bryant_meng

【Paper Reading】

Levers are simple too, but they can move the world¹.

文章目录

1 Categories
- Classification
- Compression
- Object Detection
- Segmentation
- Face Classification / Detection
- Point Detection
- ReID
- High Resolution
- One Shot
- Noisy Label
2 期刊会议
- 2.1 期刊
- 2.2 会议
3 Speech / Course
4 Material

1 Categories

Classification

【NIN】《Network In Network》（arXiv-2013）
【Highway network】《Training Very Deep Networks》（NIPS-2015）
【Inception-v1】《Going Deeper with Convolutions》（CVPR-2015）
【Inception-v2】《Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift》（ICML-2015）
【Inception-v3】《Rethinking the Inception Architecture for Computer Vision》（CVPR-2016）
【WRNs】《Wide Residual Networks》（arXiv-2016）
【RSCM】《RSCM：Region selection and concurrency model for multi-class weather recognition》（TIP-2017）
【Inception-v4、Inception-Resnet-v1、v2】《Inception-v4, Inception-ResNet and the Impact of Residual Connections on Learning》（AAAI-2017）
【DenseNet】《Densely Connected Convolutional Networks》（CVPR-2017）
【Xception】《Xception: Deep Learning with Depthwise Separable Convolutions》（CVPR-2017）
【ResNext】《Aggregated Residual Transformations for Deep Neural Networks》（CVPR-2017）
【NasNet】《Learning Transferable Architectures for Scalable Image Recognition》（CVPR-2018）
【SENet】《Squeeze-and-Excitation Networks》（CVPR-2018）
【CBAM】《CBAM: Convolutional Block Attention Module》（ECCV-2018）
【Bilinear Pooling】《A Novel DR Classfication Scheme based on Compact Bilinear Pooling CNN and GBDT》（JIH-MSP-2018）
【FD-MobileNet】《FD-MobileNet：Improved MobileNet with a Fast Downsampling Strategy》（ICIP-2018）
【SKNet】《Selective Kernel Networks》（CVPR-2019）
【BoT】《Bag of Tricks for Image Classification with Convolutional Neural Networks》（CVPR-2019）
【EfficientNet】《EfficientNet：Rethinking Model Scaling for Convolutional Neural Networks》（ICML-2019）

Compression

【Distilling】《Distilling the Knowledge in a Neural Network》（arXiv-2015, In NIPS Deep Learning Workshop, 2014）
【Comprssion】《Deep Compression：Compressing Deep Neural Networks with Pruning，Trained Quantization and Huffman Coding》（ICLR-2016 Best Paper）
【Distilling】《Learning Efficient Object Detection Models with Knowledge Distillation》（NIPS-2017）
【Mimic】《Mimicking Very Efficient Network for Object Detection》（CVPR-2017）
【Very Tiny】《Quantization Mimic: Towards Very Tiny CNN for Object Detection》（ECCV-2018）
【MobileNet】《MobileNets: Efficient Convolutional Neural Networks for Mobile Vision Applications》（CVPR-2017）
【SqueezeNet】《SqueezeNet：AlexNet-Level accuracy with 50× fewer parameters and <0.5MB model size》（ICLR-2017）
【ShuffleNet】《ShuffleNet：An Extremely Efficient Convolutional Neural Network for Mobile Devices》（CVPR-2018）
【MobileNet V2】《MobileNetV2：Inverted Residuals and Linear Bottlenecks》（CVPR-2018）
【ShuffleNet V2】《ShuffleNet V2：Practical Guidelines for Efficient CNN Architecture Design》（ECCV-2018）
【MnasNet】《MnasNet：Platform-Aware Neural Architecture Search for Mobile》（CVPR-2019）
【MobileNet V3】《Searching for MobileNetV3》（ICCV-2019）

Object Detection

【OverFeat】《OverFeat：Integrated Recognition, Localization and Detection using Convolutional Networks》（ICLR-2014）
【RCNN】《Rich feature hierarchies for accurate object detection and semantic segmentation 》（CVPR-2014）
【SPP-net】《Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition》（ECCV-2014）
【Fast RCNN】《Fast-RCNN》（ICCV-2015）
【Faster RCNN】《Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks》（NIPS-2015）
【MS-FRCNN】《Multiple Scale Faster-RCNN Approach to Driver’s Cell-phone Usage and Hands on Steering Wheel Detection》（CVPR-2016）
【OHEM】《Training Region-based Object Detectors with Online Hard Example Mining》（CVPR-2016）
【SSD】《SSD：Single Shot MultiBox Detector》（ECCV-2016）
【YOLOv1】《You Only Look Once: Unified, Real-Time Object Detection》（CVPR-2016）
【R-FCN】《R-FCN: Object Detection via Region-based Fully Convolutional Networks》（NIPS-2016）
【PVANet】《PVANET：Deep but Lightweight Neural Networks for Real-time Object Detection》（arXiv-2016）
【Light-Head RCNN】《Light-Head R-CNN: In Defense of Two-Stage Object Detector》（arXiv-2017）
【FPN】《Feature Pyramid Networks for Object Detection》（CVPR-2017）
【YOLOv2】《YOLO9000：Better, Faster, Stronger》（CVPR-2017）
【Mask RCNN】《Mask R-CNN》（ICCV-2017）
【Focal Loss】《Focal Loss for Dense Object Detection》（ICCV-2017）
【DetNet】《DetNet：A Backbone network for Object Detection》（arXiv-2018）
【YOLOv3】《YOLOv3：An Incremental Improvement》（arXiv-2018）
【USE】《An End-to-End System for Automatic Urinary Particle Recognition
with Convolutional Neural Network》（JMOS-2018）
【USE】《Object detection based on deep learning for urine sediment examination》（Biocybernetics & Biomedical Engineering, 2018）
【R-FCN-3000】《R-FCN-3000 at 30fps: Decoupling Detection and Classification》（CVPR-2018）
【Cascade R-CNN】《Cascade R-CNN: Delving into High Quality Object Detection》（CVPR-2018）
【NL】《Non-local Neural Networks》（CVPR-2018）
【CornerNet】《CornerNet: Detecting Objects as Paired Keypoints》（ECCV-2018）
【Feature Pyramid】《Deep Feature Pyramid Reconfiguration for Object Detection》（ECCV-2018）
【CenterNet】《Objects as Points》（arXiv-2019）
【MoCo】《Momentum Contrast for Unsupervised Visual Representation Learning》（arXiv-2019）
【TridentNet】《Scale-Aware Trident Networks for Object Detection》（ICCV-2019）
【Up-Sampling】《CARAFE：Content-Aware ReAssembly of FEatures》（ICCV-2019）
【ThunderNet】《ThunderNet: Towards Real-time Generic Object Detection on Mobile Devices》（ICCV-2019）
【Matrix Nets】《Matrix Nets：A New Deep Architecture for Object Detection》（ICCV-2019 workshops）
【Libra R-CNN】《Libra R-CNN: Towards Balanced Learning for Object Detection》（CVPR-2019）
【GIoU】《Generalized Intersection over Union：A Metric and A Loss for Bounding Box Regression》（CVPR-2019）
【DIoU】《Distance-IoU Loss：Faster and Better Learning for Bounding Box Regression》（AAAI-2020）
【D2Det】《 D2Det：Towards High Quality Object Detection and Instance Segmentation》（CVPR-2020）
【Sparse R-CNN】《Sparse R-CNN：End-to-End Object Detection with Learnable Proposals》（arXiv-2020）
【YOLOv4】《YOLOv4：Optimal Speed and Accuracy of Object Detection》（arXiv-2020）

