论文解读

论文解读 Search to Distill: Pearls are Everywhere but not the Eyes，神经网络架构搜索＋知识蒸馏

目录SearchtoDistill:PearlsareEverywherebutnottheEyesMotivationMethodExperiments结论SearchtoDistill:PearlsareEverywherebutnottheEyes在AutoML时代，神经网络架构搜索（NeuralArchitectureSearch，NAS）已经广泛应用到了分类、检测、分割等任务。数据增强、
dwilimeth·2019-11-23 20:46

Relation-Aware Graph Attention Network for Visual Question Answering论文解读

这篇论文的工作不同于现有的VQA系统（并与之兼容）。它以一个新的维度为中心：使用问题自适应的对象间关系丰富图像表示，以提高VQA性能。主要有三方面的贡献：1、我们提出了一种新的基于图形的关系编码器，用于通过图形注意网络学习视觉对象之间的显式和隐式关系。2、学习到的关系是问题自适应的，这意味着它们可以动态地捕捉与每个问题最相关的视觉对象关系。3、我们表明，我们的ReGAT模型是一种通用方法，可以用于
小有名气的可爱鬼·2019-11-18 17:21

轻量级CNN模型mobilenet v1

mobilenetv1论文解读论文地址:https://arxiv.org/abs/1704.04861核心思想就是通过depthwiseconv替代普通conv.有关depthwiseconv可以参考
core!·2019-10-31 11:00

【人工智能】【1024】谷歌量子计算突破登Nature封面，号称200秒顶超算10000年！

量子优越性首次实现Nature论文解读谷歌突破一小步，人类科学一大步。
人工智能博士·2019-10-24 10:07

mtcnn论文阅读及pytorch实现

2016-IEEE-SignalProcessingLetters]作者列表：KaipengZhang,ZhanpengZhang,ZhifengLi,YuQiao.Github:mtcnn-pytorch论文解读
_ReLU_·2019-10-18 16:40

语义分割-DeeplabV3 论文解读

这次介绍的是语义分割方向的另一篇-DeeplabV3，论文地址:https://arxiv.org/pdf/1706.05587.pdf，推荐在看完本文之后仔细阅读论文以及代码，可以更好理解。论文中作者主要想解决/优化的语义分割方向的两个问题:一是featuremap的分辨率过低导致后续在恢复为原图分辨率时不够精确，二是对多尺度物体的检测表现不好。作者试图寻找一些方法来解决这两个问题，有些方法是之
Zero黑羽枫·2019-10-14 20:21

论文解读《Deep Plug-and-Play Super-Resolution for Arbitrary Blur Kernel》

DeepPlug-and-PlaySuper-ResolutionforArbitraryBlurKernels：一旦退化模型被定义，下一步就是使用公式表示能量函数(energyfunction，也可以称为目标函数).通过MAP(MaximumAPosterriori)probability，能量函数能够被给出：$min_{x}\frac{1}{2\sigma^{2}}||\textbf{y}-(
陈柯成·2019-10-14 09:00

BERT论文解读

本文尽量贴合BERT的原论文，但考虑到要易于理解，所以并非逐句翻译，而是根据笔者的个人理解进行翻译，其中有一些论文没有解释清楚或者笔者未能深入理解的地方，都有放出原文，如有不当之处，请各位多多包含，并希望得到指导和纠正。论文标题Bert：BidirectionalEncoderRepresentationsfromTransformers一种从Transformers模型得来的双向编码表征模型。论
程序员一一涤生·2019-10-10 10:00

CVPR 2019 论文解读 | 小样本域适应的目标检测

引文最近笔者也在寻找目标检测的其他方向，一般可以继续挖掘的方向是从目标检测的数据入手，困难样本的目标检测，如检测物体被遮挡，极小人脸检测，亦或者数据样本不足的算法。这里笔者介绍一篇小样本（few-shot）数据方向下的域适应（DomainAdaptation）的目标检测算法，这篇新加坡国立大学&华为诺亚方舟实验室的paper《Few-shotAdaptiveFasterR-CNN》被收录于CVPR
ManWingloeng·2019-10-02 12:00

CVPR && ICCV 2019 论文阅读

《BoundingBoxRegressionwithUncertaintyforAccurateObjectDetection》CVPR2019：《精确目标检测的不确定边界框回归》论文解读地址：https
just_sort·2019-09-30 16:54

