论文笔记——网络结构第41页

论文笔记：When Do Contrastive Learning Signals Help Spatio-TemporalGraph Forecasting?

2022SigSpatial1intro1.1背景论文认为数据稀缺是阻碍时空图（STG）预测的一个关键问题在这一领域的公共数据集通常只包含几个月的数据，限制了可以构建的训练实例数量——>学习模型可能会对训练数据过拟合，导致泛化性能较差自监督学习在graph任务中展现出巨大的潜力从数据本身中获取监督信号，通常利用数据的潜在结构大多数表现最佳的自监督方法都基于对比学习基本思想在具有类似语义（posit

UQI-LIUWJ·2023-08-25 05:57

Grounded Language-Image Pre-training论文笔记

Title：GroundedLanguage-ImagePre-trainingCode文章目录1.背景2.方法（1）UnifiedFormulation传统目标检测grounding目标检测（2）Language-AwareDeepFusion（3）Pre-trainingwithScalableSemantic-RichData3.实验（1）数据集简介（2）GLIP消融实验参考1.背景目前的视

Nick Blog·2023-08-25 05:53

论文笔记：从不平衡数据流中学习的综述: 分类、挑战、实证研究和可重复的实验框架

0摘要论文：Asurveyonlearningfromimbalanceddatastreams:taxonomy,challenges,empiricalstudy,andreproducibleexperimentalframework发表：2023年发表在MachineLearning上。源代码：https://github.com/canoalberto/imbalanced-stream

HenrySmale·2023-08-25 05:22

论文笔记：基于概念漂移的在线类非平衡学习系统研究

0摘要论文：ASystematicStudyofOnlineClassImbalanceLearningWithConceptDrift发表：2018年发表在TNNLS上源代码：？作为一个新兴的研究课题，在线类非平衡学习往往结合了类非平衡和概念漂移的挑战。它处理具有非常倾斜的类分布的数据流，其中可能发生概念漂移。它最近受到越来越多的研究关注;然而，很少有研究解决类失衡和观念漂移并存的综合问题。作为

HenrySmale·2023-08-25 05:22

论文笔记： MOGRIFIER LSTM

2020ICLR修改传统LSTM当前输入和隐藏状态充分交互，从而获得更佳的上下文相关表达1MogrifierLSTMLSTM的输入X和隐藏状态H是完全独立的机器学习笔记：GRU_gruc_UQI-LIUWJ的博客-CSDN博客这篇论文想探索，如果在输入LSTM之前，能让输入X和隐藏状态H做交互，那么性能能不能得到提升？——>论文提出了MogrifierLSTMi=0的时候，就是传统LSTM的输入和

UQI-LIUWJ·2023-08-25 05:22

负载均衡四层和七层的区别

一.什么是负载均衡1）负载均衡（LoadBalance）建立在现有网络结构之上，它提供了一种廉价有效透明的方法扩展网络设备和服务器的带宽、增加吞吐量、加强网络数据处理能力、提高网络的灵活性和可用性。

qq_43555873·2023-08-25 03:34

【论文笔记】段俊张倩：晋察冀根据地《抗敌报》文艺副刊《海燕》研究（2021年6月） - 草稿

《抗敌报》是《晋察冀日报》的前身，出版时间为1937年12月11日至1940年11月7日。随着报社发展，日军暗中作梗…《抗敌报》在撰文揭露敌人阴谋的同时，谋划报纸改进，1940年11月7日，更名为《晋察冀日报》。《抗敌报》文艺副刊《海燕》确立的“改造灵魂的工作”宗旨，奠定了《晋察冀日报》时期文艺副刊的价值取向。学术界对《抗敌报》的研究现状：研究现状作者对研究现状的分析：作者对研究现状的分析（一）《

小靳姐姐要加油丫·2023-08-25 01:16

AlexNet网络复现

AlexNet学习流程阅读AlexNet论文原文搜集学习资源：视频讲解-博客资源熟悉AlexNet网络结构代码复现，清楚网络结构中层与层之间的操作AlexNet论文原论文：imagenet-classification-with-deep-convolutional-nnCSDN

