E-COM-NET
首页
在线工具
Layui镜像站
SUI文档
联系我们
推荐频道
Java
PHP
C++
C
C#
Python
Ruby
go语言
Scala
Servlet
Vue
MySQL
NoSQL
Redis
CSS
Oracle
SQL Server
DB2
HBase
Http
HTML5
Spring
Ajax
Jquery
JavaScript
Json
XML
NodeJs
mybatis
Hibernate
算法
设计模式
shell
数据结构
大数据
JS
消息中间件
正则表达式
Tomcat
SQL
Nginx
Shiro
Maven
Linux
论文理解
Relational Graph Attention Network for Aspect-based Sentiment Analysis
论文理解
[标题]《RelationalGraphAttentionNetworkforAspect-basedSentimentAnalysis》[代码地址]https://github.com/shenwzh3/RGAT-ABSA[知识储备]目录一、背景与概览1.1相关研究1.2贡献点1.3相关工作二、模型2.1attention还是syntax2.2以aspect为方向的依赖树2.3GAT(Graph
Muasci
·
2021-02-07 17:56
文献阅读之家
insightface最新项目Partial FC
论文理解
人脸识别PartialFC:Training10MillionIdentitiesonaSingleMachine论文翻译文章目录人脸识别PartialFC:Training10MillionIdentitiesonaSingleMachine论文翻译前言AbstractIntroductionRelatedWorkFaceRecognitionAccelerationforSoftmaxMeth
songlixiangaibin
·
2020-10-13 16:31
Insightface
深度学习
神经网络
Lab2 RAFT整体架构
经验教训:回想了一下做的过程,我的方法是按着lab2的要求去读论文,并不是读完
论文理解
完再去做lab2,没有一种全局的理解就开始写代码,就会导致代码架构很乱,对功能的增删困难,并且一开始的一些细节一开始没有考虑到
Kyrie_046a
·
2020-10-05 18:26
论文《Efficient Estimation of Word Representations in Vector Space》阅读心得
由于自己刚开始看
论文理解
能力不够,如有错误欢迎大家指出来,我再修改。本片论文作者是TomasMikolov,他在谷歌是研究的是word2vec,现在跑去了facebook,都很厉害啊!
xuqn0606
·
2020-09-17 05:34
论文
Perceptual Losses for Real-Time Style Transfer and Super-Resolution 论文 理解
斯坦福大学的一篇基于感知损失函数的实时风格转换和超分辨重建
论文理解
,暂时只对实时风格转换部分做了理解,记录如下,如有问题,欢迎指正。这篇论文解决了之前Gatys等人实现的风格转换费时比较久的问题。
玉兔金兔
·
2020-09-16 00:43
机器学习
《Adaptive Graph Convolutional Neural Networks》
论文理解
1.AGCN模型框架AGCN由多个连续层组合而成,其核心层为SGC-LL层。层组合包括一个SGC-LL层,一个批处理归一层和一个图最大池化层。在每个SGC-LL层训练残差图Laplacian,并在接着一层图池层。在下一个SGC-LL层之前,自适应图(固有+残差图)一直被重用,因为SGC-LL会变换特征,所以下一个SGC-LL需要重新训练一个新的残差图。在进过上述组合层(SGC-LL层,批处理归一层
monster.YC
·
2020-09-15 20:25
深度学习
gcn
机器学习
《Dual Graph Convolutional Networks for Graph-Based Semi-Supervised Classification》
论文理解
1.DualGCN模型框架模型采用并行的两个简单的前馈网络ConvA,ConvPConv_A,Conv_PConvA,ConvP,其区别仅仅时输入的图结构信息不同,并且这两个并行图卷积的参数是共享的。首先,上面支路利用有标签的节点计算交叉熵损失,并对网络参数进行训练,得到一种后验分布。之后逐渐增加下面支路得到的均方差损失的权值,使得两个损失同时对模型参数产生影响。2.局部一致性卷积在实现局部一致性