转 googlenet论文解读

版权声明：本文为博主原创文章，遵循CC4.0BY-SA版权协议，转载请附上原文出处链接和本声明。本文链接：https://blog.csdn.net/u014061630/article/details/80308245Inceptionv1/GoogLeNet：GoingDeeperwithConvolutions摘要：我们提出了一个名为Inception的深度卷积神经网络架构，它是ILSVRC
core!·2019-09-26 17:00

转　SSD论文解读

版权声明：本文为博主原创文章，遵循CC4.0BY-SA版权协议，转载请附上原文出处链接和本声明。本文链接：https://blog.csdn.net/u010167269/article/details/52563573Preface这是今年ECCV2016的一篇文章，是UNCChapelHill（北卡罗来纳大学教堂山分校）的WeiLiu大神的新作，论文代码：https://github.com/
core!·2019-09-25 18:00

KDD2019 论文解读 如何从科研论文中挖掘算法的演变路线？

作者：殷达清华大学每年新的科研论文数量都在不断增长，这给想要快速了解学术领域主流信息的研究人员造成了很大的困扰。为了帮助研究人员克服这一难题，UCSB的学者在KDD2019发表了MiningAlgorithmRoadmapinScientificPublications，提出了能够自动生成学术路线图的算法，刻画不同算法之间的演进路线。论文题目：MiningAlgorithmRoadmapinSci
AMiner2006·2019-09-24 17:43

ApacheCN 公众号文章汇总 2019.9

imageApacheCN优质博文推荐计划正式启动接受以下主题的博文：人工智能（论文解读，比赛心得，面经，知识点讲解）环材化生劝退CS留学申请，IT外企求职每日从所有投稿中精选两篇，在ApacheCN全公众平台推送
ApacheCN_飞龙·2019-09-22 09:07

ApacheCN 公众号文章汇总 2019.9

imageApacheCN优质博文推荐计划正式启动接受以下主题的博文：人工智能（论文解读，比赛心得，面经，知识点讲解）环材化生劝退CS留学申请，IT外企求职每日从所有投稿中精选两篇，在ApacheCN全公众平台推送
ApacheCN_飞龙·2019-09-22 09:07

ApacheCN 公众号文章汇总 2019.9

ApacheCN优质博文推荐计划正式启动接受以下主题的博文：人工智能（论文解读，比赛心得，面经，知识点讲解）环材化生劝退CS留学申请，IT外企求职每日从所有投稿中精选两篇，在ApacheCN全公众平台推送
飞龙·2019-09-20 20:23

Adversarial Transfer Learning for Chinese Named Entity Recognition with Self-Attention Mechanism 论文解

AdversarialTransferLearningforChineseNamedEntityRecognitionwithSelf-AttentionMechanism论文解读前言：论文主要引入了两个创新点
GrinAndBearIt·2019-09-19 20:33

Simple Baselines for Human Pose Estimation and Tracking 论文解读

papertitle:simplebaselinesforhumanposeestimationandtrackingpaperlink:https://arxiv.org/abs/1804.06208github:https://github.com/microsoft/human-pose-estimation.pytorchconf&anthor:ECCV18,BinXiaoetal.(MS
JerryZhang__·2019-09-19 00:04

CrowdPose: Efficient Crowded Scenes Pose Estimation and A New Benchmark 论文解读

papertitle:CrowdPose:EfficientCrowdedScenesPoseEstimationandANewBenchmarkpaperlink:https://arxiv.org/pdf/1812.00324.pdfproject:https://www.mvig.org/research/alphapose.htmloralordemovideo：https://www.y
JerryZhang__·2019-09-17 21:26

EMANet：Expectation-Maximization Attention Networks for Semantic Segmentation论文解读和代码解读

官方项目地址：含论文和代码来自北大才子立夏之光的ICCVOral，理论很漂亮。属于Nonlocal方式idea由于理论方面涉及了机器学习算法-EM算法，博主虽然学过EM，但时间久远有些记不起，这篇论文吧博主看了很久，依然没能理解其精髓，但是不影响我会使用它（哈哈）。言归正传。在语义分割中，越来越多Nonlocal的方法出现了，并且都取得了精度上的进步，说明Nonlocal确实是有用的。但是这些方法
咆哮的阿杰·2019-09-17 15:19

深度学习笔记（十二）车道线检测 LaneNet

anInstanceSegmentationApproach代码：https://github.com/MaybeShewill-CV/lanenet-lane-detection参考：车道线检测算法LaneNet+H-Net（论文解读
xuanyuyt·2019-09-15 17:00

