图神经网络论文解读

PyG的第一个示例：下载数据后使用GCN训练

PyG用于图神经网络建模。
与非学堂·2023-01-08 07:21

[论文解读] AP-Loss for Accurate One-Stage Object Detection

文章内容论文贡献相关研究现状正负样本不平衡问题AP作为损失函数的应用感知学习算法本文工作核心工作1：rankingprocedurerankinglabelAPLoss核心工作2：error-drivenoptimizationalgorithm其他细节小批量训练的分数聚拢分段阶跃函数插值AP减少复杂度，加速训练代码解读论文链接：AP-LossforAccurateOne-StageObjectD
Los Merengues·2023-01-08 07:13

图神经网络汇总

图神经网络汇总图神经基础torch-geometric图结构数据消息传递图神经网络基于图神经网络的节点表征学习数据完全存于内存的数据集类节点预测与边预测任务实践超大图上的节点表征学习基于图神经网络的图表征学习方法超大规模数据集类的创建图预测任务实践
发呆的比目鱼·2023-01-07 21:38

python安装torch-cluster、torch-scatter、torch-sparse和torch-geometric

跑图神经网络经常要安装torch-cluster、torch-scatter、torch-sparse和torch-geometric这些包，但是这些包安装挺麻烦的，经常因为版本不对应而报错，下面将介绍如何在版本对应的情况下安装这些包
Surpassall·2023-01-07 21:08

Image Inpainting via Conditional Texture and Structure Dual Generation 论文解读和感想

ImageInpaintingviaConditionalTextureandStructureDualGeneration论文解读和感想背景和动机本文是一篇2021年ICCV的关于图像inpainting
涑月听枫·2023-01-07 19:55

ICCV 2019丨微软亚研院精选论文解读

点击我爱计算机视觉标星，更快获取CVML新技术编者按：ICCV2019正于10月27-11月2日在韩国首尔举行。微软亚洲研究院有15篇论文入选本届ICCV，内容涵盖空间注意力机制、图像深度估计、医学图像配准等多个前沿主题。本文将为大家介绍其中的5篇论文。递归级联网络：基于无监督学习的医学图像配准RecursiveCascadedNetworksforUnsupervisedMedicalImage
我爱计算机视觉·2023-01-07 19:24

Less is More_ Pay Less Attention in Vision Transformers论文解读

LessisMore:PayLessAttentioninVisionTransformers与FastVisionTransformerswithHiLoAttention论文解读前言1.LiTMLP
Wan-yuming·2023-01-07 18:37

《Character-Based LSTM-CRF with Radical-Level Features for Chinese Named Entity Recognition》论文解读

BILSTM+CRF命名实体识别关键技术调研实现系统的核心思想和算法描述数据集核心思想及算法描述系统主要模型流程表示层读取数据分批次输入数据词嵌入BILSTM层隐藏层CRF层模型评估分析准确率和召回率F1关键技术调研命名实体识别是自然语言处理中的一项基础又关键的技术。命名实体通常指的是文本中具有特别意义的实体，例如人名、地名、组织机构名等等。根据他的定义，可以预见，NER的关键在于，实体边界定义是
今天NLP了吗·2023-01-07 18:34

Dual-Flattening Transformers through Decomposed Row and Column Queries for Semantic Segmentation论文解读

Dual-FlatteningTransformersthroughDecomposedRowandColumnQueriesforSemanticSegmentation论文解读前言1.flatten2
Wan-yuming·2023-01-07 18:00

NIN论文翻译及解读

文章目录1、MLPCONV结构2、GlobalAveragePooling(GAP)3、NIN网络结构NIN论文解读及个人理解NIN网络的代码实现（pytorch）1、NIN块实现2、GAP层实现3、NIN
秋天的风儿·2023-01-07 17:09

TOOD（2021年8.18）论文解读

TOOD:Task-alignedOne-stageObjectDetection摘要1.介绍2.RelatedWork3.Task-alignedOne-stageObjectDetection3.1.Task-alignedHead3.2.TaskAlignmentLearning3.2.1Task-alignedSampleAssignment3.2.2Task-alignedLoss4.E
dear_queen·2023-01-07 15:34

【论文解读】TOOD：任务对齐的一阶段物体检测器

导读显式的使用loss来对齐分类和定位任务。TOOD:Task-alignedOne-stageObjectDetection论文链接：后台发送“tood”获取论文和代码链接。1、介绍现有的物体检测方法的2个局限性：（1）分类和定位的独立性。目前，分类和定位一般用的是2个独立的分支，这样使得2个任务之间缺乏交互，在预测的时候就会出现不一致性。得分高的预测位置不准，位置准的预测得分不高。（2）任务无
风度78·2023-01-07 15:34

