NetWorks

两种深度强化学习算法在网络调度上的应用与优化（DQN A3C）

，ReinforcementLearningBasedSchedulingAlgorithmforOptimizingAgeofInformationinUltraReliableLowLatencyNetworks
DongXun_Lord·2023-02-01 07:49

【图像分类】基于宽度学习实现minist数据集图像分类matlab源码

简介一、宽度学习的前世今生宽度学习系统(BLS)一词的提出源于澳门大学科技学院院长陈俊龙和其学生于2018年1月发表在IEEETRANSACTIONSONNEURALNETWORKSANDLEARNINGSYSTEMS
Matlab科研辅导帮·2023-02-01 01:03

【深度强化学习】深度Q网络DQN

DQN的算法流程：Q-leaning和DQN的区别与Q-Learning相比，DQN主要改进在以下三个方面：（1）DQN利用深度卷积网络(ConvolutionalNeuralNetworks,CNN)
菜鸟 果果·2023-02-01 00:19

浅谈匹配网络

论文：[1606.04080]MatchingNetworksforOneShotLearning(arxiv.org)时间：NIPS2016最近在读《MatchingNetworksforOneShotLearning
胖迪王·2023-01-31 23:31

Very Deep Convolutional Networks for Large-Scale Image Recognition-VGGNet解读

作者：HYH日期：2020-9-10论文期刊：ICLR2015标签：VGG论文：《VeryDeepConvolutionalNetworksforLarge-ScaleImageRecognition》
中南大学苹果实验室·2023-01-31 23:29

一文看懂VGGNet

“Verydeepconvolutionalnetworksforlarge-scaleimagerecognition.”arXivpreprintarXiv:1409.1556(2014).论文下载地址
PaQiuQiu·2023-01-31 23:29

pytorch中MobileNetV2分类模型的源码注解

MobileNetV1《MobileNets:EfficientConvolutionalNeuralNetworksforMobileVisionApplications》_程大海的博客-CSDN博客
胖胖大海·2023-01-31 22:47

【自监督学习综述】Self-Supervised Visual Feature Learning With Deep Neural Networks: A Survey

摘要通常需要标记的数据才能训练深层神经网络，以便从图像或视频中获得一些特征。为了避免收集和注释大规模数据集的成本，提出了自监督的学习方法。本文从图像或视频中对基于深度学习的一般视觉特征学习方法进行了广泛的评论。首先，描述了该领域的动机，一般方法和术语；然后，总结了用于自监督学习的常见深度神经网络体系结构；接下来，审查了自监督学习方法的模式和评估指标；然后是图像，视频，音频和3D数据的常用数据集以及
哈哈哈1102·2023-01-31 21:59

自监督学习数据集和方法总结

论文：Self-SupervisedVisualFeatureLearningWithDeepNeuralNetworks:ASurvey图像，视频，音频和3D对象数据的常用数据集基于前置任务类别的自监督图像特征学习方法基于前置任务的自监督视频特征学习方法基于前置任务类别的自监督
哈哈哈1102·2023-01-31 21:59

Kaggle(L6) - Binary Classification & Notebook

Applydeeplearningtoanothercommontask.IntroductionSofarinthiscourse,we’velearnedabouthowneuralnetworkscansolveregressionproblems.Nowwe
你这个代码我看不懂·2023-01-31 16:30

kaggle 导出训练数据_5个用于训练gan的kaggle数据集

kaggle导出训练数据Generativeadversarialnetworks(GANs)areasetofdeepneuralnetworkmodels,introducedbyIanGoodfellowin2014
weixin_26750481·2023-01-31 16:00

神经网络算法通俗解释,神经网络的数学表达式

人工神经网络（ArtificialNeuralNetworks，简写为ANNs）也简称为神经网络（NNs）或称作连接模型（ConnectionModel），它是一种模仿动物神经网络行为特征，进行分布式并行信息
普通网友·2023-01-31 14:32