Fast AutoAugment论文解读

写在前面第一次完整地读完一篇英文论文，上来就搞得那么硬核其实我也不想……（毕竟要做PaperReading汇报）本文所写仅为自己的理解（只求理解，所以可能会缺乏专业性……），可能有不少错漏之处，此外现在对贝叶斯优化那块还不是太清楚……如有错误请各位大佬指出，感激不尽~背景数据增强是一种较为常用的可提高模型性能的技术，通过对数据集中的图片进行旋转、对称、颜色变换等操作，提升数据集中图片的数量及多样性
Zerg_Wang·2019-09-15 02:51

Pose flow: Efficient Online Pose Tracking 论文解读

papertitle:Poseflow:Efficientonlineposetrackingpaperlink:https://arxiv.org/pdf/1802.00977.pdfproject:https://www.mvig.org/research/alphapose.htmloralordemovideo：https://www.youtube.com/watch?v=RHNdbEY
JerryZhang__·2019-09-14 21:16

RMPE: Regional Multi-person Pose Estimation 论文解读

papertitle:RMPE:RegionalMulti-personPoseEstimationpaperlink:https://arxiv.org/pdf/1612.00137.pdfproject:https://www.mvig.org/research/alphapose.htmloralordemovideo：https://www.youtube.com/watch?v=RHNd
JerryZhang__·2019-09-13 11:04

必看，61篇NeurIPS深度强化学习论文解读都这里了

原文链接：https://mp.weixin.qq.com/mp/profile_ext?action=home\x26amp;__biz=MzI0ODcxODk5OA==\x26amp;scene=124#wechat_redirect作者|DeepRL来源|深度强化学习实验室（ID:Deep-RL）NeurIPS可谓人工智能年度最大盛会。每年全球的人工智能爱好者和科学家都会在这里聚集，发布最新
AI科技大本营·2019-09-12 18:18

必看，61篇NeurIPS深度强化学习论文解读都这里了

原文链接：https://mp.weixin.qq.com/mp/profile_ext?action=home\x26amp;__biz=MzI0ODcxODk5OA==\x26amp;scene=124#wechat_redirect作者|DeepRL来源|深度强化学习实验室（ID:Deep-RL）NeurIPS可谓人工智能年度最大盛会。每年全球的人工智能爱好者和科学家都会在这里聚集，发布最新
AI科技大本营·2019-09-12 18:18

Spatial Transformer Networks 论文解读

papertitle:SpatialTransformerNetworkspaperlink:https://arxiv.org/pdf/1506.02025.pdforalordemovideo：https://www.youtube.com/watch?v=T5k0GnBmZVI(symposium)tutorial:https://www.youtube.com/watch?v=SoCywZ
JerryZhang__·2019-09-10 21:54

KDD 2019论文解读：多分类下的模型可解释性

日前，由阿里巴巴研究型实习生张雪舟、蚂蚁金服高级算法专家娄寅撰写的论文《AxiomaticInterpretabilityforMulticlassAdditiveModels》入选全球数据挖掘顶级会议KDD2019，本文为该论文的详细解读。论文地址：https://www.kdd.org/kdd2019/a...前言模型可解释性是机器学习研究中的一个重要课题。这里我们研究的对象是广义加性模型（G
支付宝技术·2019-09-09 09:13

【 深度学习 ----论文解读 】（2019）Fixing the train-test resolution discrepancy

【深度学习】训练集和验证集分辨率设置【摘要翻译】数据增强是图像分类神经网络训练的关键。本文首先表明，现有的增强会在train和test时候产生显著的差异。我们通过实验验证，对于目标测试分辨率，使用较低的train分辨率可在测试时提供更好的分类。然后，我们提出了一种简单而有效且高效的策略，以便在train和测试分辨率不同时优化分类器性能。它只涉及在测试分辨率下计算上廉价的网络调整。这样可以使用小型训
Fanniexia·2019-09-08 19:51

（转）CVPR2019年增量学习论文解读—— large scale incremental learning

原文链接：https://blog.csdn.net/shinian1987/article/details/94288012CVPR2019年增量学习论文解读——largescaleincrementallearning
纵心似水·2019-09-05 08:59

前沿 | VLDB论文解读：阿里云超大规模实时分析型数据库AnalyticDB

原文链接：https://my.oschina.net/u/1464083/blog/3101161前言一年一度的数据库领域顶级会议VLDB2019于美国当地时间8月26日-8月30日在洛杉矶召开。在本届大会上，阿里云数据库产品团队多篇论文入选ResearchTrack和IndustrialTrack。本文将对入围IndustrialTrack的论文《AnalyticDB:RealtimeOLAP
chikuai9995·2019-09-03 10:00