Segmentation

【U-Net】《U-Net：Convolutional Networks for Biomedical Image Segmentation》（MICCAI-2015）
【FCN】《Fully Convolutional Networks for Semantic Segmentation》（CVPR-215 best paper）
【Dilated Conv】《Multi-Scale Context Aggregation by Dilated Convolutions》（ICLR-2016）
【PANet】《Path Aggregation Network for Instance Segmentation》（CVPR-2018）
【BiSeNet】《BiSeNet：Bilateral Segmentation Network for Real-time Semantic Segmentation》（ECCV-2018）
【EmbedMask】《EmbedMask：Embedding Coupling for One-stage Instance Segmentation》（arXiv-2019）
【CenterMask】《CenterMask：Single Shot Instance segmentation with Point Representation》（CVPR-2020）
【PolyTransform】《PolyTransform：Deep Polygon Transformer for Instance Segmentation》（CVPR-2020）
【Point-Set】《Point-Set Anchors for Object Detection, Instance Segmentation and Pose Estimation》（ECCV-2020）
【Decouple】《Improving Semantic Segmentation via Decoupled Body and Edge Supervision》（ECCV-2020）
【STDC】《Rethinking BiSeNet For Real-time Semantic Segmentation》（CVPR-2021）
【MagNet】《Progressive Semantic Segmentation》（CVPR-2021）

Face Classification / Detection

【DDFD】《Multi-view Face Detection Using Deep Convolutional Neural Networks》（ICMR-2015）
【IoU Loss】《UnitBox: An Advanced Object Detection Network》（ACM MM-2016）
【FAS】《Face Anti-Spoofing Using Patch and Depth-Based CNNs》（IJCB-2017）
【Face Detection】《Face Detection using Deep Learning: An Improved Faster RCNN Approach》（Neurocomputing-2018）
【GDConv】《MobileFaceNets：Efficient CNNs for Accurate RealTime Face Verification on Mobile Devices》（CCBR-2018）
【CASIA-SURF】《A Dataset and Benchmark for Large-scale Multi-modal Face Anti-spoofing》（CVPR-2019）
【FAS-FRN】《Recognizing Multi-modal Face Spoofing with Face Recognition Networks》（CVPR-2019 workshop）
【FaceBagNet】《FaceBagNet：Bag-of-local-features Model for Multi-modal Face Anti-spoofing》（CVPR-2019 workshop）
【FeatherNets】《FeatherNets：Convolutional Neural Networks as Light as Feather for Face Anti-spoofing》（CVPR-2019 workshop）

Point Detection

【Cascade FPD】《Deep Convolutional Network Cascade for Facial Point Detection》（CVPR-2013）
【DeepPose】《DeepPose：Human Pose Estimation via Deep Neural Networks》（CVPR-2014）
【Stacked Hourglass】《Stacked Hourglass Networks for Human Pose Estimation》（ECCV-2016）
【HPM Block】《Binarized Convolutional Landmark Localizers for Human Pose Estimation and Face Alignment with Limited Resources》（ICCV-2017）
【PRMs】《Learning Feature Pyramids for Human Pose Estimation》（ICCV-2017）
【Heatmap+offset】《Towards Accurate Multi-person Pose Estimation in the Wild》（CVPR-2017）
【Simple Baselines】《Simple Baselines for Human Pose Estimation and Tracking》（ECCV-2018）
【CPN】《Cascaded Pyramid Network for Multi-Person Pose Estimation》（CVPR-2018）
【Knee Landmark】《KNEEL：Knee Anatomical Landmark Localization Using Hourglass Networks》（ICCVW-2019）
【HRNet】《Deep High-Resolution Representation Learning for Human Pose Estimation》（CVPR-2019）

ReID

【SB-ReID】《Bag of Tricks and A Strong Baseline for Deep Person Re-identification》（CVPR-2019）

High Resolution

【YOLT】《You Only Look Twice: Rapid Multi-Scale Object Detection In Satellite Imagery》（CVPR-2018被拒）
【WSI】《Faster R-CNN-Based Glomerular Detection in Multistained Human Whole Slide Images》（MDPI-2018）