monster.YC
·
2020-09-15 20:25
深度学习
gcn
神经网络
《Spectral Networks and Deep Locally Connected Networks on Graphs》
论文理解
1.引言在欧式空间中使用的CNN卷积具有平移不变性,权值共享,局部连接,分层次表达的特点;但是图网络是一种非欧式结构的数据,网络是不规整的关系型数据,所以其不存在平移不变形(每个节点的周围邻居数不固定),导致图网络无法使用传统的CNN。不使用卷积核卷积的话,只能按照全连接网络的方式进行线性映射,这样又将失去权值共享,局部连接,分层次表达这些优势,需要大量的参数。在《SpectralNetworks
monster.YC
·
2020-09-15 20:24
gcn
深度学习
卷积
(YOLOv2)YOLO9000:Better,Faster,Stronger
论文理解
,结构梳理
《YOLO9000:Better,Faster,Stronger》论文:https://arxiv.org/abs/1612.08242主要包括三个部分:Better,Faster,Stronger,其中前面两部分基本上讲的是YOLOv2,最后一部分讲的是YOLO9000。Better这部分细节很多,要详细了解的话还是需要结合源码来看。本篇论文是YOLO作者为了改进原有的YOLO算法所写的。YOL
中路杀猪
·
2020-09-13 10:54
深度学习
目标检测
计算机视觉
神经网络
深度学习
论文理解
:YOLOv3
YOLOv3是在YOLOv2基础之上的提升,本论文主要包含以下几个方面:1.对YOLOv3的改进;2.改进的效果;3.一些“didn'twork”的处理;4.这些改进的意义。thedealboundingboxprediction延续YOLOv2的做法,仍使用dimensioncluster来生成anchorbox作为prior,网络仍输出X进行坐标预测,左上角偏移量(),boundingboxp
龙骑士尹志华
·
2020-09-12 17:31
SSD
论文理解
paper:SSDSingleShotMultiBoxDetector(单摄多框检测器)link:SSDpapercode:https://github.com/weiliu89/caffe/tree/ssd摘要提出目标检测方法SSD:one-stage的检测方法,不需要额外的proposal生成过程;将bbox的输出空间离散化到每个featuremap预设的多长宽比例和多尺度的boxes上;(具
JustForYouW
·
2020-09-10 21:09
Object
Detection
论文理解
:SSD
作者认为,当前的目标检测系统虽然准确,但是对于嵌入式系统甚至高端硬件来说仍需要大量集中的计算,对于即时应用仍然太慢了。于是在本文中提出了SSD(SingleShotMultiBoxDetector)。SSD架构如下:如图(a)SSD在训练期间仅需要每个对象的输入图像和对应的groundtruthbox(真实标签框)。卷积处理时,我们在具有不同尺度(例如(b)和(c)中的8×8和4×4)的若干特征图
龙骑士尹志华
·
2020-09-10 17:29
A Cuboid CNN Model with an Attention Mechanism for Skeleton-based Action Recognition---
论文理解
翻译一个有注意力的长方体CNN模型基于骨架的动作识别机制摘要深度传感器(如微软Kinect)的引入推动了人类动作识别的研究。深度传感器收集的人体骨骼数据为动作识别传递了大量的信息。虽然在动作识别方面已经取得了相当大的进展,但是大多数现有的基于骨架的方法忽略了这样一个事实,即并非所有的人体部位都在许多动作中活动,而且它们没有考虑到身体关节的顺序位置。在此,由于动作的类别是由局部关节动作决定的,我们提
alicecv
·
2020-09-10 12:52
行为识别
深度学习
机器学习
神经网络
ECO: Efficient Convolutional Network for Online Video Understanding-----
论文理解
论文:https://arxiv.org/pdf/1804.09066.pdfhttps://zhuanlan.zhihu.com/p/36795554https://www.pianshen.com/article/9791798346/翻译:https://www.pianshen.com/article/65031563959/代码:https://blog.csdn.net/zhang_c