前沿 | VLDB论文解读：阿里云超大规模实时分析型数据库AnalyticDB

前言一年一度的数据库领域顶级会议VLDB2019于美国当地时间8月26日-8月30日在洛杉矶召开。在本届大会上，阿里云数据库产品团队多篇论文入选ResearchTrack和IndustrialTrack。本文将对入围IndustrialTrack的论文《AnalyticDB:RealtimeOLAPDatabaseSystematAlibabaCloud》进行深度解读。1、背景随着数据量的快速增长
阿里云云栖社区·2019-09-03 00:00

数据库顶会VLDB论文解读：阿里巴巴数据库智能参数优化的创新与实践

原文链接：https://my.oschina.net/u/1464083/blog/3100834前言一年一度的数据库领域顶级会议VLDB2019于美国当地时间8月26日-8月30日在洛杉矶召开。在本届大会上，阿里云数据库产品团队多篇论文入选ResearchTrack和IndustrialTrack。本文将对入围ResearchTrack的论文《iBTune:IndividualizedBuff
chikuai9995·2019-09-02 15:00

论文解读：Interactive Boundary Prediction for Object Selection

创新点不同于现有的region-based交互式分割方法，该工作是boundary-based（主动控制物体的边界，参考activecontour和intelligentscissor）。采用high-level的语义信息（fromdeeplearning）+userinteractions（比如在边界上click）来预测边界。设计encoder-decoder的框架（其实就是DeepISeg框架
JYZhang_sh·2019-09-02 14:31

Residual Regression with Semantic Prior for Crowd Counting论文解读

（先占坑，已经读完了慢慢写）CVPR2019的文章，motivation与大多数works不同，着眼于充分利用图像之间关联关系（或称相关性），具体而言，指残差（residual）信息，个人理解名为差分（differencial）信息更合适。利用语义优先级信息semanticprior，跟attention思想是很类似的，在ADCrowdNet中也出现这种思想。Motivation大多数之前的工作关
rongliangzi_thu·2019-09-01 22:02

KDD 2019论文解读：多分类下的模型可解释性

日前，由阿里巴巴研究型实习生张雪舟、蚂蚁金服高级算法专家娄寅撰写的论文《AxiomaticInterpretabilityforMulticlassAdditiveModels》入选全球数据挖掘顶级会议KDD2019，本文为该论文的详细解读。论文地址：https://www.kdd.org/kdd2019/a...前言模型可解释性是机器学习研究中的一个重要课题。这里我们研究的对象是广义加性模型（G
蚂蚁金服技术团队·2019-08-28 10:07

KDD 2019论文解读：多分类下的模型可解释性

日前，由阿里巴巴研究型实习生张雪舟、蚂蚁金服高级算法专家娄寅撰写的论文《AxiomaticInterpretabilityforMulticlassAdditiveModels》入选全球数据挖掘顶级会议KDD2019，本文为该论文的详细解读。论文地址：https://www.kdd.org/kdd2019/accepted-papers/view/axiomatic-interpretabilit
阿里云云栖社区·2019-08-28 00:00

KDD 2019论文解读：多分类下的模型可解释性

日前，由阿里巴巴研究型实习生张雪舟、蚂蚁金服高级算法专家娄寅撰写的论文《AxiomaticInterpretabilityforMulticlassAdditiveModels》入选全球数据挖掘顶级会议KDD2019，本文为该论文的详细解读。论文地址：https://www.kdd.org/kdd2019/a...前言模型可解释性是机器学习研究中的一个重要课题。这里我们研究的对象是广义加性模型（G
蚂蚁金服科技·2019-08-26 00:00

RAdam VS Adam

论文解读：Radam：ONTHEVARIANCEOFTHEADAPTIVELEARNINGRATEANDBEYOND1,目的想找到一个比较好的优化器，能够在收敛速度和收敛的效果上都比较号。
Jerry_Jin·2019-08-25 16:00

循环神经网络RNN论文解读

原文链接：https://blog.csdn.net/zhaojc1995/article/details/80572098版权声明：本文为CSDN博主「了不起的赵队」的原创文章，遵循CC4.0by-sa版权协议，转载请附上原文出处链接及本声明。原文链接：https://blog.csdn.net/zhaojc1995/article/details/80572098论文名称：RECURRENTN
纸上得来终觉浅～·2019-08-25 10:10

