论文解读

从十篇顶会论文解读计算机视觉的未来之路！

点上方蓝字计算机视觉联盟获取更多干货在右上方···设为星标★，与你不见不散感谢联盟成员翻译总结笔记正文共：14646字24图预计阅读时间：37分钟本文带来的是近期热度最高的10篇计算机视觉论文，联盟通过对这10篇论文的解读，观测计算机视觉未来发展趋势在何方1.LearningIndividualStylesofConversationalGesturePaper:https://www.profi
SophiaCV·2023-01-11 10:57

VIT论文解读

1.VIT论文2.论文结构3.论文摘要Transformer在NLP中已经成为经典CV中，Attention机制只是作为一个补充在使用使用纯Transformer结构就可以在图像分类任务上取得不错的结果在足够大的数据集上训练后，ViT可以拿到和CNN的SOTA不相上下的结果4.论文精读4.1ViT结构4.1.1总览对transformer做了最小的改动把图像切分重拍，当做输入实际中只使用了Enco
Light Runner°J.H.G·2023-01-11 07:57

Joint Extraction of Entities, Relations, and Events via Modeling Inter-Instance and Inter-Label论文解读

JointExtractionofEntities,Relations,andEventsviaModelingInter-InstanceandInter-LabelDependenciespaper：2022.naacl-main.324.pdf(aclanthology.org)code：暂时未公布期刊/会议：NAACL2022摘要事件触发词检测、实体提及识别、事件论元抽取和关系抽取是信息抽
Trouble..·2023-01-11 07:54

FourIE：一种最新联合事件抽取SOTA论文解读

Cross-TaskInstanceRepresentationInteractionsandLabelDependenciesforJointInformationExtractionwithGraphConvolutionalNetworks论文：Cross-TaskInstanceRepresentationInteractionsandLabelDependenciesforJointIn
Trouble..·2023-01-11 07:54

ViT(Version Transformer)原始论文解读

AnImageisWorth16x16WordsTransformersforImageRecognitionatScalepaper：2010.11929.pdf(arxiv.org)code：google-research/vision_transformer(github.com)期刊/会议：ICLR2020摘要虽然Transformer体系结构已经成为自然语言处理任务的事实上的标准，但它在
Trouble..·2023-01-11 07:20

[论文解读] A Ranking-based, Balanced Loss Function Unifying Classification and Localisation in Object De

文章内容相关研究现状1.定位任务和分类任务的平衡/耦合2.基于排名的目标检测算法本文工作基于排序损失的误差驱动优化方法推广定理1：基于概率分布的损失函数重定义定理2：正负样本梯度总和相等aLRPLoss定义aLRP的反向传播代码解读论文链接：ARanking-based,BalancedLossFunctionUnifyingClassificationandLocalisationinObjec
Los Merengues·2023-01-10 17:10

[论文解读] Rank & Sort Loss for Object Detection and Instance Segmentation

文章内容问题提出相关研究现状1.辅助头和连续标签2.基于排序的损失3.样本不平衡问题本文工作APLoss的不足之处RSLoss定义训练细节代码解读论文链接：Rank&SortLossforObjectDetectionandInstanceSegmentationmmdet实现代码：Rank&SortLossforObjectDetectionandInstanceSegmentation问题提出
Los Merengues·2023-01-10 17:10

Mask RCNN网络源码解读（Ⅳ） --- Mask R-CNN论文解读

目录1.MaskR-CNN简介2.Mask分支3.MaskR-CNN损失4Mask分支预测使用1.MaskR-CNN简介回顾我们之前所说的图像分类、目标检测、语义分割的内容：我们来看一下实例分割和语义分割的差别：MaskR-CNN不仅能够同时进行目标检测与分割，还能很容易地扩展到其他任务中。MaskR-CNN原论文中的图一：其中红线框住的部分和我们之前所说的FasterR-CNN部分是一样的，如果
Courage2022·2023-01-10 15:36

Mask RCNN网络源码解读（Ⅴ） --- Mask R-CNN论文解读环境配置以及训练脚本解析

目录1.源码地址2.项目配置2.1环境配置2.2文件结构2.3预训练权重下载地址（下载后放入当前文件夹中）2.4数据集：本例程使用的有COCO2017数据集和PascalVOC2012数据集2.4.1COCO2017数据集2.4.2PascalVOC2012数据集2.5训练方法2.6注意事项3.train.py解析1.源码地址MaskR-CNN源码地址https://pan.baidu.com/s
Courage2022·2023-01-10 15:36