One Shot

【One Shot】《Siamese Neural Networks for One-shot Image Recognition》（ICML-2015）
【One Shot】《Matching Networks for One Shot Learning》（NIPS-2016）

Noisy Label

【Noise-Label】《Learning from Noisy Labels with Deep Neural Networks》（arXiv-2014）
【Noise-Label】《Training a Neural Network Based on Unreliable Human Annotation of Medical Images》（ISBI-2018）

2 期刊会议

中国计算机学会推荐国际学术刊物

常见的评审制度有单盲评审（single-blind）、双盲评审（double-blind）和开放式评审（open review） 等。

单盲评审即评审人员对文章进行匿名评审，评审人员知道文章作者的信息。
双盲评审即评审人和文章作者互相都不知道对方的信息，完全匿名。
开放式评审即所有提交的论文都会公开姓名等信息，并且接受所有同行的评价及提问（open peer review），任何学者都可匿名或实名评价论文。而在公开评审结束后，论文作者也能够对论文进行调整和修改。

以下几小段内容来自 2018年学术顶会：深度学习的江山如此多娇

我们可以看到这些学术顶会的论文提交数量不断增长，有些增幅甚至超 40%。那么一年过去了，合格的论文评审人员的增幅是否赶得上论文的增幅呢？

答案显而易见。今年 5 月，本科毕业生成为 NeurIPS 2018 论文同行评审的事情引发争议；7 月份，NeurIPS 2018 论文评审结果出来后，很多人吐槽评审意见不专业。几天后，GAN 之父Ian Goodfellow 发推质疑同行评审机制的作用，他认为同行评审导致 AI 顶会论文质量下降，而主要原因正在于评审人员水平不一。此前发表过「机器学习之怪现状」的 Zachary Lipton 同意 Goodfellow 的看法，认为同行评审机制的退化是机器学习怪现状的原因之一。

除了 Ian Goodfellow、Zachy Lipton 以外，Geoff Hinton 前不久接受采访时称，现在的评审制度和既定路径不利于创新性想法的提出和传播，junior 论文评审者可能压根无法理解创新性论文。关于此，国内学者也有类似看法，著名自然语言处理专家刘群教授说过：「审稿的时候……通常比较 junior 的审稿人会更严厉一些，发现一些小问题就会倾向于给低分，而 senior 的审稿人反倒宽松一些，如果觉得论文确有可取之处，通常不会太计较一些小问题。」此前，南京大学周志华教授称：「senior 知道论文价值就是那点新火花，有毛病没关系。前沿研究要有长处，系统开发要无短处。」

2.1 期刊

PAMI
《IEEE Transactions on Pattern Analysis and Machine Intelligence》是人工智能、模式识别、图像处理、计算机视觉领域的顶尖国际期刊之一，2016-2017年度影响因子为8.329，属于JCR TOP期刊，是计算机科学与人工智能领域的5个一区刊物之一。该杂志覆盖所有计算机视觉、图像理解、模式分析与识别等传统领域，以及部分机器智能领域，尤其强调模式分析的机器学习的前沿成果。
TMI
《IEEE Transactions on Medical Imaging》 (月刊，医学图像处理顶刊)
MIA
《Medical Image Analysis 》(月刊，医学图像处理顶刊)

2.2 会议

AAAI （人工智能顶会，A类/年）
围绕人工智能的研究与发展，吸引了全球的人工智能精英。
CVPR（计算机视觉顶会，A类/年）
《IEEE Conference on Computer Vision and Pattern Recognition》。这个会上除了视觉的文章，还会有不少模式识别的文章，当然两方面的结合自然也是重点。下面是 14-20 年的 paper list 链接

https://openaccess.thecvf.com/CVPR2014
https://openaccess.thecvf.com/CVPR2015
https://openaccess.thecvf.com/CVPR2016
https://openaccess.thecvf.com/CVPR2017
https://openaccess.thecvf.com/CVPR2018
https://openaccess.thecvf.com/CVPR2019
https://openaccess.thecvf.com/CVPR2020
https://openaccess.thecvf.com/CVPR2021
ECCV（计算机视觉顶会，B类/两年）
《Europeon Conference on Computer Vision》，是一个欧洲的会议。虽然名字不是International，但是会议的级别不比前面两个差多少。欧洲人一般比较看中理论，但是从最近一次会议来看，似乎大家也开始注重应用了，oral里面的demo非常之多，演示效果很好，让人赏心悦目、叹为观止。不过欧洲的会有一个不好，就是他们的人通常英语口音很重，有些人甚至不太会说英文，所以开会和交流的时候，稍微有些费劲。
ICCV（计算机视觉顶会，A类/两年）
《International Comference on Computer Vision》，正如很多和他一样的名字的会议一行，这样最朴实的名字的会议，通常也是这方面最nb的会议。ICCV两年一次，与ECCV正好错开。
ICLR（深度学习顶会/年）
《International Conference on Learning Representations》国际学习表征会议，2013 年，深度学习巨头 Yoshua Bengio、Yann LeCun 主持举办了第一届 ICLR 大会。经过几年的发展，在深度学习火热的今天，ICLR 已经成为人工智能领域不可错过的盛会之一。
ICML（机器学习顶会，A类/年）
《International Conference on Machine Learning》国际机器学习大会。ICML如今已发展为由国际机器学习学会（IMLS）主办的年度机器学习国际顶级会议。
IJCAI（人工智能国际联合大会，A类/年）
《International Joint Conference on Artificial Intelligence》国际人工智能联合会议，是人工智能领域的顶级综合会议，原为单数年召开，自2015年起改为每年召开。
IPMI（医学图像处理顶会/两年）
《Information Processing in Medical Imaging 》
MICCAI（医学图像处理顶会/年）
《International Conference on Medical Image Computing and Computer Assisted Intervention 》
NIPS（人工智能顶会，A类/年）
《Conference and Workshop on Neural Information Processing Systems》神经信息处理系统大会
是一个关于机器学习和计算神经科学的国际会议。该会议固定在每年的12月举行,由NIPS基金会主办。

