1.基于AI或传统编码方法的码研像压缩开源算法汇总
2.SSD 分析（一）
3.周志华、贾扬清入选！码研2022中国高被引学者榜单揭晓，码研计算机界214人上榜
4.caffe 中为什么bn层要和scale层一起使用
5.Caffe学习(二) —— 下载、码研编译和安装Caffe（源码安装方式）

基于AI或传统编码方法的码研像压缩开源算法汇总

       探索图像压缩技术的前沿，融合AI与传统编码策略，码研192的源码我们精选了多项开创性研究成果，码研旨在提升图像压缩的码研效率与视觉质量。让我们一同探索这些卓越的码研算法:

Li Mu等人的突破：年CVPR大会上，他们提出了《Learning Convolutional Networks for Content-weighted Image Compression》（论文链接），码研借助深度学习的码研自编码器，赋予内容感知，码研通过优化编码器、码研解码器和量化器，码研赋予图像在低比特率下更清晰的码研边缘和丰富纹理，减少失真。其开源代码可于这里找到，基于Caffe框架。

       Conditional Probability Models的革新：Mentzer等人在年的CVPR展示了他们的工作，通过内容模型提升深度图像压缩的性能，论文名为《Conditional Probability Models for Deep Image Compression》（论文链接）。真值转化源码

       利用深度神经网络的力量，研究者们正在重新定义压缩标准。例如，Toderici等人在年的CVPR中展示了《Full Resolution Image Compression with Recurrent Neural Networks》，使用RNN构建可变压缩率的系统，无需重新训练（论文链接）。其开源代码可在GitHub找到，基于PyTorch 0.2.0。

       创新性的混合GRU和ResNet架构，结合缩放加性框架，如Prakash等人年的工作所示，通过一次重建优化了率-失真曲线（论文链接），在Kodak数据集上，首次超越了JPEG标准。开源代码见这里，基于Tensorflow和CNN。

       AI驱动的图像压缩，如Haimeng Zhao和Peiyuan Liao的CAE-ADMM，借助ADMM技术优化隐性比特率，提高了压缩效率与失真性能（论文），维修asp源码对比Balle等人的工作（论文）有所突破。

       生成对抗网络（GAN）的优化应用，如.论文，展示了在低比特率下图像压缩的显著改进，开源代码可在GitHub找到，它以简洁的方式实现高图像质量。

       深度学习驱动的DSSLIC框架，通过语义分割与K-means算法，提供分层图像压缩的高效解决方案，开源代码在此，适用于对象适应性和图像检索。

       传统方法如Lepton，通过二次压缩JPEG，节省存储空间，Dropbox的开源项目链接，适合JPEG格式存储优化。

       无损图像格式FLIF，基于MANIAC算法，超越PNG/FFV1/WebP/BPG/JPEG，支持渐进编码，aspnet webapi 源码详情可在官方网站查看。

       Google的Guetzli，以高效压缩提供高画质JPEG，体积比libjpeg小-%，适用于存储优化（源码）。

       这些创新的算法和技术，展示了AI和传统编码方法在图像压缩领域的融合与进步，不仅提升了压缩效率，更为图像的存储和传输提供了前所未有的可能性。

SSD 分析（一）

       研究论文《SSD: Single Shot MultiBox Detector》深入解析了SSD网络的训练过程，主要涉及从源码weiliu/caffe出发。首先，通过命令行生成网络结构文件train.prototxt、test.prototxt以及solver.prototxt，执行名为VGG_VOC_SSD_X.sh的shell脚本启动训练。

       网络结构中，前半部分与VGG保持一致，随后是fc、conv6到conv9五个子卷积网络，它们与conv4网络一起构成6个特征映射，roundimageview工具源码不同大小的特征图用于生成不同比例的先验框。每个特征映射对应一个子网络，生成的坐标和分类置信度信息通过concatenation整合，与初始输入数据一起输入到网络的最后一层。

       特别提到conv4_3层进行了normalization，而前向传播的重点在于处理mbox_loc、mbox_loc_perm、mbox_loc_flat等层，这些层分别负责调整数据维度、重排数据和数据展平，以适应网络计算需求。mbox_priorbox层生成基于输入尺寸的先验框，以及根据特征图尺寸调整的坐标和方差信息。

       Concat层将所有特征映射的预测数据连接起来，形成最终的输出。例如，conv4_3_norm层对输入进行归一化，AnnotatedData层从LMDB中获取训练数据，包括预处理过的和对应的标注。源码中，通过内部线程实现按批加载数据并进行预处理，如调整图像尺寸、添加噪声、生成Sample Box和处理GT box坐标。

       在MultiBoxLoss层，计算正负例的分类和坐标损失，利用softmax和SmoothL1Loss层来评估预测和真实标签的差异。最终的损失函数综合了所有样本的分类和坐标误差，为网络的训练提供反馈。