GCN图神经网络和LSTM的介绍和使用场景 中英文

GCN-LSTM可以学习参考英文内容部分源自youtube的教学视频自己跟着英文敲的给定一辆出租车行驶时在某个时间段的速度，下一个时刻速度会是多少？这是一个时间序列回归预测问题。获得了若干时间点的速度，目标是预测出租车速度序列中的下一个具体数值，但是，如果模型没有获取速度序列的上下文，这个预测是不可能的。例如，表1的出租车运行速度中，40km/h后面是三个不同的速度值。但随着输入序列的不断增加，下
刘元职业车队·2023-01-07 15:02

《Revisiting the Sibling Head in Object Detector》论文解读，物体检测中的解耦检测头

点击上方“AI公园”，关注公众号，选择加“星标“或“置顶”导读这篇文章提供了一种使用不同proposal来分别做检测和分类的二阶段物体检测方法，相比之前的方法有稳定的performance的提升。摘要：FasterRCNN中的分类和定位是共享的head，这种方式用了很长时间，这篇文章提供了一个观点，分类和定位的特征在空间上是不对齐的，这种不对齐性在使用siblinghead（即两个结构一样的hea
ronghuaiyang·2023-01-07 13:47

CNN的复习 + 初探GNN图神经网络

目录卷积神经网络的复习GNN图神经网络输入输出图神经网络本身RecurrentGNN（循环GNN）卷积神经网络的复习就是我们用同一个函数，去在不同的位置和原图进行乘积再相加，得到了一个新的值，这就是卷积的概念卷积通常用来降维
Zqchang·2023-01-07 13:07

gnn图神经网络

除了节点还要考虑图的节点之间的关系也就是线也要考虑在内需要GNN2.怎么提取图里面的特征包括线和3.卷积：看节点的邻居aggregation加起来readout：整个graph的modelDCNN:把距离为2的把距离为1的feature的距离加起来得到k个距离的4.第二节课怎么弄成一个卷积的差不多的东西lamdaGCN:很多层收敛在同一个地方。做法dropedge
linag302·2023-01-07 13:36

GNN图神经网络

虽然图很简单，但如果我们赋予节点和边不同的含义的话，图就可以表达非常多信息；GNN：图神经网络，是指使用神经网络来学习图结构数据，提取和发掘图结构数据中的特征和模式，满足聚类、分类、预测、分割、生成等图学习任务需求的算法总称
秀得水乱流·2023-01-07 13:06

【GNN】基于GNN图神经网络模型的最小连通支配集的构造算法的MATLAB仿真

1.软件版本matlab2021a2.本算法理论知识1.将无线传感器网络抽象成一个连通的拓扑图，这个拓扑图中利用神经网络的思想建立一个模型，从而有助于连通支配集的构造。2.基于神经网络的连通支配集的集中式构造算法，通过确定一种算法来对建立的无线传感器网络的模型进行训练，达到的要求，训练GNN模型，使得最终的测试集可以快速找出输入图中的连通支配集。从而得到一个质量好的连通支配集。3.将整个无线传感器
fpga和matlab·2023-01-07 13:06

图与网络分析 | Python实现基于GNN图神经网络建模和预测

图与网络分析|Python实现基于GNN图神经网络建模和预测目录图与网络分析|Python实现基于GNN图神经网络建模和预测效果分析基本描述程序实现参考资料效果分析基本描述图神经网络（GNN）是一类深度学习方法
小橘算法屋·2023-01-07 13:06

GNN，请你的网络层数再深一点~

了解图神经网络的朋友对于深层GNN中的过平滑问题一定不陌生，随着网络层数的增加，模型的效果反而急剧下降，令人心痛。
程序员对白·2023-01-07 11:02

模型训练时应能根据训练数据自动改变网络结构和网络层数

当然了，像图神经网络、递归神经网络、循环神经网络之类的“网络结构看起来改变，但本质上没改变”的神经网络，不在本文中进行详细辩论，有兴趣的可以自行对比推演。2.问题对于训练之前就固定结
De-Chang Wang·2023-01-07 11:31

YOLO v1之总结篇（linux+windows）

论文解读篇：YOLO出自2016CVPRYouOnlyLookOnce:Unified,Real-TimeObjectDetection，也是一个非常值得学习的框架，不得不说facebook的技术就是牛啊
watersink·2023-01-07 11:16