3 Speech / Course

【Paper material】
【阅读笔记】
【摘抄】英文
【摘抄】中文（私密）
【Andrew Ng】《Class of 2017 Sloan Fellows presents》
【周志华】新智元 AI World 2018 世界人工智能峰会
【National Treasure】
【Career Exploration and Selection】
【Romance of the Three Kingdoms】
【Weather Classification】reading notes
【Structure Light】reading notes（一）

4 Material

AI 自动抠图
十分钟快速理解 DPI 和 PPI，不再傻傻分不清！
PASCAL VOC2007 Database Statistics
PASCAL VOC2012 Database Statistics
旷视南京研究院魏秀参：细粒度图像分析综述（「R Talk 」是旷视推出的一个深度学习专栏，将通过不定期的推送展示旷视科技的学术分享及阶段性技术成果。「R」是 Research 的缩写，也是旷视研究院的内部代号；而所有的「Talk」都是来自旷视的 Researcher。「R Talk 」旨在通过一场场精彩纷呈的深度学习分享，抛砖引玉，推陈出新，推动中国乃至全球领域深度学习技术的大发展。）
俞刚：我在旷视研究院做检测
Receptive Field Calculator
MS COCO 目标检测、人体关键点检测评价指标
【GPU】

Machine learning — Is the emperor wearing clothes? ↩︎

python os.environ_python os.environ 读取和设置环境变量 weixin_39605414 python os.environ
>>>importos>>>os.environ.keys()['LC_NUMERIC','GOPATH','GOROOT','GOBIN','LESSOPEN','SSH_CLIENT','LOGNAME','USER','HOME','LC_PAPER','PATH','DISPLAY','LANG','TERM','SHELL','J2REDIR','LC_MONETARY','QT_QPA
100天持续行动—Day01 Richard_DL
今天开始站着学习，发现效率大幅提升。把fast.ai的Lesson1的后半部分和Lesson2看完了。由于Keras版本和视频中的不一致，运行notebook时经常出现莫名其妙的错误，导致自己只动手实践了视频中的一小部分内容。为了赶时间，我打算先把与CNN相关的视频过一遍。然后尽快开始做自己的项目。明天继续加油，争取把Lesson3和Lesson4看完。
yolov5＞onnx＞ncnn＞apk 图像处理大大大大大牛啊 opencv实战代码讲解 yolo onnx ncnn 安卓
一.yolov5pt模型转onnx条件：colabnotebookyolov51.安装环境!pipinstallonnx>=1.7.0#forONNXexport!pipinstallcoremltools==4.0#forCoreMLexport!pipinstallonnx-simplifier2.修改common.py在classFocus下面
自动写论文的网站推荐这5款实用类工具小猪包333 写论文人工智能深度学习计算机视觉 AI写作
在当今学术研究和写作领域，AI论文写作工具的出现极大地提高了写作效率和质量。这些工具不仅能够帮助研究人员快速生成论文草稿，还能进行内容优化、查重和排版等操作。以下是五款实用类工具推荐，特别是千笔-AIPassPaper。1.千笔-AIPassPaper千笔-AIPassPaper是一款功能强大且全面的AI论文写作助手，用户只需输入基本的研究需求和关键词，便能迅速生成一篇完整的论文。该工具利用先进的
推荐3家毕业AI论文可五分钟一键生成！文末附免费教程！小猪包333 写论文人工智能 AI写作深度学习计算机视觉
在当前的学术研究和写作领域，AI论文生成器已经成为许多研究人员和学生的重要工具。这些工具不仅能够帮助用户快速生成高质量的论文内容，还能进行内容优化、查重和排版等操作。以下是三款值得推荐的AI论文生成器：千笔-AIPassPaper、懒人论文以及AIPaperPass。千笔-AIPassPaper千笔-AIPassPaper是一款基于深度学习和自然语言处理技术的AI写作助手，旨在帮助用户快速生成高质
4款毕业论文参考文献格式生成器（附加详细步骤）小猪包333 写论文人工智能深度学习计算机视觉 AI写作
在撰写毕业论文时，参考文献的格式规范是至关重要的。为了帮助学生和学者们更高效地生成符合要求的参考文献格式，本文将详细介绍四款推荐的参考文献格式生成器，并提供详细的使用步骤。1.千笔-AIPassPaper千笔-AIPassPaper是一款先进的AI辅助论文写作工具，不仅能够自动生成大纲、开题报告，还能一键生成参考文献。AI论文，免费大纲，10分钟3万字https://www.aipaperpass
AI论文写作推荐哪个好？分享5款AI论文写作带数据图表网站小猪包333 写论文人工智能深度学习计算机视觉
在当今学术研究和写作领域，AI论文写作工具的出现极大地提高了写作效率和质量。这些工具不仅能够帮助研究人员快速生成论文草稿，还能进行内容优化、查重和排版等操作。以下是五款推荐的AI论文写作工具，包括千笔-AIPassPaper。千笔-AIPassPaper千笔-AIPassPaper是一款功能强大的AI论文写作助手，旨在帮助用户快速生成高质量的论文内容。AI论文，免费大纲，10分钟3万字https:
AI论文题目生成器怎么用？9款论文写作网站简单3步搞定小猪包333 写论文人工智能深度学习计算机视觉
在当今信息爆炸的时代，AI写作工具的出现极大地提高了写作效率和质量。本文将详细介绍9款优秀的论文写作网站，并重点推荐千笔-AIPassPaper。一、千笔-AIPassPaper千笔-AIPassPaper是一款功能强大的AI论文生成器，基于最新的自然语言处理技术，能够一键生成高质量的毕业论文、开题报告等文本内容。它不仅提供智能选题、文献推荐和论文润色等功能，还具有较高的用户评价。其文献综述生成功
毕业论文附录一般都写什么?大学生写论文是干嘛用的写个原创论文人工智能深度学习 AI写作 chatgpt 论文阅读
毕业论文的附录通常包含一些在正文中不便于展示或详细阐述的内容，但对理解论文整体又具有重要意义的资料。具体来说，附录可能包含以下内容：AI论文，免费大纲，10分钟3万字，查重高于15%退费，支持数据图表！！AIPaperPass-AI论文写作指导平台AIPaperPass是AI原创论文写作平台，免费千字大纲，5分钟生成3万字初稿，提供答辩汇报ppt、开题报告、任务书等，40篇真实中英文知网参考文献，
