首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
  • 您找到你想要的搜索结果了吗?
    是的
    没有找到

    2016-ICLR-DENSITY MODELING OF IMAGES USING A GENERALIZED NORMALIZATION TRANSFORMATION

    这篇文章[1]提出了一个参数化的非线性变换(GDN, Generalized Divisive Normalization),用来高斯化图像数据(高斯化图像数据有许多好处,比如方便压缩)。整个非线性变换的架构为:数据首先经过线性变换,然后通过合并的活动度量对每个分量进行归一化(这个活动度量是对整流和取幂分量的加权和一个常数进行取幂计算)。作者利用负熵度量对整个非线性变换进行优化。优化后的变换高斯化数据的能力得到很大提升,并且利用该变换得到的输出分量之间的互信息要远小于其它变换(比如 ICA 和径向高斯化)。整个非线性变换是可微的,同时也可以有效地逆转,从而得到其对应的逆变换,二者一组合就得到了一个端到端的图像密度模型。在这篇文章中,作者展示了这个图像密度模型处理图像数据的能力(比如利用该模型作为先验概率密度来移除图像噪声)。此外,这个非线性变换及其逆变换都是可以级连的,每一层都使用同样的高斯化目标函数,因此提供了一种用于优化神经网络的无监督方法。

    04

    2017-ICLR-END-TO-END OPTIMIZED IMAGE COMPRESSION

    本文提出了一种图像压缩框架,其由一个非线性分析变换、一个均匀量化器和一个非线性综合变换组成。这些变换都三层结构,每一层由一个卷积线性过滤器和非线性的激活函数构成。与大多数卷积神经网络不同的是,这些联合的非线性是用来实现一种局部增益控制,这种局部增益控制最初是来源于生物神经元领域的发现(局部增益控制已经成为生物神经元建模的一种方法)。作者使用随机梯度下降方法来联合优化整个模型的率失真性能。针对均匀标量量化器的目标函数不连续问题,作者提出了一种连续可微的近似量化,从而保证在优化过程中梯度能有效地反传。最后在测试集上,作者提出压缩模型展现出比 JPEG 和 JPEG2000 更好的性能。而且,该压缩模型在所有码率和所有图像上,MS-SSIM 性能都要好于 JPEG 和 JPEG2000。

    03

    网络域名与注册商标冲突的解决途径

    域名是企业在互联网上的地址,是企业在虚拟世界的门牌号码。用户可以通过该地址找到企业在网上的门户网站。同时,域名作为企业的标志,具有很强的标识性,代表着企业的商誉。我们知道,商标的显著特征之一也是具有标识作用,具有区别商品或服务来源的作用,反应了商家的信誉。因此,商家往往会将自己最具有显著性的商标注册成为自己的域名同时进行广泛的广告宣传,使其与自己的商标融为一体,成为在互联网上具有区分商品或服务来源的标志,是反应商家商誉的重要手段。所以强烈的识别性是域名最主要的特征。因此,域名具有强烈的识别性,这也是域名与商标容易发生冲突的根源所在。

    06
    领券