小哈蒙德·2023-08-24 20:50

论文笔记-粗读-8.22~8.29

01-LearningStructuredSparsityinDeepNeuralNetworks原文：https://arxiv.org/pdf/1608.03665.pdf代码：https://github.com/wenwei202/caffe/tree/scnn文章采用结构化稀疏的方法对不同的结构进行修剪。最终将20层的ResNet修剪至18层，同时精度由92.25%提升至92.60%。f

ywsdxxzj·2023-08-24 20:16

论文笔记-精读-8.22-Manifold Regularized Dynamic Network Pruning

目录总结要解决的问题&解决的情况问题方法的优缺点优点缺点实验结果如何有哪些可以提升正文概要先验知识流型动态剪枝-Maniprune复杂性相似性总结关于本篇文所解决问题的总结写在前面，方便一些朋友阅读，也方便自己从具体的方法中跳脱出来，高屋建瓴、理清思路。要解决的问题&解决的情况问题主要是：staticprune达不到高的剪枝率，文章这是因为他们没有充分发掘输入中的信息；方法的优缺点直觉上，这个基于

ywsdxxzj·2023-08-24 20:16

2019-04-23论文笔记---Modelling Ontology Evaluation and Validation

ModellingOntologyEvaluationandValidation摘要：我们提出了一种全面的本体评估和验证方法，这已成为语义技术发展的关键问题。现有的评估方法通过正式模型集成到一个sigle框架中。该模型首先包括一个名为O2的元生物学，它将本体描述为符号学对象。基于O2和现有方法的分析，我们确定了三种主要的评估方法：结构测量，这是典型的本体表示为图形;功能性措施，与本体及其组件的预期

dsemlina·2023-08-24 17:48

yolov8训练记录

TrueYOLOv8在Python环境中直接使用，不用ultralytics库pipuninstallultralytics原因：安装ultralytics库，只能在虚拟环境中使用，自己修改代码非常麻烦将数据集、网络结构的

Zizizirrr·2023-08-24 06:28

DETRs with Collaborative Hybrid Assignments Training论文笔记

Title：[DETRswithCollaborativeHybridAssignmentsTrainingCode文章目录1.Motivation2.onetooneVSonetomany3.Method（1）Encoderfeaturelearning（2）Decoderattentionlearning1.Motivation当前的DETR检测器中，为了实现端到端的检测，使用的标签分配策略是

Nick Blog·2023-08-24 06:09

An Analysis of Scale Invariance in Object Detection – SNIP

通过比较不同网络结构在分类小目标上的性能，得出CNN对图像目标尺度变化并不鲁棒。基于这个理论，本文提出在相同尺度的图像金字塔上训练和测试检测器。由于小对象和大

_忙中偷闲_·2023-08-24 04:46

DDPG算法

我们首先来看Deep，正如Q-learning加上一个Deep就变成了DQN一样，这里的Deep即同样使用DQN中的经验池和双网络结构来促进神经网络能够有效学习。

58506fd3fbed·2023-08-24 03:47

【网络架构】Interleaved Group Convolutions for Deep Neural Networks

文中的网络结构InterleavedGroupConvolutions定义文中提出的网络单元基

EverydayRunning·2023-08-24 00:53

深度学习基础

文章目录1.数学基础1.1标量和向量1.2向量运算1.3矩阵1.4张量1.5导数2.numpy常用操作3.梯度下降算法4.反向传播4.1完整的反向传播过程4.2代码演示5.网络结构--全连接层6.激活函数

@kc++·2023-08-23 20:10

Neo4j

程序员工作在一个面向对象的、灵活的网络结构下而不是严格、静态的表中——但是他们可以享受到具备完全的事务特性

轻览月·2023-08-23 16:56

深度学习奠基之作GoogLeNet解读《Going Deeper with Convolutions》(现代卷积神经网络/经典卷积神经网络/网络结构/原理解读)下篇