alicecv
·
2020-09-10 12:22
行为识别
【目标检测】centernet 小结
一、
论文理解
:https://blog.csdn.net/c20081052/article/details/89358658二、损失函数理解:https://zhuanlan.zhihu.com/p/
zl3090
·
2020-08-26 16:14
DSB2017第一名
论文理解
: 3D Deep Leaky Noisy-or Network(二)
ps:主要是看了之后过几天就是不是特别清晰了,故大概能看懂的感兴趣的地方记录下。代码论文等基础信息在上一篇。三.数据和预处理A.数据训练本模型用了两个肺扫描数据集:肺结节分析数据集简称LUNA,数据科学碗2017训练集简称DSB。LUNA:这个数据集上有888个病人,1186个标记的肺结节。DSB:这个数据集上1397个病人作为训练,198个病人作为验证,506个病人作为测试。其中值得我们注意的是
镜中隐
·
2020-08-26 13:09
深度学习
DSB2017第一名
论文理解
: 3D Deep Leaky Noisy-or Network(一)
Kaggle上2017年肺结节检测比赛第一名的算法,其代码的github通道。论文:https://arxiv.org/abs/1711.08324我也是没办法,代码又跑不起来,里面还有很多细节参数不理解(之前已经看了deeplung的论文代码,结合这个模型的整体理解已经比较清晰了,但细节还是理解不了,来看原文了)。下面翻译理解下我困惑的部分,当然也会加入自己的理解自己发挥下的。二.RELATED
镜中隐
·
2020-08-26 13:09
深度学习
《Deep Attention Neural Tensor Network for Visual Question Answering》视觉问答的深度注意神经张量网络
论文理解
一、介绍在本文中,我们提出了一种新颖的深度关注神经张量网络(DA-NTN)用于视觉问题回答,它可以发现基于张量表示的图像,问题和答案之间的联合相关性。首先,我们通过双线性特征对成对交互(例如,图像和问题)中的一个建模,进一步用三维(例如,答案)将其编码为双线性张量积的三元组。其次,我们通过不同的答案和问题类型分解不同的三元组的相关性,并进一步在张量上提出一个切片式注意模块,以选择最具判别力的推理过
陌上pamper
·
2020-08-24 01:52
An Empirical Evaluation of Generic Convolutional and Recurrent Networks for Sequence Modeling
论文理解
作者(tonygsw)个人陈述:这篇blog主要是根据“AnEmpiricalEvaluationofGenericConvolutionalandRecurrentNetworksforSequenceModeling”,献给初学者不想直接看英文论文的同学,算是翻译+理解了备注:黑体不是我自己写的,不是黑体的部分算是翻译吧摘要:对与大多数搞序列建模的研究者,序列建模(sequencemodeli
tonygsw
·
2020-08-23 07:07
机器学习
论文理解
《Dense crowd counting from still images with convolutional neural networks》
论文《Densecrowdcountingfromstillimageswithconvolutionalneuralnetworks》创新点:使用深度学习方法估计一张图片中中等、高度拥塞程度的人群;解决问题:人群计数算法的一些局限性:(1)当人群规模达到成百上千时,这些算法只能用来估计人群密度而不能计算人群总数;(2)通常依赖于人群视频中的时序,但是这点在静止的图片中是不适用的。人群没有定义好的
Selieyo
·
2020-08-22 03:05
crowd
count
中本聪
论文理解
1)点对点(跟现在银行网上支付有什么区别)A)你要申请一个银行账号(银行进行身份认证,才给,另外你申请的卡还有转账额度等不同级别的限制,分VIP客户等)而区块链只要你有互联网,都可以注册一个账号,每个人都是公平的,不需要一个类似于银行的中心机构去认证才可以。B)现在的网上支付跟比特币点对点支付有啥区别:先了解银行在互联网时代,网银在线支付变得越来越流行,除了方便之外,其还具有以下优点:(1)较高的