Side Window Filtering 论文解读和C++实现

SideWindowFiltering刚开始看到这篇论文的时候，我就很感兴趣想去复现一把看看效果。这篇论文是今年CVPRoral且不是深度学习方向的，其核心贡献点就是：不管原来的滤波器保不保边，运用了side-window思想之后，都可以让它变成保边滤波！于是利用业余时间，参考作者开源的matlab代码，我用C++实现了一下Side-window盒子滤波，其他滤波器有时间再试下，下面是github
chuanbaitou0768·2023-01-07 10:42

Transformer论文解读三（distillation token）

最近Transformer在CV领域很火，Transformer是2017年Google发表的AttentionIsAllYouNeed中主要是针对自然语言处理领域提出的，后被拓展到各个领域。本系列文章介绍Transformer及其在各种领域引申出的应用。本文介绍的Trainingdata-efficientimagetransformers&distillationthroughattentio
蓝鲸鱼BlueWhale·2023-01-07 09:43

FDA论文解读及代码实现

FDA论文解读及代码实现论文解读/翻译：FDAgithub代码：github目的：实现从cityscapes到ACDC/night风格转换，并训练语义分割网络。
Abstract_zhw·2023-01-07 08:18

浙大知识图谱导论笔记

第一章知识图谱概论1.1语言与知识1.2知识图谱的起源1.3知识图谱的价值1.4知识图谱的技术内涵基于图的知识表示图数据存储与查询知识提取知识图谱融合知识图谱推理知识图谱问答图算法与图神经网络第二章知识的表示
五幺幺·2023-01-07 07:34

从图(Graph)到图卷积(Graph Convolution): 漫谈图神经网络（一）

作者:SivilTaram编辑:Houye作者最近看了一些图与图卷积神经网络的论文，深感其强大，但一些Survey或教程默认了读者对图神经网络背景知识的了解，对未学过信号处理的读者不太友好。
人工智能与算法学习·2023-01-07 06:22

基于空间方法的图神经网络模型_【博客推荐】漫谈图神经网络模型GNN

最近看了一些图与图卷积神经网络的论文，深感其强大，但一些Survey或教程默认了读者对图神经网络背景知识的了解，对未学过信号处理的读者不太友好。
weixin_39943750·2023-01-07 06:52

【图神经网络】 漫谈图神经网络 (一)

zhuanlan.zhihu.com/p/108294485原文作者|SivilTaram整理编辑|houye(RUCAIBox公众号)作者最近看了一些图与图卷积神经网络的论文，深感其强大，但一些Survey或教程默认了读者对图神经网络背景知识的了解
zenRRan·2023-01-07 06:46

【论文解读】DCPDN-Densely Connected Pyramid Dehazing Network-CVPR2018

论文地址：https://arxiv.org/abs/1803.08396代码地址：https://github.com/hezhangsprinter/DCPDN代码跑通参考：https://blog.csdn.net/qq_32734095/article/details/89059949https://blog.csdn.net/qq_41202069/article/details/106
Hz_xi·2023-01-06 18:33

CVPR 2022 图像复原论文解读

IDR:Self-SupervisedImageDenoisingviaIterativeDataRefinement2022CVPR目录IDR:Self-SupervisedImageDenoisingviaIterativeDataRefinement背景：方法框架：实验：快速迭代算法：不足之处：论文链接：https://openaccess.thecvf.com/content/CVPR20
爱跳舞的小胖子·2023-01-06 18:20

【论文解读】VDN（ Variational Denoising Network ）变分去噪网络

之前一直对各种机器学习算法的推导比较感兴趣，又希望了解一些机器学习和深度学习模型相结合的处理方法，最近看到的这篇文章就是一个比较好的例子。文章名为VariationalDenoisingNetwork:TowardBlindNoiseModelingandRemoval可从arXiv:1908.11314获取。一、背景知识介绍文章目的是图像盲去噪，首先进行了领域相关工作的总结，认为主要存在两种主流
G. Albert·2023-01-06 17:14

论文解读《THRONE: a new approach for accurate prediction of human RNA N7-methylguanosine sites》

期刊：JournalofMolecularBiologySCI分区：2区摘要N7甲基鸟苷（m7G）是真核mRNA的5′帽处必不可少的，无处不在的和带正电荷的修饰，调节其输出，翻译和剪接过程。虽然已经开发了几种基于机器学习（ML）的m7G计算预测器，但都利用了特定的计算框架。这项研究是我们探索四种不同的计算框架并确定最佳方法的第一个实例。基于此，我们开发了一种新的预测因子，THRONE（一种用于识别
HXH@·2023-01-06 16:28