上篇深度学习奠基之作GoogLeNet解读《GoingDeeperwithConvolutions》(现代卷积神经网络/经典卷积神经网络/网络结构/原理解读)上篇_会害羞的杨卓越的博客-CSDN博客6、

会害羞的杨卓越·2023-08-23 11:28

网络层协议

1.通过路由器交换机进行选择和分组转发2.为不同的网络结构提供网络连接3.选择数据通过网络的最佳路径，完成逻辑地址寻址IP数据包格式知识点：标识符：为数据包分片时分配标识符，便于区分标志：表示最后一个分片发出或者不可以被分割段偏移量

我不道啊；·2023-08-23 06:54

Y19M4W4-物体检测之网络结构

物体检测的网络结构现在的研究还是比较弱的。语义分割相比之下很成熟。“强语义+强位置+强上下文”这个点要从语义分割借鉴过来。

memset·2023-08-23 03:25

【炼丹侠】如何用GPU服务器实现VGGNet训练

相比于其他网络结构，如AlexNet，VGGNet采用了更深的网络结构，有更多的卷积层和池化层，从而提高了网络的表达能力。VGGNet的基本组成单元是由连续的卷积层和池化层

·2023-08-22 16:22

CLIP论文精度

“分类头”是指网络结构中用于执行具体分类任务的一组层，将网络提取的特征转化为分类或检测结果。CLIP训练好后，没有使用微调，所以也就没有分类

Cheny1m·2023-08-22 12:04

论文笔记----DEPCOMM: Graph Summarization on System Audit Logs for Attack Investigation

本篇文章是最近IEEE的一篇论文-----DEPCOMM:GraphSummarizationonSystemAuditLogsforAttackInvestigation的阅读笔记，其中包含对DEPCOMM的基本介绍以及相关的一些扩展资料，水平有限，仅做学习记载。目录背景介绍高级持续威胁APT攻击的主要特点APT的攻击阶段基本概念介绍系统审计日志溯源图攻击检测攻击溯源依赖爆炸依赖爆炸问题为什么会

Mazeltov&&Iliua·2023-08-22 09:14

深度学习基本理论上篇：（MLP/激活函数/softmax/损失函数/梯度/梯度下降/学习率/反向传播）、深度学习面试

FCN：FullyConnectedNeuralNetwork，全连接神经网络，也称为密集连接神经网络，其每个节点都与上一层的所有节点相连，也就是说每个神经元都和上一层所有的神经元都有连接，是最简单的神经网络结构

会害羞的杨卓越·2023-08-22 09:14

YOLOv8改进——引入可变形卷积DCNv3

YOLOv8详解✨✨✨YOLOv8详解【网络结构+代码+实操】可变形卷积DCNv1&DCNv2✨✨✨论文及代码详解——可变形卷积（DCNv1）✨✨✨论文及代码详解——可变形卷积（DCNv2）DCNv3是

zyw2002·2023-08-22 07:38

NASH：基于丰富网络态射和爬山算法的神经网络架构搜索 | ICLR 2018

论文提出NASH方法来进行神经网络结构搜索，核心思想与之前的EAS方法类似，使用网络态射来生成一系列效果一致且继承权重的复杂子网，本文的网络态射更丰富，而且仅需要简单的爬山算法辅助就可以完成搜索，耗时0.5GPUday

VincentTeddy·2023-08-22 01:10

yolov8训练

文章目录0.环境1.ultralytics\cfg\datasets\VOC.yaml数据集配置2.ultralytics\cfg\models\v8\yolov8.yaml网络结构配置3.ultralytics

树和猫·2023-08-21 22:16

《TernausNet: U-Net with VGG11 Encoder Pre-Trained on ImageNet for Image Segmentation》论文笔记

《TernausNet:U-NetwithVGG11EncoderPre-TrainedonImageNetforImageSegmentation》论文笔记论文链接TernausNet:U-NetwithVGG11EncoderPre-TrainedonImageNetforImageSegmentation