李伟英
·
2020-08-21 03:17
NASNet
最近在看NASNet,但是NASNet是基于NAS来的,于是还得先看NAS的论文,学习过程中看到几篇好的文章,mark下论文笔记NASNAS综述NAS详解NASNet
论文理解
NASNet详解解读NASNetNASNetNASNet
Andyato0520
·
2020-08-20 02:36
Deep
learning
【anchor free】系列
论文理解
1.2019centernethttps://zhuanlan.zhihu.com/p/104152762?utm_source=wechat_session2.2019ExtremeNethttps://mp.weixin.qq.com/s/Sj0zgcFFt_W9yZy37oENUwhttps://blog.csdn.net/sinat_37532065/article/details/866
zl3090
·
2020-08-19 06:14
目标检测
FCOS:Fully Convolutional One-Stage Object Detection--------
论文理解
参考博客:https://blog.csdn.net/qiu931110/article/details/890732441.概述论文提出了一种新的目标检测方法,通过像素预测方式的目标检测,类似于语义分割。目前的目标检测都是基于锚框机制的,如two-stage的FasterR-CNN等,one-stage的RetinaNet,SSD,YOLOv3等。相比之下,本文中提出的FCOS,既避免了预测框与
ruoruojiaojiao
·
2020-08-19 03:53
深度学习
计算机视觉
目标跟踪 --- CREST
论文理解
目标跟踪CREST在目标目标跟踪领域,目前最常用大多以相关滤波为主。CREST作者认为现有的相关滤波方法将特征提取与滤波器更新分离开,无法进行端到端训练。而作者则提出了使用一层CNN网络来模拟相关滤波操作,并将特征提取、模型训练等集成在一起,可以进行端到端训练。同时为了避免模型退化,作者采用了残差思想对网络进行了部分优化。作者认为相关滤波主要有两个缺点:1)相关滤波的将特征提取与跟踪器训练等隔离开
gbc000001
·
2020-08-18 18:31
目标跟踪
Cartesian k-means
论文理解
1.普通k-means给定nnn个ppp维数据点,D≡{Xj}j=1nD≡\{X_j\}_{j=1}^nD≡{Xj}j=1n,普通Kmeans算法将它们分成kkk个类别,每个类别有一个类中心。目标函数是:其中矩阵CCC的第i列是cic_ici,分成m个类别,那么矩阵就有m列,b∈{0,1}kb∈\{0,1\}^kb∈{0,1}k,且b的模长为1,即b只有一个分量值为1,其余分量值为0。K-me
悟道修炼中
·
2020-08-18 13:21
索引技术
近似最近邻检索技术
《Large-Scale Learnable Graph Convolutional Networks》
论文理解
1.LGCL算法框架使得卷积神经神经网络无法直接应用于图数据的原因主要有两个:(1)图数据没有固定数量的领域节点;(2)图数据的节点没有显式或者隐式的顺序;在LGCL算法中,作者通过k-最大节点选择部分确定图数据的邻域节点以及领域节点的顺序;通过1-D卷积神经网络将节点的邻域信息进行卷积形式的信息聚合得到输出。下图为LGCL的算法流程图。2.k-最大节点选择k-最大节点选择的主要目的就是将图结构数
monster.YC
·
2020-08-17 16:12
Fast Patch-based Style Transfer of Arbitrary Style
论文理解
创新点这篇论文实现了图像的任意风格转换,不在局限于单个风格的训练。同时支持优化和前向网络的方法。这个方面只在一层进行相关处理。styleswap表示content在某一层的featuremaps、表示style在某一层的featuremaps。,就是表示用对应的代替后的值。具体怎么替换,采用的是基于块的方式,先确定块的大小为3(可以是5、7等),对的每个块都在中查找最接近的块来替换它。论文中一般是
玉兔金兔
·
2020-08-17 10:42
机器学习
AdaSale
论文理解