计算机视觉中，Pooling的作用 Wils0nEdwards 计算机视觉人工智能
在计算机视觉中，Pooling（池化）是一种常见的操作，主要用于卷积神经网络（CNN）中。它通过对特征图进行下采样，减少数据的空间维度，同时保留重要的特征信息。Pooling的作用可以归纳为以下几个方面：1.降低计算复杂度与内存需求Pooling操作通过对特征图进行下采样，减少了特征图的空间分辨率（例如，高度和宽度）。这意味着网络需要处理的数据量会减少，从而降低了计算量和内存需求。这对大型神经网络
探索创新科技： Lite-Mono - 简约高效的小型化Mono框架杭律沛Meris
探索创新科技：Lite-Mono-简约高效的小型化Mono框架Lite-Mono[CVPR2023]Lite-Mono:ALightweightCNNandTransformerArchitectureforSelf-SupervisedMonocularDepthEstimation项目地址:https://gitcode.com/gh_mirrors/li/Lite-Mono如果你在寻找一个轻
数据分析-24-时间序列预测之基于keras的VMD-LSTM和VMD-CNN-LSTM预测风速皮皮冰燃数据分析数据分析
文章目录1普通的LSTM模型1.1数据重采样1.2数据标准化1.3切分窗口1.4划分数据集1.5建立模型1.6预测效果2VMD-LSTM模型2.1VMD分解时间序列2.2对每一个IMF建立LSTM模型2.2.1IMF1—LSTM2.2.2IMF2-LSTM2.2.3统一代码2.3评估效果3CNN-LSTM模型3.1数据预处理3.2建立模型3.3效果预测4VMD-CNN-LSTM模型4.1VMD分解
基于深度学习的农作物病害检测 SEU-WYL 深度学习dnn 深度学习人工智能
基于深度学习的农作物病害检测利用卷积神经网络（CNN）、生成对抗网络（GAN）、Transformer等深度学习技术，自动识别和分类农作物的病害，帮助农业工作者提高作物管理效率、减少损失。1.农作物病害检测的挑战病害种类繁多：农作物病害的类型多样，不同病害在同一作物上的表现差异很大，同时同一种病害在不同生长阶段的症状也可能不同。环境影响：天气、光照、湿度等外部环境因素会影响农作物的表现，使得病害检
yolov5单目测距+速度测量+目标跟踪 cv_2025 YOLO 目标跟踪人工智能计算机视觉机器学习图像处理 opencv
要在YOLOv5中添加测距和测速功能，您需要了解以下两个部分的原理：单目测距算法单目测距是使用单个摄像头来估计场景中物体的距离。常见的单目测距算法包括基于视差的方法（如立体匹配）和基于深度学习的方法（如神经网络）。基于深度学习的方法通常使用卷积神经网络（CNN）来学习从图像到深度图的映射关系。单目测距代码单目测距涉及到坐标转换，代码如下：defconvert_2D_to_3D(point2D,R,
探索深度学习的奥秘：从理论到实践的奇幻之旅小周不想卷深度学习
目录引言：穿越智能的迷雾一、深度学习的奇幻起源：从感知机到神经网络1.1感知机的启蒙1.2神经网络的诞生与演进1.3深度学习的崛起二、深度学习的核心魔法：神经网络架构2.1前馈神经网络（FeedforwardNeuralNetwork,FNN）2.2卷积神经网络（CNN）2.3循环神经网络（RNN）及其变体（LSTM,GRU）2.4生成对抗网络（GAN）三、深度学习的魔法秘籍：算法与训练3.1损失
卷积神经网络（CNN）详细介绍及其原理详解（二） FFmpeg123 Pytorch cnn 深度学习人工智能
接上一文继续;五、全连接层假设还是上面人的脑袋的示例，现在我们已经通过卷积和池化提取到了这个人的眼睛、鼻子和嘴的特征，如果我想利用这些特征来识别这个图片是否是人的脑袋该怎么办呢？此时我们只需要将提取到的所有特征图进行“展平”，将其维度变为1×x1×x1×x，这个过程就是全连接的过程。也就是说，此步我们将所有的特征都展开并进行运算，最后会得到一个概率值，这个概率值就是输入图片是否是人的概率，这个过程
【AI大咖】再认识Yann LeCun，一个可能是拥有最多中文名的男人喜欢打酱油的老鸟再认识Yann LeCun 一个可能是拥有最多中文名的男人
https://www.toutiao.com/i6693678422733881860/上一期扒了扛起深度学习大旗的Hinton先生，今天聊一位他的学生，深度学习中CNN的崛起离不开的男人——YannLeCun。一位陪伴Hinton三十年磨一剑，最终笑傲AI界的法国人。让我们一起记住这张面孔。作者|小满言有三编辑|小满言有三130秒了解LeCunYannLeCun，CNN之父，纽约大学终身教授，
端到端的自动驾驶论文与代码整理大别山伧父自动驾驶
LearningbyCheatinggithubcodearxivpaperconferenceonrobotlearning最新进展(May2021)Checkoutourlatestfollow-upwork:WorldonRails(2020)Checkoutoursubmissiontothe2020CARLAChallenge!pass
TextCNN：文本卷积神经网络模型一只天蝎编程语言---Python cnn 深度学习机器学习
目录什么是TextCNN定义TextCNN类初始化一个model实例输出model什么是TextCNNTextCNN（TextConvolutionalNeuralNetwork）是一种用于处理文本数据的卷积神经网（CNN）。通过在文本数据上应用卷积操作来提取局部特征，这些特征可以捕捉到文本中的局部模式，如n-gram（连续的n个单词或字符）。定义TextCNN类importtorch.nnasn
影像设备国产替代究竟有多重要？这家企业提前布局8K时代 8K超高清科技媒体智能硬件人工智能
从过往看，国产替代不是一个新概念，更是一个从被动到主动的转变。1.“黑屏计划”与互联网2008年是特殊的一年。这一年，中国成为世界上最大的互联网国家。根据中国互联网络信息中心（CNNIC）统计数据显示，我国网民数达到2.98亿人，互联网普及率达22.6%。网民数量居世界第一位，平均每5个人中就有一个是网络公民。也是在PC互联网进入巅峰时期的这一年，中国网民们突然收到了一则通知，提及若Office用
EP6 同一组件通过传递不同属性展示不同效果京城五 uniapp壁纸小程序项目实践前端学习脚步 css 前端 html
文件路径：E:/homework/uniappv3tswallpaper/pages/index/index.vue公告文字内容文字内容文字内容文字内容文字内容文字内容文字内容文字内容文字内容文字内容文字内容文字内容文字内容文字内容文字内容文字内容每日推荐专题精选More+.homeLayout{.banner{width:750rpx;padding:30rpx0;swiper{width:10
