲解深度学习在计算机视觉方向实践应用。今天为大家带来的是卷积神经网络基础之初识卷积。 02 计算机视觉概述 计算机视觉作为一门让机器学会如何去“看”的科学学科，具体的说，就是让机器去识别摄像机拍摄的图片或视频中的物体，检测出物体所在的位置，并对目标物体进行跟踪，从而理解并描述出图片或视频里的场景和故事，以此来模拟人脑视觉系统。因此，计算机视觉也通常被叫做机器视觉，其目的是建立能够从图像或者视频中“感知”信息的人工系统。 计算机视觉技术经过几十年的发展，已经在交通（车牌识别、道路违章抓拍）、安防（人脸闸机、小区监控）、金融（刷脸支付、柜台的自动票据识别）、医疗

Learning a Deep Convolutional Network for Image Super-Resolution 论文地址 简介 模型图 模型框架 算法流程 Patch extraction and representation non-linear mapping 非线性映射 Reconstruction 训练 测试 实验结果 Pytorch代码实现 使用说明 文件存放 运行代码 model.py data.py main.py run.py 运行操作 图片对比 Original image Bicubic image SRCNN image 后续工作 参考文章 论文地址 简介 超分辨率技术（Super-Resolution）是指从观测到的低分辨率图像重建出相应的高分辨率图像。 SR可分为两类:从多张低分辨率图像重建出高分辨率图像和从单张低分辨率图像重建出高分辨率图像。基于深度学习的SR，主要是基于单张低分辨率的重建方法，即Single Image Super-Resolution (SISR)。该论文创建了一种深度学习的方法，来实现单张低分辨率图像的重建。 SISR是一个逆问题，对于一个低分辨率图像，可能存在许多不同的高分辨率图像与之对应，因此通常在求解高分辨率图像时会加一个先验信息进行规范化约束。在传统的方法中，这个先验信息可以通过若干成对出现的低

计算机视觉 计算机视觉中的三大类任务： 分类 Classification：解决“是什么?”的问题，即给定一张图片或一段视频判断里面包含什么类别的目标 定位 Location：解决“在哪里”的问题，即定位出这个目标的位置 检测 Detection：解决“是什么？在哪里”的问题，即定位出这个目标的位置并且知道目标物是什么 分割 Segmentation：分为实例分割和场景分割，解决“每一个像素属于哪个目标物或场景”的问题。 一、目标检测 目标检测可以理解为是物体识别和物体定位的综合，不仅仅要识别物体属于哪个分类，更重要的是得到物体在图片中的具体位置。 为了完成这两个任务，目标检测模型分为两类。一类是two-stage算法；一类是one-stage算法。对于two-stage检测方法来说，它先生成了可能包含物体的候选区域Region Proposal，然后对这个候选区域做进一步的分类和校准，得到最终的检测结果，代表方法有R-CNN系列方法。而对于one-stage检测算法直接给出最终的检测结果，没有经过生成候选区域的步骤，典型代表为YOLO和SSD。 目标检测算法的3个模块： 第一个是检测窗口的选择 ； 第二个是图像特征的提取 ； 第三个是分类器的设计 。 补充基础知识之检测窗口的选择 1.滑动窗口法 首先对输入图像进行不同窗口大小的滑窗进行从左往右、从上到下的滑动

1. Model PHAsset 、PHAssetCollection、PHCollectionList 是Photos框架中的模型类，PHAsset类模型是图片或者视频文件数据；PHAssetCollection即图片或者视频文件的集合，包括相册、moments、智能相册以及共享照片流；PHCollectionList是一组资源集合，可能是一组Assets，也可能是一组collection。 它们关系如下图: photos_model.png 1.1 PHAsset PHAsset是iOS8平台的新接口，用来获取图片和视频文件的元数据，相当于以前的 ALAsset接口,但比起ALAsset,PhotoKit 提供了额外的关于用户资源的元数据，而这些数据在以前使用 ALAssetsLibrary 框架中是没有办法访问，或者很难访问到。我们可以用PHAsset保存图片和视频资源对象, 然后展示或者修改它.它有几个重要属性： mediaType :资源类型,图片或者音频或视频 Paste_Image.png mediaSubtypes :图片又包含全景图(Panorama)、 HDR图片 、屏幕截图、 livePhoto .live photo 加3Dtouch效果太赞！ [视频链接].我们可以使用照片资源的 mediaSubtypes 属性验证资源库中的图像在捕捉时是否开启了 HDR