一种用于改善视频中目标检测尺寸问题的新技术,能同时保证精度和速度paper:AdaScale:TowardsReal-timeVideoObjectDetectionUsingAdaptiveScalinglink:AdaScalepapercode:tobeadded摘要自动智能系统中视频目标检测面临问题:如何权衡速度与精度;提出新的方法AdaScale:自适应选择输入图像的分辨率既能提速也能得
JustForYouW
·
2020-08-16 22:13
Object
Detection
video
object
detection
adascale
Face Landmark Detection PFLD
论文理解
一篇优秀的人脸特征点检测算法,学习一下~paper:PFLD:APracticalFacialLandmarkDetectorlink:PFLDpapercode:noopensourceyetAndroidapk摘要人脸关键点检测器实际应用所需特征:准确性好,高效,模型轻量级;本文提出在非限定条件下的具有理想检测精度的轻量级landmark检测模型,在移动设备上能达到超实时的性能:仅在训练阶段进
JustForYouW
·
2020-08-16 22:13
Face
Recognition
and
Detection
Group Normalization
论文理解
BatchNormalization是一个里程碑式的工作,使得大量cnn可以正常训练,KaimingHe等人提出GroupNormalization又做了进一步提升paper::GroupNormalizationlink:GNpapercode:引入GN实现训练的Mask-RCNN摘要文中提出一种新的CNN训练优化技术:BN现存问题:随着batchsize的减小,由不准确的批量统计估计造成的BN
JustForYouW
·
2020-08-16 22:13
Based
Algorithm
Face Detection DSFD
论文理解
paper:DSFD:DualShotFaceDetectorlink:DSFDpapercode:toaddwhenpublication摘要人脸检测任务目前存在的问题:尺度、姿势、遮挡、表情、外观、照明等具有高度可变性;论文创新点:继承SSD的检测框架,引入featureenhancemodule,用于传输原始特征图来将单发检测器扩展到双射检测器;采用通过两组anchor计算的progress
JustForYouW
·
2020-08-16 22:12
Face
Recognition
and
Detection
Cascade R-CNN
论文理解
paper:CascadeR-CNN:DelvingintoHighQualityObjectDetectionlink:CascadeR-CNNpapercode:https://github.com/zhaoweicai/cascade-rcnn摘要在目标检测中IOU(intersectionoverunion)阈值用来判断候选框是positive还是negative,IOU阈值的提高会降低检
JustForYouW
·
2020-08-16 18:22
Object
Detection
Understanding black-box predictions via influence functions_1703.04730_icml_best
论文理解
作者:tonygsw论文地址:https://arxiv.org/pdf/1703.04730.pdf论文对应的github:https://github.com/kohpangwei/influence-release1.背景:额。。之前去某学校夏令营中听一个老师说现在的机器学习中,用到的CNN,RNN啥的神经网络模型最大的问题就是可解释性差,对与绝大数的开发者来说:基本就是一个黑盒,你按照大致
tonygsw
·
2020-08-16 15:27
机器学习
[
论文理解
] Spatial Transformer Networks
SpatialTransformerNetworks简介本文提出了能够学习feature仿射变换的一种结构,并且该结构不需要给其他额外的监督信息,网络自己就能学习到对预测结果有用的仿射变换。因为CNN的平移不变性等空间特征一定程度上被pooling等操作破坏了,所以,想要网络能够应对平移的object或者其他仿射变换后的object有更好的表示,就需要设计一种结构来学习这种变换,使得作用了这种变换
weixin_30664615
·
2020-08-16 09:56
Scale-wise Convolution for Image Restoration