实例分割算法之Mask R-CNN论文解读

前言Anchor-Based的目标检测算法我们已经讲了比较多了，另外Anchor-Free的目标检测我们也已经简单解读了一下DenseBox开了个头，而今天我们要来说说另外一个方向即实例分割。而实例分割首当其冲需要介绍的就是2017年HeKaiming大神的力作Mask-RCNN，其在进行目标检测的同时进行实例分割，取得了出色的效果，并获得了2016年COCO实例分割比赛的冠军。总览Mask-RC
just_sort·2023-01-10 15:02

论文解读《Channel pruning based on convolutional neural network sensitivity》

论文：Channelpruningbasedonconvolutionalneuralnetworksensitivity论文地址：DOI：10.1016/j.neucom.2022.07.051发表时间：2022/7,Neurocomputing摘要剪枝是一种有效的减少深度卷积神经网络(CNN)模型的内存消耗和浮点运算(FLOPs)的方法。然而，在特定剪枝水平上，目前的结构化剪枝方法往往导致相当
谁来管毕设·2023-01-10 14:23

论文解读《Micro-YOLO: Exploring Efficient Methods to Compress CNN based Object Detection Model》

论文：Micro-YOLO:ExploringEfficientMethodstoCompressCNNbasedObjectDetectionModel基于CNN的目标检测模型压缩方法探究论文地址：https://www.scitepress.org/Papers/2021/102344/102344.pdfDOI：10.5220/0010234401510158发表时间：2021，ICAART
谁来管毕设·2023-01-10 14:47

2021最新对比学习（Contrastive Learning）在各大顶会上的经典必读论文解读

作者|对白出品|公众号：对白的算法屋我为大家整理了对比学习在最新各大顶会上的论文合集及相应代码，所列举的论文涉及领域包括但不限于CV,NLP,Audio,Video,Multimodal,Graph,Languagemodel等，GitHub地址：https://github.com/coder-duibai/Contrastive-Learning-Papers-Codes（请大家多多点赞支持ヽ
程序员对白·2023-01-10 12:40

【网络学习&复现】unet系列之unet++&unet3+

unet++学习历程记录0、一位大大的论文解读https://blog.csdn.net/weixin_40519315/article/details/1044574591、unet++作者在知乎上的解读
zeng001201·2023-01-10 09:54

附代码：RepVGG: Making VGG-style ConvNets Great Again论文解读

RepVGG:MakingVGG-styleConvNetsGreatAgain论文解读代码链接：https://github.com/DingXiaoH/RepVGG重点：提出通过结构重新参数化来解耦训练时间的多分支和推理时间的纯体系结构摘要
向上的阿鹏·2023-01-10 07:27

目标检测论文解读4——Faster R-CNN

背景FastR-CNN中的regionproposal阶段所采用的SS算法成为了检测网络的速度瓶颈，本文是在FastR-CNN基础上采用RPN(RegionProposalNetworks)代替SS。方法从图中我们可以看到，RPN的输入为最后一个Conv层输出的featuremap，输出为一系列ROI，后面的过程就跟FastR-CNN一样了。所以在这里我们只需要了解RPN是如何工作的。论文里有这样
angmaodie3396·2023-01-09 19:22

MeanTeacher文章解读+算法流程+核心代码详解

MeanTeacher本博客仅做算法流程疏导，具体细节请参见原文原文原文链接点这里Github代码Github代码点这里解读论文解读点这里算法流程代码详解train_transform=data.TransformTwice
ccjoffrey·2023-01-09 17:54

知识对话2021《Unsupervised Knowledge Selection for Dialogue Generation》论文解读

UnsupervisedKnowledgeSelectionforDialogueGeneration这篇论文是微信团队出的一篇，想解决的是没有最佳知识标签（无监督）情况下，对话模型怎么办？具体的就是，1）怎么选出最佳知识2）选出最佳知识解码器怎么好好利用3）选出错误知识解码器怎么降低影响。反思：核心技术点有distancesupervision、知识蒸馏方面需要恶补一下。模型架构图，画的有点…还
曾阿牛nlper·2023-01-09 17:13

FCN论文解读：FCN-Fully Convolutional Networks for Semantic Segmentation

FCN原文作为语义分割领域的开山之作，对其进行研究和阅读几乎是入门语义分割领域的基础，这篇博客整理了自己阅读该论文的一些心得感悟和收获。首先是FCN原文中提到的Denseprediction问题。Denseprediction问题：一类问题，目标是标注出图像中每个像素点的对象类别（label），要求不但给出具体目标的位置，还要描绘物体的边界，具体有图像分割、语义分割、边缘检测等方向。紧接着是语义分
思极·2023-01-09 14:37