论文解读《STALLION：一个基于堆叠的原核赖氨酸乙酰化位点预测的集成学习框架》

期刊：BriefingsinBioinformatics分区：二区摘要蛋白质翻译后修饰(PTM)是一种重要的调节机制，在正常和疾病状态中都发挥着关键作用。赖氨酸残基上的乙酰化是由于其在细胞代谢和调节过程中的重要作用之一。识别蛋白质赖氨酸乙酰化(Kace)位点是生物信息学中的一项具有挑战性的任务。到目前为止，几种基于机器学习的方法，在硅中识别Kace站点的方法已经被开发出来。其中，少数是原核生物物种
HXH@·2023-01-06 16:28

论文解读《MSNet-4mC：学习有效的多尺度表示来识别DNAn4-甲基胞嘧啶位点》

期刊：Bioinformatics摘要动机：n4-甲基胞嘧啶（4mC）是一种重要的表观遗传修饰，调节广泛的生物过程。然而，检测4mC位点的实验方法是耗时和劳动密集型的。作为一种替代方法，能够通过数据分析技术自动识别4mC的计算方法成为一种合理的选择。一个主要的挑战是如何开发有效的方法来充分利用DNA序列内复杂的相互作用来提高预测能力。结果：在这项工作中，我们提出了MSNet-4mC，这是一种轻量级
HXH@·2023-01-06 16:28

论文解读《通过迭代特征表示计算预测物种特异性酵母DNA复制起源》

摘要脱氧核糖核酸的复制是细胞中发生的最关键的任务之一，它必须得到精确的调控。这一过程始于复制起源(ORIs)，因此识别这些位点对于更深入地了解与基因表达调控相关的细胞过程和功能是至关重要的。考虑到ORIs所执行的重要任务，一些实验和计算方法已经发展来预测这些地点。然而，现有的ORIs计算预测器有一定的限制，如只构建单特征编码模型，有限的系统特征工程工作，以及无法验证模型的鲁棒性。因此，我们开发了一
HXH@·2023-01-06 16:58

论文解读《StackTADB:一种基于堆叠的集成学习模型，用于准确预测果蝇中的 topologically associating domains(TADs)的范围》

摘要染色体由许多不同的染色质结构域组成，可称为拓扑结构域或拓扑关联结构域(TADs)。这些结构域在不同细胞类型之间是稳定的，在物种间高度保守，因此这些染色质结构域被认为是染色体折叠的基本单位，被认为是染色体组织中重要的二级结构。然而，由于高碳数据或实验的高成本和低分辨率，TAD边界的识别仍然是一个巨大的挑战。在本研究中，我们提出了一个新的集成学习框架，称为StackTADB，用于预测TADs的范围
HXH@·2023-01-06 16:58

【论文解读：bCNN-Methylpred: Feature-Based Prediction of RNA Sequence Modification Using Branch Convoluti】

bCNN-Methylpred:基于特征的基于分支卷积神经网络的RNA序列修饰预测摘要1、介绍2、相关研究（1）CNN的一个新分支：该网络结合了不同编码方案的特征，准确地预测了不同RNA序列中的m6a位点（2）一种新的编码方案：我们提出了一种新的环状编码方案，它考虑了RNA序列中四个核苷酸碱基的每一个可能的组合，即腺嘌呤(A)、胞嘧啶(C)、鸟嘌呤(G)和尿嘧啶(U)。该编码方案进一步提高了对不同
HXH@·2023-01-06 16:57

论文解读《TS-m6A-DL：使用通用深度学习模型对n6-甲基腺苷位点进行组织特异性识别》

摘要最常见的转录后修饰，n6-甲基腺苷(m6a)，与许多关键的生物过程有关。精确检测基因组周围的m6a位点对于揭示其调控功能和为药物设计提供新的见解至关重要。虽然已经引入了检测m6a位点的实验和计算模型，但这些传统的方法是费力和昂贵的。此外，这些模型中只有少数模型能够检测到各种组织中的m6a位点。因此，需要一种更通用和优化的计算方法来检测不同组织中的m6a位点。在本文中，我们提出了一种基于深度神经
HXH@·2023-01-06 16:57

论文解读＜＜基于分布式特征表示的深度学习模型识别蔷薇科基因组中的DNA n4 -甲基胞嘧啶位点＞＞

论文解读>摘要DNAn4-甲基胞嘧啶(4mC)是在原核生物和真核生物中发现的一种表观遗传修饰，涉及许多生物学功能，包括宿主防御、转录调节、基因表达和DNA复制。
HXH@·2023-01-06 16:27