一场绮梦泪相似丶·2023-08-21 22:11

服务器架构常见的三种模式

服务器架构之二：负载均衡架构负载均衡（LoadBalancing）建立在现有网络结构之上，它提供了一种廉价有效透明的方法扩展网络设备和服务器的带宽、增加吞

2301_78491061·2023-08-21 22:28

【无监督】4、BYOL | 首个不使用负样本的对比学习框架

文章目录一、背景和动机二、方法2.1BYOL网络结构2.2实现细节三、效果3.1总体效果3.2和SimCLR的对比四、BYOL真的没有用到负样本吗？

呆呆的猫·2023-08-21 20:10

OpenCV实例（九）基于深度学习的运动目标检测（二）YOLOv2概述

基于深度学习的运动目标检测（二）YOLOv2&YOLOv3概述1.YOLOv2概述2.YOLOv3概述2.1新的基础网络结构：2.2采用多尺度预测机制。

小幽余生不加糖·2023-08-21 01:18

论文笔记_机器学习:A general kernelization framework for learning algorithms based on kernel PCA

Abstract本文提出了一种学习算法的通用内核化框架；通过两个阶段实现，即先通过核主成分分析（KPCA）处理数据，然后直接用转换后的数据执行学习算法；本文会介绍这个核心框架，并证明了在一些条件下，这个框架下的内核化等同于传统的内核方法。实际上，大多数学习算法通常都满足这些温和的条件；因此，大多数学习算法都可以在此框架下进行内核化，而无需重新构造为内积形式——传统内核方法中常见且至关重要的一步；在

Lr_AI·2023-08-21 00:19

【Python机器学习】实验14 手写体卷积神经网络（PyTorch实现）

文章目录LeNet-5网络结构（1）卷积层C1（2）池化层S1（3）卷积层C2（4）池化层S2（5）卷积层C3（6）线性层F1（7）线性层F21.数据的下载2.定义模型3.新建模型4.从数据集中分批量读取数据

Want595·2023-08-20 15:06

论文《DeepInf: Social Influence Prediction with Deep Learning》阅读

论文《DeepInf:SocialInfluencePredictionwithDeepLearning》阅读论文概况摘要Introduction问题形式化模型介绍获取r-中心网络网络结构嵌入层归一化层输入层

行者^_^煜煜·2023-08-20 14:19

[论文笔记]Layer Normalization

引言这是论文神作LayerNormalization的阅读笔记。训练深层神经网络是昂贵的，减少训练时间的一种方法是归一化神经元的激活。批归一化(Batchnormalization,BN)利用小批量的训练样本中神经元累加输入的分布来计算均值和方差，然后用这些统计量来对每个训练样本中神经元的累加输入进行归一化。这种技术显著地减少了前馈网络的训练时间。然而，批归一化的效果依赖于小批量大小，并且效果在R

愤怒的可乐·2023-08-20 14:08

Learning to Super-resolve Dynamic Scenes for Neuromorphic Spike Camera论文笔记

摘要脉冲相机使用了“integrateandfire”机制来生成连续的脉冲流，以极高的时间分辨率来记录动态光照强度。但是极高的时间分辨率导致了受限的空间分辨率，致使重建出的图像无法很好保留原始场景的细节。为了解决这个问题，这篇文章提出了SpikeSR-Net来从低分辨率二进制脉冲流中恢复出高像素图像。Spike-Net基于脉冲相机模型进行设计，融合和基于模型和学习的方法。为了解决二进制数据有限的表

爱嘤嘤的小猪仔·2023-08-20 13:03

【计算机视觉|生成对抗】StackGAN：使用堆叠生成对抗网络进行文本到照片逼真图像合成

本系列博文为深度学习/计算机视觉论文笔记，转载请注明出处标题：StackGAN:TexttoPhoto-realisticImageSynthesiswithStackedGenerativeAdversarialNetworks