EP7 底部tab切换页面标签京城五 uniapp壁纸小程序项目实践前端知识杂合前端 uniapp 小程序
文件路径：E:/homework/uniappv3tswallpaper/pages/classify/classify.vue.classify{padding:30rpx;display:grid;grid-template-columns:repeat(3,1fr);gap:15rpx;}文件路径：E:/homework/uniappv3tswallpaper/pages/user/user
论文学习笔记 VMamba: Visual State Space Model Wils0nEdwards 学习笔记
概览这篇论文的动机源于在计算机视觉领域设计计算高效的网络架构的持续需求。当前的视觉模型如卷积神经网络（CNNs）和视觉Transformer（ViTs）在处理大规模视觉任务时展现出良好的表现，但都存在各自的局限性。特别是，ViTs尽管在处理大规模数据上具有优势，但其自注意力机制的二次复杂度对高分辨率图像处理时的计算成本极高。因此，研究者希望通过引入新的架构来降低这种复杂度，并提高视觉任务的效率。现
探索任务的隐秘世界：推荐Task2Vec 邓越浪Henry
探索任务的隐秘世界：推荐Task2Vecaws-cv-task2vecOfficialcodeforthepaper"Task2Vec:TaskEmbeddingforMeta-Learning"(https://arxiv.org/abs/1902.03545,ICCV2019)项目地址:https://gitcode.com/gh_mirrors/aw/aws-cv-task2vec在机器学习
《自然语言处理 Transformer 模型详解》黑色叉腰丶大魔王自然语言处理 transformer 人工智能
一、引言在自然语言处理领域，Transformer模型的出现是一个重大的突破。它摒弃了传统的循环神经网络（RNN）和卷积神经网络（CNN）架构，完全基于注意力机制，在机器翻译、文本生成、问答系统等众多任务中取得了卓越的性能。本文将深入讲解Transformer模型的原理、结构和应用。二、Transformer模型的背景在Transformer出现之前，RNN及其变体（如LSTM和GRU）是自然语言
深度学习算法在图算法中的应用（图卷积网络GCN和图自编码器GAE）大嘤三喵军团深度学习算法网络
深度学习算法在图算法中的应用1.图卷积网络（GraphConvolutionalNetworks,GCN）图卷积网络（GCN）是一种将卷积神经网络（ConvolutionalNeuralNetworks,CNN）推广到图结构数据的方法。GCN被广泛用于节点分类、图分类、链接预测等任务。优势和好处灵活性：GCN可以处理不规则和不均匀的数据结构，比如社交网络、分子结构、交通网络等。高效性：GCN使用局
Coding and Paper Letter（十四） G小调的Qing歌
资源整理。1Coding:1.R语言包ungeviz，ggplot2的拓展包，专门用来作不确定性的可视化。ungeviz2.计算机图形学相关开源项目。计算机图形学光线追踪开源项目C++源码。computergraphicsraytracing计算机图形学格网开源项目C++源码。computergraphicsmeshes计算机图形学介绍开源项目。computergraphics3.R语言包GLMM
产品笔记之数据来源木马良人
1.中国互联网络发展状况统计报告，每半年发布1次，http://www.cnnic.cn/hlwfzyj/hlwxzbg/。2.中国信息通信研究院-手机市场运行分析报告，每月发布1次，http://www.caict.ac.cn/kxyj/qwfb/qwsj/。3.Questmobile：http://www.questmobile.com.cn/blog.html4.易观千帆https://qi
05-树9 Huffman Codes（C） L_glonar c语言数据结构
日常，这一次，耗费我三天，其实第二天时便已经将对整个框架有清晰的了解了，（看了解析了），但是一步步排除，确实让我学到了很多。In1953,DavidA.Huffmanpublishedhispaper"AMethodfortheConstructionofMinimum-RedundancyCodes",andhenceprintedhisnameinthehistoryofcomputersci
线性代数|机器学习-P33卷积神经网络ImageNet和卷积规则取个名字真难呐算法机器学习矩阵人工智能线性代数
文章目录1.ImageNet2.卷积计算2.1两个多项式卷积2.2函数卷积2.3循环卷积3.周期循环矩阵和非周期循环矩阵4.循环卷积特征值4.1卷积计算的分解4.2运算量4.3二维卷积公式5.KroneckerProduct1.ImageNetImageNet的论文paper链接如下：详细请直接阅读相关论文即可通过网盘分享的文件：imagenet_cvpr09.pdf链接:https://pan.
关于旗正规则引擎中的MD5加密问题何必如此 jsp MD5 规则加密
一般情况下，为了防止个人隐私的泄露，我们都会对用户登录密码进行加密，使数据库相应字段保存的是加密后的字符串，而非原始密码。在旗正规则引擎中，通过外部调用，可以实现MD5的加密，具体步骤如下： 1.在对象库中选择外部调用，选择“com.flagleader.util.MD5”，在子选项中选择“com.flagleader.util.MD5.getMD5ofStr({arg1})”； 2.在规
【Spark101】Scala Promise/Future在Spark中的应用 bit1129 Promise
Promise和Future是Scala用于异步调用并实现结果汇集的并发原语，Scala的Future同JUC里面的Future接口含义相同，Promise理解起来就有些绕。等有时间了再仔细的研究下Promise和Future的语义以及应用场景，具体参见Scala在线文档：http://docs.scala-lang.org/sips/completed/futures-promises.html
spark sql 访问hive数据的配置详解 daizj spark sql hive thriftserver
spark sql 能够通过thriftserver 访问hive数据，默认spark编译的版本是不支持访问hive，因为hive依赖比较多，因此打的包中不包含hive和thriftserver,因此需要自己下载源码进行编译，将hive，thriftserver打包进去才能够访问，详细配置步骤如下： 1、下载源码 2、下载Maven,并配置此配置简单，就略过