论文解读《Detection of transcription factors binding to methylated DNA by deep recurrent neural network》

标题：通过深度循环神经网络检测与甲基化DNA结合的转录因子期刊：BriefingsinBioinformatics摘要转录因子（TFs）是一种特异性参与基因表达调控的蛋白质。在表观遗传学中，人们普遍认为甲基化的核苷酸可以阻止TFs与DNA片段的结合。然而，最近的研究证实，一些转录因子有能力与甲基化的DNA片段相互作用，从而进一步调控基因表达。虽然生化实验可以识别与甲基化DNA序列结合的TFs，但这
HXH@·2023-01-06 16:27

NIPS2018最佳论文解读：Neural Ordinary Differential Equations

NIPS2018最佳论文解读：NeuralOrdinaryDifferentialEquations雷锋网2019-01-1023:32雷锋网AI科技评论按，不久前，NeurIPS2018在加拿大蒙特利尔召开
weixin_30853329·2023-01-06 11:46

论文解读BART: Denoising Sequence-to-Sequence Pre-training for Natural Language Generation, Translation,

简介众所周知bert的encoder形式不适合做生成式任务。transformerdecode形式在生成式方面有着非常好的表现。bart基本就是一个标准的sequencetosequence形式的transformer。其在文本摘要，问答等方面有着sota的表现。模型介绍bart基本是标准的sequencetosequence形式的transformer，只不过其中的激活函数换成了gelu。ten
黑夜使者·2023-01-06 07:16

【目标检测】Mask R-CNN论文解读

目录：MaskR-CNN论文解读一、Mask-RCNN流程二、Mask-RCNN结构2.1ROIPooling的问题2.2ROIAlign三、ROI处理架构四、损失函数一、Mask-RCNN流程MaskR-CNN
旅途中的宽~·2023-01-06 07:41

AlphaPose 姿态估计 论文解读笔记

论文链接：arxiv.org/abs/1612.00137论文代码：github.com/MVIG-SJTU/AlphaPose此博客不是直接对论文的翻译，是阅读论文时的笔记和总结；论文采取的方法：alphapose采取的为自顶向下，two-step方法；论文的基本实现步骤：1）采取Faster-RCNN作为人体检测网络，提取图片中的人体候选框；2）将得到的人体检测候选框进行变换，使人体处于图片的
Arya_needle·2023-01-06 07:24

深度学习（Deep Learning）

卷积神经网络，卷积核、池化、通道、激活函数5.循环神经网络，长短时记忆LSTM、门控循环单元GRU6.参数初始化方法、损失函数Loss、过拟合7.对抗生成网络GAN8.迁移学习TL9.强化学习RF10.图神经网络
人工智能技术与咨询·2023-01-06 04:11

谷歌：基于深度强化学习的芯片放置

论文：ChipPlacementwithDeepReinforcementLearning相关文章：知乎：Foreversnow：Google芯片自布局论文解读CSDC：布谷AI：深究强化学习在谷歌芯片布局上的应用介绍谷歌在这篇文章中提出了一个基于强化学习的芯片放置方法
醉生梦死一浮尘·2023-01-06 00:50

DIEN论文解读

摘要：对于CTR预测模型，捕获用户行为数据背后潜在的用户兴趣是有必要的。此外，考虑到外部环境变化和内部认知的变化，用户兴趣会随着时间的推移而动态变化。目前，有一些CTR预估模型用于兴趣建模，但大多数都直接将行为表征作为兴趣，缺乏对具体行为背后的潜在兴趣进行针对性建模。此外，很少有工作考虑到兴趣的变化趋势。本文中，我们提出了一种新的模型——深度兴趣演化网络（DIEN）。具体来说，我们设计兴趣提取器层
小伟db·2023-01-05 16:52

#从零实现神经网络_PaddlePaddle(飞浆)图神经网络7天训练营

本次课程基于百度AIstudio，主要是图神经网络方面的快速入门。
吴婧羡·2023-01-05 15:49

Paddle飞桨图神经训练营笔记

图神经网络链接：图神经网络7日打卡营课程基础数学基础：高等数学线性代数概率与数理统计编程基础Python:numpyPaddlePaddle1.8PGL机器学习基础神经网络（FC，BPNN)资料综述GraphNeuralNetworks
洛Darki·2023-01-05 15:49
上一页 28 29 30 31 32 33 34 35 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他