论文理解
这是一篇AAAI2020的文章,这篇论文的核心思想是根据尺度不变性(尺度的变化不会改变主要特征),在残差块中增加不同尺度的特征的融合。可以概括为:提取特征金字塔,尺度变换+特征融合,跳跃连接,输出。以论文中的图为例,具体操作可表述如下:输入图像,经过卷积生成一个特征金字塔,该特征金字塔经过残差块生成一个新的特征金字塔(也可以通过多个残差块生成多个特征金字塔),最后再进行卷积。下方为一个跳跃连接,即
很直很温暖
·
2020-08-16 05:25
深度学习
Densepose代码和
论文理解
代码:训练:同FRCNN测试:同FRCNN可视化:TextureTransferUsingEstimatedDenseCoordinatesimage----RGBimage对应IUV------3D需要‘换装’的模板图:3D表面图(25块)1得出每块的坐标.x,y=np.where(IUV[:,:,0]==PartInd)写的我自己也看不懂了UV中属于那一块的点(3d坐标点)属于那一块的3d坐标
一寸寸土
·
2020-08-16 04:01
【目标检测】FPN
论文理解
文章结构摘要一、引言二、相关工作三、特征金字塔网络四、应用4.1特征金字塔网络用于RPN4.2特征金字塔网络用于FastR-CNN五、在目标检测器上的实验5.1RPN区域建议5.2Fast/FasterR-CNN目标检测器5.2.1FastR-CNN5.2.2FasterR-CNN5.2.3与coco其他竞争算法的比较六、总结摘要 特征金字塔:是检测系统中用于检测不同尺度目标的基本组件,但最近的
不断进步的咸鱼
·
2020-08-13 17:18
目标检测
从代码到
论文理解
并复现MADDPG算法(基于飞桨的强化学习套件PARL)
MADDPG算法是强化学习的进阶算法,在读对应论文Multi-AgentActor-CriticforMixedCooperative-CompetitiveEnvironments的过程中,往往会遇到很多不是很好理解的数学公式,这篇文章旨在帮助读者翻过数学这座大山,从PARL的代码理解MADDPG算法。把MADDPG拆分成多个算法什么是多智能体?有哪些环境?从PARL的代码解读MADDPG复现“
Mr.郑先生_
·
2020-08-12 18:59
PaddlePaddle
强化学习
PARL
强化学习
MADDPG
算法
论文
创新实训记录3--论文算法的理解
论文理解
1.融合语义规则和情感词典的房产中介评论情感分析摘要:为了降低评论文本情感分析的复杂度,同时提高情感分析的准确率,本文将语义规则和评论中产生的领域相关词典与开源情感词典相融合形成了新的评论情感分析算法
xxr~
·
2020-08-11 20:39
【创新实训】风格迁移功能探索与实现(四) train_model.py 训练代码的编写
最难的还是train_model.py的编写其实读
论文理解
起来没有那么难但是用代码实现的话就要好多天,还不能保证没有bug...train.py中最难的还是Lossfunction模块的编写因为这也是论文的创新点
一鸣鸣
·
2020-08-08 19:57
项目创新实训
Video Object Segmentation using Space-Time Memory Networks
论文理解
文章目录创新点方法MemoryNetworkSpace-TimeMemoryNetworksSpace-timeMemoryReadDecoder训练Two-stageTraining推理实验结果总结创新点计算视频的多帧的每个像素的关于query图像的每个像素的空间注意力,以此来决定像素是否属于前景物体不用限制帧的数量,还能简单的将他们加到memory中,探索丰富的参考信息这个参考信息来自哪呢?是
KirutoCode
·
2020-08-08 12:58
VOS
【目标检测】Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector(FSOD)
论文理解
Few-ShotObjectDetectionwithAttention-RPNandMulti-RelationDetector
论文理解
解决什么问题本文创新点\贡献本文IDEA来源方法方法概述问题定义
KirutoCode
·
2020-08-08 12:58
Detection
SSD
论文理解
