Deep Spatial-Semantic Attention for Fine-Grained Sketch-Based Image Retrieval
Deep Spatial-Semantic Attention for Fine-Grained Sketch-Based Image RetrievalCVPR2017，就sketch me that shoe改的刚发现论文作者之一的宋老师实验室就叫SketchX，牛啊1、Overview这篇文章
Deep Learning
Doodle to Search: Practical Zero-Shot Sketch-based Image Retrieval
Doodle to Search: Practical Zero-Shot Sketch-based Image Retrieval最近看了很多篇，但是大部分的都是基于同样的三元组网络可以分享的东西有点少，凑不够一篇博客，但是有一个cvpr oral的，还挺强的，方法和应用场景都很好，就是涉及到强化
SceneSketcher: Fine-Grained Image Retrieval with Scene Sketches
SceneSketcher: Fine-Grained Image Retrieval with Scene Sketches到学校了，可以效率高一点学习了，背景是实验室工位开始的样子。简单总结一下这篇论文，用GCN同时表达场景中不同物体的feature、label以及场景layout，并把sket
一文读不懂——'Very Deep Convolutional Networks For Large-Scale Image Recognition' [VGGNets]
自从resnet之后,这个系列的文章还没有更新过,是一个有些浮躁且有点忙的状态,趁着有时间把VGGNet论文给读一下,做个总结再复现一下提高代码能力.
FMix: Enhancing Mixed Sample Data Augmentation论文阅读
有很多数据增强的方式，比如传统的对图像进行旋转裁剪等，这里介绍几种新的且在图像任务中比较有效的数据增强方式，例如Cutmix、Mixup以及FMix1
一文读不懂——“Deep Residual Learning for Image Recognition”
' code is also relatively cheap, show me ur sense and thinking ' ResNets之前也用过很多，大概的思想也了解，觉得还是有必要读一下这篇上万引用的经典之作Deep Residual Learning for Image Recogn
Benchmark【长期收集更新】 🔥
数据集收集在之后的学习和练习的过程中少不了这些benchmark数据集，所以平常遇到了就总结在这里，方便自己和别人使用。目前只是简单罗列，后期会分类，并给数据集加上示例和简介1、MIT67*images:'http://groups.csail.mit.edu/vision/LabelMe/NewI