周志华、贾扬清入选！中国高被引学者榜单揭晓，计算机界人上榜

       爱思唯尔官方于日发布了「中国高被引学者榜单」，共计人上榜。在众多领域中，计算机科学领域的高被引学者数量达到人。

       在此次榜单中，计算机科学领域的高被引学者分别来自所高校、企业及科研机构，覆盖了教育部个学科领域、个一级学科。

       在计算机科学领域，清华大学、北京大学、电子科技大学、西北工业大学、浙江大学、南京大学、哈尔滨工业大学、中山大学、中国科学技术大学、上海交通大学、香港中文大学（深圳）、东南大学、华中科技大学、武汉大学、北京航空航天大学、同济大学、复旦大学、中国人民大学等高校均有学者上榜。

       例如，刘知远教授是清华大学计算机系副教授、博士生导师，主要研究方向为表示学习、知识图谱和社会计算。他在ACL、IJCAI、AAAI等人工智能领域的著名国际期刊和会议发表相关论文余篇，谷歌学术引用超过2万多次。

       周志华是南京大学计算机科学与技术系主任、南京大学计算机软件新技术国家重点实验室常务副主任、南京大学人工智能学院院长、机器学习与数据挖掘研究所所长。他在人工智能、机器学习、数据挖掘等领域发表论文余篇，被引用4万余次。

       此外，卢策吾教授是上海交通大学教授、博士生导师，研究兴趣包括计算机视觉、机器人学习。他在《自然》、《自然机器·智能》，TPAMI等高水平期刊和会议发表论文多篇。

       在机构方面，微软亚洲研究院、粤港澳大湾区数字经济研究院、中国科学院等机构均有学者上榜。

       在企业方面，阿里巴巴、百度、北京旷视科技有限公司、华为、京东、联想、腾讯、源码资本、字节跳动等企业均有学者上榜。

       贾扬清是阿里巴巴技术副总裁，曾创立并开源了深度学习框架Caffe，被微软、雅虎、英伟达、Adobe等公司采用。

       芮勇博士是联想集团首席技术官、高级副总裁，曾获多项计算机领域大奖，拥有技术专利六十余项。

       张宏江博士是国际著名的多媒体领域的开拓者和意见领袖，曾担任微软亚太研发集团首席技术官及微软亚洲工程院院长。

caffe 中为什么bn层要和scale层一起使用

       1) 输入归一化 x_norm = (x-u)/std, 其中u和std是个累计计算的均值和方差。

       2）y=alpha×x_norm + beta，对归一化后的x进行比例缩放和位移。其中alpha和beta是通过迭代学习的。

       é‚£ä¹ˆcaffe中的bn层其实只做了第一件事，scale层做了第二件事，所以两者要一起使用。

       ä¸€ï¼Œåœ¨Caffe中使用Batch Normalization需要注意以下两点：

       1. 要配合Scale层一起使用。

       2. è®­ç»ƒçš„时候，将BN层的use_global_stats设置为false，然后测试的时候将use_global_stats设置为true。

       äºŒï¼ŒåŸºæœ¬å…¬å¼æ¢³ç†ï¼š

       Scale层主要完成 top=alpha∗bottom+betatop=alpha∗bottom+beta的过程，则层中主要有两个参数alphaalpha与betabeta,

       æ±‚导会比较简单。∂y∂x=alpha;∂y∂alpha=x;∂y∂beta=1。 需要注意的是alphaalpha与betabeta均为向量，针对输入的channelschannels进行的处理，因此不能简单的认定为一个floatfloat的实数。

       ä¸‰ï¼Œå…·ä½“实现该部分将结合源码实现解析scalescale层:

       åœ¨Caffe proto中ScaleParameter中对Scale有如下几个参数：

       1，基本成员变量，基本成员变量主要包含了Bias层的参数以及Scale层完成对应通道的标注工作。

       2，基本成员函数，主要包含了LayerSetup,Reshape ,Forward和Backward ，内部调用的时候bias_term为true的时候会调用biasLayer的相关函数。

       3，Reshape 调整输入输出与中间变量，Reshape层完成许多中间变量的size初始化。

       4，Forward 前向计算，前向计算，在BN中国紧跟着BN的归一化输出，完成乘以alpha与+bias的操作，由于alpha与bias均为C的向量，因此需要先进行广播。

       5，Backward 反向计算，主要求解三个梯度，对alpha 、beta和输入的bottom(此处的temp)。

Caffe学习(二) —— 下载、编译和安装Caffe（源码安装方式）

       采用caffe源码编译安装方式说明

       此方法仅适用于编译CPU支持版本的Caffe。推荐通过Git下载以获取更新及查看历史变更。

       主机环境配置

       系统环境：Ubuntu .

       步骤一：安装依赖库与Python 2.7

       步骤二：安装CUDA（注意：虽然仅编译CPU版本的Caffe，但安装CUDA时可能会遇到编译错误，需确保环境兼容性）

       编译Caffe

       步骤一：修改Make.config文件

       具体配置说明请参考我的另一篇博客（"Hello小崔：caffe(master分支)Makefile.config分析"）

       步骤二：执行make编译

       测试已通过

       步骤三：解决编译过程中的错误

       错误实例：ImportError: No module named skimage.io

       解决方法：执行sudo apt-get install python-skimage

       错误实例：ImportError: No module named google.protobuf.internal

       解决方法：执行sudo apt-get install python-protobuf

       更多错误解决办法，请参阅另一篇博客（"Hello小崔：caffe编译报错解决记录"）