基于cnn的人脸识别_人脸识别简单介绍

本宝宝又杀回来啦hhhhhh，该文章主要为人脸识别CosFace论文解读进行铺垫。
weixin_39677538·2023-01-09 14:35

【轻量级网络】--ShuffleNet V2论文解读

ShuffleNetV2:PracticalGuidelinesforEfficientCNNArchitectureDesign参考文章：https://blog.csdn.net/u014380165/article/details/81322175Abstract目前，神经网络架构设计主要由计算复杂度的间接度量（即FLOPs）引导。然而，直接度量（例如，速度）还取决于诸如存储器访问成本和平台
ashergaga·2023-01-09 08:09

【AI】轻量级神经网络——MobileNetV1 到 MobileNetV2 的论文解读

文章目录前言1、MobileNetV1(1)深度可分离卷积是什么？(2)为什么要用深度可分离卷积？a.标准卷积的计算量b.深度卷积的计算量c.举例(3)网络结构2、MobileNetV2(1)改进1——ReLu（linearbottleneck）(2)改进2——添加了倒残差结构（Invertedresiduals）(3)对比一下V1和V2：a.结构b.效率(4)网络结构前言MobileNets是谷
李清焰·2023-01-09 08:07

目标检测论文解读复现之七：基于SE-YOLOv5s的绝缘子检测

前言此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。一、摘要在电力系统需要巡检的大环境下，人工巡检的传统方式存在很大不便和安全隐患，而采用无人机的目标检测方法在绝缘子检测
人工智能算法研究院·2023-01-09 08:06

Attention Mechanism in Computer Vision

欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。概述Attention机制目的在于聚焦有用的信息，并减少不重要信息的比重。
CV技术指南(公众号)·2023-01-08 16:26

元学习论文解读 | How to train your MAML , In ICLR 2019.

目录motivationcontribution核心内容RelatedWorkProblemsofMAML训练不稳定性二阶导数代价缺少批处理归一化统计量的积累共享(跨步)批处理规范化偏差共享内部循环(跨步和跨参数)学习率固定的外环学习率Stable,automatedandimprovedMAML:MAML++梯度不稳定性→多步损失优化(MSL)二阶导数成本→导数退火DA缺少BatchNormal
RitaRao·2023-01-08 10:37

元学习论文解读 | Repurposing pretrained models for robust out-of-domain few-shot learning, ICLR2022

MotivationMAML在元训练任务上训练学习模型初始化(也称为checkpoint)，根据得到的初始化，在测试任务的支持集上进行几个梯度步骤的任务适应，就可以得到在查询集上的良好预测。然而在实践中，在元训练集上进行re-train或fine-tune可能是行不通的，并且测试任务可能来自不同的分布（cross-domain），所以元测试的优化步长不一定要和元训练一致。Contribution提
RitaRao·2023-01-08 10:37

元学习论文解读 | Learning a Universal Template for Few-shot Dataset Generalization, ICML 2021

motivation为了实现在小样本数据集上的泛化性能1)在不受干扰的情况下学习不同的信息，2)定义一种机制，以重新利用所获得的知识，泛化到测试任务上。本文建议通过学习一个通用模板来解决这个问题：在多个数据集上并行训练部分模型参数，通过其余的参数来给出数据集特定的（dataset-specialized）模型。contribution本文将FiLM用在批正则化层（可以理解成条件批正则化），跨不同的
RitaRao·2023-01-08 10:37

论文解读 | Negative Margin Matters: Understanding Margin in Few-shot Classification, ECCV2020 spotlight

Motivation在度量学习中，一些方法额外加一个正的边界整合到softmax损失或余弦softmax损失，以强制在真实标签类的分数比其他类的分数至少大一个margin（正的）。这有助于学习具有高度区别性的深度特征，在视觉识别任务中，性能有显著提高。因此作者希望在小样本分类采用这种large-marginsoftmax损失来学习更好的度量，但结果却出乎意料。具有正边距的large-margins
RitaRao·2023-01-08 10:05

SCI论文解读复现【NO.4】FINet：基于合成雾和改进YOLOv5的绝缘子数据集和检测基准(代码已复现)

此前出了目标检测算法改进专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读发表高水平学术期刊中的SCI论文，并对相应的SCI期刊进行介绍，帮助大家解答疑惑，助力科研论文投稿。解读的系列文章，本人会进行创新点代码复现，有需要的朋友可关注私信我获取。一、摘要绝缘子及其缺陷的检测对保证电力系统的安全稳定运
人工智能算法研究院·2023-01-08 10:25

[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

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

《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

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

【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
上一页 13 14 15 16 17 18 19 20 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他