1.模型結構
改進之處：
2.損失函數
使用SSIM對圖片的相似度進行度量，從而產生一個新的loss分量，對於兩個分量進行加權得到最后的Loss。
免責聲明！
本站轉載的文章為個人學習借鑒使用，本站對版權不負任何法律責任。如果侵犯了您的隱私權益，請聯系本站郵箱yoyou2525@163.com刪除。
猜您在找
人群計數：Single-Image Crowd Counting via Multi-Column Convolutional Neural Network
CTAP: Complementary Temporal Action Proposal Generation (ECCV2018)
Efficient and Accurate Arbitrary-Shaped Text Detection with Pixel Aggregation Network（利用像素聚合網絡進行高效准確的任意形狀文本檢測）
Attention Scaling for Crowd Counting
論文閱讀筆記五十：CornerNet: Detecting Objects as Paired Keypoints(ECCV2018)
【論文閱讀】Diverse Image-to-Image Translation via Disentangled Representations（ECCV2018 oral）
論文閱讀筆記《The Contextual Loss for Image Transformation with Non-Aligned Data》（ECCV2018 oral）
【論文速讀】Chuhui Xue_ECCV2018_Accurate Scene Text Detection through Border Semantics Awareness and Bootstrapping
論文閱讀筆記（六十五）【ECCV2018】：Deep Cross-Modal Projection Learning for Image-Text Matching
人群密度估計