SSD论文贡献:1.引入了一种单阶段的检测器,比以前的算法YOLO更准更快,并没有使用RPN和Pooling操作;2.使用一个小的卷积滤波器应用在不同的featuremap层从而预测BB的类别的BB偏差;3.可以在更小的输入图片中得到更好的检测效果(相比Faster-rcnn);4.在多个数据集(PASCAL、VOC、COCO、ILSVRC)上面的测试结果表明,它可以获得更高的mAp值;Thisr
weixin_30545285
·
2020-08-05 14:11
【语义分割】PANet Few-Shot Image Semantic Segmentation with Prototype Alignment
论文理解
PANetFew-ShotImageSemanticSegmentationwithPrototypeAlignment
论文理解
解决什么问题本文创新点\贡献前人方法本文IDEA来源方法方法概述AlignmentPrototypelearningNon-parametricmetriclearningPrototypealignmentregularization
KirutoCode
·
2020-08-05 10:34
OpenPose
论文理解
OpenPose:Real-timemulti-personkeypointdetectionlibraryforbody,face,hands,andfootestimationpaper:RealtimeMulti-Person2DPoseEstimationusingPartAffinityFieldslink:OpenPosepapercode:https://github.com/CMU
JustForYouW
·
2020-08-03 08:12
Recognition
Deeplab系列(V1\V2\V3)
论文理解
目录Version1Version2Version3Version3+Version1Pretrainedmodelandprototxt以前网络存在的问题:重复的池化和下采样层组合有平移不变形,其增强了数据分层抽象的能力,但是会阻碍低级的视觉任务(精确定位/抽象的空间关系)。本文结合了深度卷积神经网络(DCNNs)和概率图模型(DenseCRFs);DeepLab将DCNNs层的响应和完全连接的
请设置你的昵称
·
2020-08-03 07:40
segmentation
Handheld Multi-Frame Super-Resolution
论文理解
以上为论文算法流程图:a)RAW输入视频帧序列b)提取图像局部梯度c)高斯核回归d)帧局部对齐采用HDR+算法e)局部鲁棒性统计f)运动鲁棒性g)分颜色通道的贡献叠加h)图像融合结果总述:本文包括多帧RAW图像的获取、图像配准、图像融合三个步骤。首先,获取多帧RAW图像(CFABayer),然后选择其中一帧作为基帧(baseframe),剩下的图像都对该帧进行局部对齐。图像配准使用了HDR+中的配
blackmmu
·
2020-08-02 23:39
计算机视觉
计算机视觉
《Multi-Label Image Recognition with Graph Convolutional Networks》
论文理解
0.动机多标签图像识别的两个重要问题:(1)如何有效获取目标标签之间的相关性?(2)如何利用这些标签相关性提升分类表现?作者使用图(graph)来对标签之间的相互依赖关系进行建模,来灵活地获取标签空间中的拓扑结构:(1)由于从词嵌入向量到分类器的映射参数在所有类别中是共享的,所以学习到的分类器能够在词嵌入空间中(语义相关的概念在词嵌入空间中彼此临近)保留较弱的语义结构。与此同时,对于可以对标签依赖
monster.YC
·
2020-08-02 14:05
Pyramid Feature Attention Network for Saliency detection------
论文理解
代码链接:https://github.com/CaitinZhao/cvpr2019_Pyramid-Feature-Attention-Network-for-Saliency-detection1.概述在显著性检测算法中,如何提取到更有效的特征是该任务的难点之一。如今算法多通过融合多尺度特征来提取更有效的特征,但并不是所有的特征都是有效的,而且有些可能导致相反的效果。为了解决该问题,我们通过
ruoruojiaojiao
·
2020-08-02 13:24
深度学习
计算机视觉
yolo
目标检测
计算机视觉
深度学习
上一页
1
2
3
4
5
6
7
下一页
按字母分类:
A
B
C
D
E
F
G
H
I
J
K
L
M
N
O
P
Q
R
S
T
U
V
W
X
Y
Z
其他