远哥挺乐·2023-08-20 10:46

PyTorch可视化工具-Tensorboard在线查看训练曲线、网络结构图等

1安装2如何调用3如何查看4实战4.1代码调用4.2查看1SCALARS训练曲线2多次训练曲线放在一张图上对比3IMAGES4CRSPHS模型图5问题与解决6工程文件、数据集、源码下载1安装ubuntu/window下安装：在指定的conda环境下比如之前教程提到的mvs下，在终端输入：pipinstalltensorboard2如何调用模块加载fromtorch

R-G-B·2023-08-20 10:36

PatchMatchNet 在线查看训练曲线、多条曲线显示在一张图上、多次训练曲线放在一张图上对比

将多条曲线叠加在一张图上显示4多次训练曲线放在一张图上对比1准备工作1.1可视化工具-Tensorboard调用Tensorboard模块安装与调用参考：PyTorch可视化工具-Tensorboard在线查看训练曲线、网络结构

R-G-B·2023-08-20 10:04

论文笔记之Heterogeneous Graph Attention Network

论文笔记之HeterogeneousGraphAttentionNetwork一、本文贡献提出了一种基于分层注意的异构图神经网络（HAN），包括节点级和语义级注意，同时考虑了节点和元路径的重要性，并具有较高的效率

附子Jun·2023-08-20 08:47

GRAPH ATTENTION NETWORKS ICLR 2018 论文笔记

本文首次提出将Attention机制用于图神经网络，代替之前相关GCN工作中的频域方法：基于谱域的拉普拉斯特征值分解（计算开销大，没有空域意义上的滤波性）；基于空域的方法：直接聚合图节点的邻居节点。以上方法存在的问题是：谱域的方法计算开销大，空域的方法很难在不同数量的邻居节点间像CNN的卷积那样具有权重共享的性质。本文提出的注意力机制结构有三个有点：①计算开销小②可以通过给邻居节点不同的权重来处理

Raining.Chan·2023-08-20 08:47

【论文笔记】GRAPH ATTENTION NETWORKS

本文提出了一种新的在图结构网络中的神经网络结构GATs，利用掩蔽的自我注意层来解决先前基于图卷积或其近似的方法的缺点。

WhisperEcho101·2023-08-20 08:46

【GAT】GRAPH ATTENTION NETWORKS论文笔记

GRAPHATTENTIONNETWORKS摘要1Introduction2GAT体系结构2.1GRAPHATTENTIONALLAYER(图注意层)2.2与相关工作的比较3评估3.1数据集3.2最先进的方法3.3实验设置3.4结果4结论摘要GCN将局部的图结构和节点特征结合在节点分类任务中获得好的表现。但GCN及其近似模型有两点不足：一是结合邻近节点特征的方式和图结构相关，限制模型泛化能力；二是

JBY-ZQ·2023-08-20 08:46

论文笔记 Graph Attention Networks

2018ICLR1intro1.1.GCN的不足无法完成inductive任务inductive任务是指：训练阶段与测试阶段需要处理的graph不同。通常是训练阶段只是在子图上进行，测试阶段需要处理未知的顶点。GGN的参数依赖于邻接矩阵A/拉普拉斯矩阵L，所以换了一张图，就会有不同的A和L处理有向图的瓶颈，不容易实现分配不同的学习权重给不同的邻居1.2本文思路引入maskedself-attent

UQI-LIUWJ·2023-08-20 08:14

论文笔记：Continuous Trajectory Generation Based on Two-Stage GAN

2023AAAI1intro1.1背景建模人类个体移动模式并生成接近真实的轨迹在许多应用中至关重要1）生成轨迹方法能够为城市规划、流行病传播分析和交通管控等城市假设分析场景提供仿仿真数据支撑2）生成轨迹方法也是目前促进轨迹数据开源共享与解决轨迹数据隐私问题的可行解决方案在不泄漏移动轨迹数据中个人隐私的情况下实现轨迹数据的开源共享eg，某出行公司A拥有城市内的出租车轨迹数据，而某共享自行车公司B拥有