HTTP 协议通信周凡杨 java httpclient http 通信
一：简介 HTTPCLIENT，通过JAVA基于HTTP协议进行点与点间的通信！二：代码举例测试类： import java
java unix时间戳转换 g21121 java
把java时间戳转换成unix时间戳： Timestamp appointTime=Timestamp.valueOf(new SimpleDateFormat("yyyy-MM-dd HH:mm:ss").format(new Date())) SimpleDateFormat df = new SimpleDateFormat("yyyy-MM-dd hh:m
web报表工具FineReport常用函数的用法总结（报表函数）老A不折腾 web报表 finereport 总结
说明：本次总结中，凡是以tableName或viewName作为参数因子的。函数在调用的时候均按照先从私有数据源中查找，然后再从公有数据源中查找的顺序。 CLASS CLASS(object):返回object对象的所属的类。 CNMONEY CNMONEY(number,unit)返回人民币大写。 number:需要转换的数值型的数。 unit:单位，
java jni调用c++ 代码报错墙头上一根草 java C++jni
# # A fatal error has been detected by the Java Runtime Environment: # # EXCEPTION_ACCESS_VIOLATION (0xc0000005) at pc=0x00000000777c3290, pid=5632, tid=6656 # # JRE version: Java(TM) SE Ru
Spring中事件处理de小技巧 aijuans spring Spring 教程 Spring 实例 Spring 入门 Spring3
Spring 中提供一些Aware相关de接口，BeanFactoryAware、 ApplicationContextAware、ResourceLoaderAware、ServletContextAware等等，其中最常用到de匙ApplicationContextAware.实现ApplicationContextAwaredeBean，在Bean被初始后，将会被注入 Applicati
linux shell ls脚本样例 annan211 linux linux ls源码 linux 源码
#! /bin/sh - #查找输入文件的路径 #在查找路径下寻找一个或多个原始文件或文件模式 # 查找路径由特定的环境变量所定义 #标准输出所产生的结果通常是查找路径下找到的每个文件的第一个实体的完整路径 # 或是filename :not found 的标准错误输出。 #如果文件没有找到则退出码为0 #否则即为找不到的文件个数 #语法 pathfind [--
List,Set,Map遍历方式 (收集的资源,值得看一下) 百合不是茶 list set Map遍历方式
List特点：元素有放入顺序，元素可重复 Map特点：元素按键值对存储，无放入顺序 Set特点：元素无放入顺序，元素不可重复（注意：元素虽然无放入顺序，但是元素在set中的位置是有该元素的HashCode决定的，其位置其实是固定的） List接口有三个实现类：LinkedList，ArrayList，Vector LinkedList：底层基于链表实现，链表内存是散乱的，每一个元素存储本身
解决SimpleDateFormat的线程不安全问题的方法 bijian1013 java thread 线程安全
在Java项目中，我们通常会自己写一个DateUtil类，处理日期和字符串的转换，如下所示： public class DateUtil01 { private SimpleDateFormat dateformat = new SimpleDateFormat("yyyy-MM-dd HH:mm:ss"); public void format(Date d
http请求测试实例（采用fastjson解析） bijian1013 http 测试
在实际开发中，我们经常会去做http请求的开发，下面则是如何请求的单元测试小实例，仅供参考。 import java.util.HashMap; import java.util.Map; import org.apache.commons.httpclient.HttpClient; import
【RPC框架Hessian三】Hessian 异常处理 bit1129 hessian
RPC异常处理概述 RPC异常处理指是，当客户端调用远端的服务，如果服务执行过程中发生异常，这个异常能否序列到客户端？如果服务在执行过程中可能发生异常，那么在服务接口的声明中，就该声明该接口可能抛出的异常。在Hessian中，服务器端发生异常，可以将异常信息从服务器端序列化到客户端，因为Exception本身是实现了Serializable的
【日志分析】日志分析工具 bit1129 日志分析
1. 网站日志实时分析工具 GoAccess http://www.vpsee.com/2014/02/a-real-time-web-log-analyzer-goaccess/ 2. 通过日志监控并收集 Java 应用程序性能数据(Perf4J) http://www.ibm.com/developerworks/cn/java/j-lo-logforperf/ 3.log.io 和
nginx优化加强战斗力及遇到的坑解决 ronin47 nginx 优化
　　　先说遇到个坑，第一个是负载问题，这个问题与架构有关，由于我设计架构多了两层，结果导致会话负载只转向一个。解决这样的问题思路有两个：一是改变负载策略，二是更改架构设计。　　　由于采用动静分离部署，而nginx又设计了静态，结果客户端去读nginx静态，访问量上来，页面加载很慢。解决：二者留其一。最好是保留apache服务器。　　　来以下优化：　　　
java-50-输入两棵二叉树A和B，判断树B是不是A的子结构 bylijinnan java
思路来自： http://zhedahht.blog.163.com/blog/static/25411174201011445550396/ import ljn.help.*; public class HasSubtree { /**Q50. * 输入两棵二叉树A和B，判断树B是不是A的子结构。例如，下图中的两棵树A和B，由于A中有一部分子树的结构和B是一
mongoDB 备份与恢复开窍的石头 mongDB备份与恢复