2000 ~2019 年历届 CVPR 最佳论文汇总

：http://bbs.cvmart.net/topics/665/CVPR-Best-Paper本文汇总了从2000~2019年历届CVPR会议最佳论文，附上作者和论文链接(论文题目含超链），部分含论文解读和代码
extremevision·2019-08-24 17:08

目标检测论文解读13——FPN

引言对于小目标通常需要用到多尺度检测，作者提出的FPN是一种快速且效果好的多尺度检测方法。方法a,b,c是之前的方法，其中a,c用到了多尺度检测的思想，但他们都存在明显的缺点。a方法：把每图片都进行缩放，在进行检测，这种做法最大的问题是太慢，因为要多花好几倍的时间；c方法：其实就是SSD论文中用到的方法，featuremap一层层下采样，然后对不同scale的featuremap之间进行预测，这种
汪昕·2019-08-23 20:00

元学习资料整理

文章目录元学习资料博客推荐博主推荐sciencearticle相关文章元学习资料博客推荐1《最前沿:MetaRL论文解读》2018.08.04https://www.colabug.com/3907065
liz_lee·2019-08-23 11:50

元学习资料整理

文章目录元学习资料博客推荐博主推荐sciencearticle相关文章元学习资料博客推荐1《最前沿:MetaRL论文解读》2018.08.04https://www.colabug.com/3907065
liz_lee·2019-08-23 11:50

目标检测论文解读12——RetinaNet

引言这篇论文深刻分析了one-stage的模型精度比two-stage更差的原因，并提出FocalLoss提高精度。思路在论文中，作者指出，造成one-stage模型精度差的原因主要是：正负样本极不平衡。一张图片只有那么几个目标，但是用来分类的AnchorBox却能达到几千个，大量的样本都是负样本，而且大多数负样本都是容易分类的简单样本，这些简单样本的loss虽然低但是凭借着数量众多，能对loss
汪昕·2019-08-22 17:00

目标检测论文解读11——Mask R-CNN

目的让FasterR-CNN能做实例分割的任务。方法模型的结构图如下。与FasterR-CNN相比，主要有两点变化。(1)用RoIAlign替代RoIPool。首先回顾一下RoIPool，流程为：将RPN产生的原图侯选框映射到CNNs输出的featuremap上，显然原图比featuremap大，所以映射后的像素坐标可能会有小数，这里的做法是用近邻插值法，通俗讲，坐标四舍五入。而这种做法肯定会带来
汪昕·2019-08-22 11:00

目标检测论文解读10——DSSD

背景SSD算法在检测小目标时精度并不高，本文是在在SSD的基础上做出一些改进，引入卷积层，能综合上下文信息，提高模型性能。理解Q1：DSSD和SSD的区别有哪些？(1)SSD是一层一层下采样，然后分别在这些featuremap上进行预测；而DSSD则是在后面加入了很多的DeconvolutionModule，通过逆卷积算法featuremap上采样，然后与前面的featuremap通过点积产生新的
汪昕·2019-08-21 11:00

BPE论文解读

论文：NeuralMachineTranslationofRareWordswithSubwordUnitshttps://github.com/rsennrich/subword-nmt1，一般的词库生成方式：提出问题词库生成方法：在做nlp的时候，对语料生成词库。为了不让字典太大，我们通常只会把出现频次大于某个阈值的词丢到字典里边，剩下所有的词都统一编码成#UNK。问题：这种方法不能解决未登录
yealxxy·2019-08-20 21:01

目标检测论文解读9——R-FCN

背景基于ResNet101的FasterRCNN速度很慢，本文通过提出Position-sensitivescoremaps(位置敏感分值图)来给模型加速。方法首先分析一下，为什么基于ResNet101的FasterR-CNN很慢？其实主要的原因是ROIPooling层后面的Conv5无法共享计算，每一个RoI都要计算一次，一次检测RoI可能有几百个，计算量巨大。我们已经知道Conv层的作用是提取
汪昕·2019-08-20 20:00

目标检测论文解读7——YOLO v2

背景YOLOv1检测效果不好，且无法应用于检测密集物体。方法YOLOv2是在YOLOv1的基础上，做出如下改进。(1)引入很火的BatchNormalization，提高mAP和训练速度；(2)加入了AnchorBox机制，每个gridcell5个AnchorBox；(3)自动选择AnchorBox，这是作者所作出的创新，之前AnchorBox都是人为直接规定的，显然不是很合理。作者通过K-mea
汪昕·2019-08-20 10:00
上一页 47 48 49 50 51 52 53 54 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他