Delphi Image Editor是一个工具，可用它来创建并编辑位图（.bmp）、图标（.ico）和光标（.cur），还可以用它创建资源工程，将多个位图、图标和光标包含到单个资源文件（.RES）中，再将该资源文件加到Delphi工程中供需要时使用。如下图，是正在编辑中的Image Editor。 Note 所有的Windows图像都是位图，无论它们是真正的Windows位图文件（.bmp），还是图标或光标。在我们的讲解中，将所有图像都称为位图。Image Editor只能处理Windows位图文件，它不支持其他文件格式，如PCX，TIFF，JPEG和GIF。 可从开始菜单中选择Image Editor菜单项启动Image Editor，也可以从Delphi的主菜单的【Tools | Image Editor】菜单项打开（如下图）。Image Editor是一个单独的程序，不必在Delphi IDE中运行它。 Image Editor的各个部分介绍 上图中将所有的工具箱中的工具名称列出，请熟悉它们。 Marquee选区工具和Lasso套索工具的作用一样的，前者用于选定矩形区域，后者用于任意形状的选择。 当一个区域被选定后，用户可剪切或复制该区域内的图像。用Marquee和Lasso工具选定区域，将鼠标光标移动到该区域内（鼠标光标变成如下图的手型光标），拖动鼠标

1) 超级万能太空CCD： CCD DR的国内商家的宣传资料上把他们的DR称之为超级CCD、万能CCD、第N代CCD、甚至是太空CCD(国外规范的厂家一般不会这么做)，而所谓的太空技术,其实纯属唬人，因为所有的CCD技术，都来自于最早的间谍卫星的探测技术，用来代替必须回收的一次性胶片盒，使卫星拍照可以长期和24小时不间断，数字化照片直接发回地面。就连你我家用的数码照相机，宽泛点说也是来自于太空CCD技术。该技术目前较多使用在早期档次较低的胃肠机（目前高档的胃肠都使用平板）及数码像机上。 2) CR的价格，DR的品质： 这是某CCD DR厂家的广告语，其产品有没有DR的品质我们姑且再谈，但其价格的确和CR差不多，一台全进口的CCD DR海关报关价约为5万美圆左右，国内拼装的CCD DR的价钱就更便宜了。其实也是，一台1000多万的数码像机市价也就几千圆，而作为CCD DR的核心探测器CCD厂家成本价也最多2-3千圆。 3) 干扰与噪声： CCD DR不象平板DR那样直接成像，有人称之为假DR，其图像在变成数字化信号前要经过闪烁屏、影像增强器、透镜、菱镜、CCD、A/D转化等多级传输和处理，所以信号不可避免存在着衰减大、干扰大等一系列突出问题。 4) X线的剂量： 由于存在以上衰减问题，为了提高信噪比，对CCD DR来说，唯一的办法就是提高原始信号的信号强度

深度学习（三）——卷积神经网络 文章目录 深度学习（三）——卷积神经网络 概述 CNN的神经网络层 卷积层 卷积核和卷积操作 零填充和填充卷积 感受野与扩张卷积 池化层 全连接层 转置卷积层 感兴趣区域（RoI）池化层 概述 这篇博文主要讨论 卷积神经网络 （Convolutional Neural Networks，CNN）。CNN是目前最流行的神经网络类型之一，特别是对于图像或是视频这种高维数据。与 多层感知器 不同，CNN层中的每层单元是一个二维（或高维）滤波器，这样的滤波器又被称为 卷积核 ，它能够对输入数据进行卷积运算，这是最关键的区别。 CNN的产生也同样来源于人类对自我认知过程的思考。考虑人类辨识一头大象的过程，人类往往是在看到大象的一部分，才能够辨识出这是大象的。例如看到大象的大耳朵、长鼻子、粗壮的腿等。但在计算机中，图像的每一个像素点都是三个数字。人类辨识图像的过程启示我们在辨识过程中， 单一的像素点是没有意义 的，只有将像素点放在一块区域中，才能显示出它的作用。 因此，利用卷积核，可以将一块区域中的像素值进行一些运算得到一个值，就实现了上面的过程。也因为这个，CNN在计算机视觉领域得到了非常广泛的应用。接下来就依次介绍CNN的各个组成部分和一些模型上的细节。 CNN的神经网络层 CNN是由几个基本构建块组成的，称为 CNN层 。最基本的CNN具备的层次有：