Mongodb导出与导入 1: 导入/导出可以操作的是本地的mongodb服务器,也可以是远程的. 所以,都有如下通用选项: -h host 主机 --port port 端口 -u username 用户名 -p passwd 密码 2: mongoexport 导出json格式的文件
[网络与通讯]椭圆轨道计算的一些问题 comsci 网络
如果按照中国古代农历的历法，现在应该是某个季节的开始，但是由于农历历法是3000年前的天文观测数据，如果按照现在的天文学记录来进行修正的话，这个季节已经过去一段时间了。。。。。也就是说，还要再等3000年。才有机会了，太阳系的行星的椭圆轨道受到外来天体的干扰，轨道次序发生了变
软件专利如何申请 cuiyadll 软件专利申请
软件技术可以申请软件著作权以保护软件源代码，也可以申请发明专利以保护软件流程中的步骤执行方式。专利保护的是软件解决问题的思想，而软件著作权保护的是软件代码（即软件思想的表达形式）。例如，离线传送文件，那发明专利保护是如何实现离线传送文件。基于相同的软件思想，但实现离线传送的程序代码有千千万万种，每种代码都可以享有各自的软件著作权。申请一个软件发明专利的代理费大概需要5000-8000申请发明专利可
Android学习笔记 darrenzhu android
1.启动一个AVD 2.命令行运行adb shell可连接到AVD,这也就是命令行客户端 3.如何启动一个程序 am start -n package name/.activityName am start -n com.example.helloworld/.MainActivity 启动Android设置工具的命令如下所示： # am start -
apache虚拟机配置，本地多域名访问本地网站 dcj3sjt126com apache
现在假定你有两个目录，一个存在于 /htdocs/a，另一个存在于 /htdocs/b 。现在你想要在本地测试的时候访问 www.freeman.com 对应的目录是 /xampp/htdocs/freeman ,访问 www.duchengjiu.com 对应的目录是 /htdocs/duchengjiu。 1、首先修改C盘WINDOWS\system32\drivers\etc目录下的
yii2 restful web服务[速率限制] dcj3sjt126com PHP yii2
速率限制为防止滥用，你应该考虑增加速率限制到您的API。例如，您可以限制每个用户的API的使用是在10分钟内最多100次的API调用。如果一个用户同一个时间段内太多的请求被接收，将返回响应状态代码 429 (这意味着过多的请求)。要启用速率限制, [[yii\web\User::identityClass|user identity class]] 应该实现 [[yii\filter
Hadoop2.5.2安装——单机模式 eksliang hadoop hadoop单机部署
转载请出自出处：http://eksliang.iteye.com/blog/2185414 一、概述 Hadoop有三种模式单机模式、伪分布模式和完全分布模式，这里先简单介绍单机模式，默认情况下，Hadoop被配置成一个非分布式模式，独立运行JAVA进程，适合开始做调试工作。二、下载地址 Hadoop 网址http:
LoadMoreListView+SwipeRefreshLayout（分页下拉）基本结构 gundumw100 android
一切为了快速迭代 import java.util.ArrayList; import org.json.JSONObject; import android.animation.ObjectAnimator; import android.os.Bundle; import android.support.v4.widget.SwipeRefreshLayo
三道简单的前端HTML/CSS题目 ini html Web 前端 css 题目
使用CSS为多个网页进行相同风格的布局和外观设置时，为了方便对这些网页进行修改，最好使用（）。http://hovertree.com/shortanswer/bjae/7bd72acca3206862.htm 在HTML中加入<table style=”color:red; font-size:10pt”>，此为（）。http://hovertree.com/s
overrided方法编译错误 kane_xie override
问题描述：在实现类中的某一或某几个Override方法发生编译错误如下： Name clash: The method put(String) of type XXXServiceImpl has the same erasure as put(String) of type XXXService but does not override it 当去掉@Over
Java中使用代理IP获取网址内容（防IP被封，做数据爬虫） mcj8089 免费代理IP 代理IP 数据爬虫 JAVA设置代理IP 爬虫封IP
推荐两个代理IP网站： 1. 全网代理IP：http://proxy.goubanjia.com/ 2. 敲代码免费IP：http://ip.qiaodm.com/ Java语言有两种方式使用代理IP访问网址并获取内容，方式一，设置System系统属性 // 设置代理IP System.getProper
Nodejs Express 报错之 listen EADDRINUSE qiaolevip 每天进步一点点学习永无止境 nodejs 纵观千象
当你启动 nodejs服务报错： >node app Express server listening on port 80 events.js:85 throw er; // Unhandled 'error' event ^ Error: listen EADDRINUSE at exports._errnoException (
C++中三种new的用法 _荆棘鸟_ C++new
转载自：http://news.ccidnet.com/art/32855/20100713/2114025_1.html 作者: mt 其一是new operator，也叫new表达式；其二是operator new，也叫new操作符。这两个英文名称起的也太绝了，很容易搞混，那就记中文名称吧。new表达式比较常见，也最常用，例如： string* ps = new string("
Ruby深入研究笔记1 wudixiaotie Ruby
module是可以定义private方法的 module MTest def aaa puts "aaa" private_method end private def private_method puts "this is private_method" end end