PointConv解读

PointConv：DeepConvolutionalNetworkson3DPointClouds摘要传统的卷积是作用在二维图像数据上，图像数据通常可以表示成密集的网格形式。
lrr95·2023-01-31 14:24

【深度学习系列（六）】：RNN系列（2）：RNN的基础单元之QRNN、IndRNN以及JANET

QRNN1.1、QRNN网络结构二、IndRNN2.1、IndRNN网络结构三、JANET3.1、JANET网络结构一、QRNN1.1、QRNN网络结构QRNN(Quasi-RecurrentNeuralNetworks
wxplol·2023-01-31 14:24

点云深度学习--制作自己的PointConv数据集modelnet-40

论文及程序地址二、运行环境三、生成PCD文件四、将PCD文件修改为符合规范的txt文件五、将生成的数据放进至源数据集六、实验验证一、论文及程序地址论文原文PointConv:DeepConvolutionalNetworkson3DPointClouds
jd1998·2023-01-31 14:23

QRNN(Quasi-Recurrent Neural Networks)

keras代码:https://github.com/DingKe/qrnnQRNN为LSTM加速算法,模型结构如下:qrnn第一层为卷积层,用于提取输入特征,第二层为pooling层,用于减少特征数目,但语常用的pooling层不同的是,qrnn采用fo-pool方法,具体计算如下.卷积层:对于输入X,分别通过三个卷积层和非线性层得到Z,F,O,公式如下:Z=tanh(Wz∗X)F=σ(Wf∗X
imperfect00·2023-01-31 14:23

Rust机器学习之petgraph

Python有著名的NetworksX库，便于用户对复杂网络进行创建、操作和学习。Rust有对应的petgraph库——一个用Rust开发的通用图形库。
JarodYv·2023-01-31 13:27

SRGAN(SRResNet)介绍

生成式对抗网络（GAN,GenerativeAdversarialNetworks）是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。
一只小小的土拨鼠·2023-01-31 13:52

图神经网络预训练 (2) - 子结构预测 Context Prediction 代码

如上篇文章所提及，StrategiesforPre-trainingGraphNeuralNetworks一文的作者提出了节点层面进行预训练的两种方法，分别是：Context和AttributePrediction
wufeil·2023-01-31 12:34

2019-NeurIPS-Understanding Attention and Generalization in Graph Neural Networks

2019-NeurIPS-UnderstandingAttentionandGeneralizationinGraphNeuralNetworksPaper:https://arxiv.org/abs/
发呆的比目鱼·2023-01-31 12:03

2020-ICLR-Memory-Based Graph Networks

2020-ICLR-Memory-BasedGraphNetworksPaper：https://arxiv.org/abs/2002.09518Code:https://github.com/amirkhas
发呆的比目鱼·2023-01-31 12:03

Task06：基于图神经网络的图表征学习方法

基于图神经网络的图表征学习方法本文参考datawhale开源学习资料一、基于图同构网络（GIN）的图表征网络的实现1.GINConv–图同构卷积层提出图同构网络的论文是：HowPowerfulareGraphNeuralNetworks
idruglab.com·2023-01-31 12:03

Datawhale GNN组队学习-Task 06

HowPowerfulareGraphNeuralNetworks?本文基于Weisfeiler-Lehman(WL)test视角理论分析了GNN，包括：分析了GNN做了什么？在什
lingwenzhenjun·2023-01-31 12:02

Action-Decision Networks for Visual Tracking with Deep Reinforcement Learning

题目：Action-DecisionNetworksforVisualTrackingwithDeepReinforcementLearning来源：CVPR2017Abstract本文用强化学习来做跟踪
jingqiulyue·2023-01-31 12:01

Action-Decision Networks for Visual Tracking with Deep Reinforcement Learning翻译

摘要本文提出一种由顺序性跟踪动作控制的新颖跟踪器，该控制方法是从深度强化学习中学习到的。跟现有的使用深度网络的跟踪器相比，我们提出的跟踪器的设计思想是在实现令人满意的跟踪位置精度和跟踪尺度精度的同时，也得到一种轻量级计算。控制动作的深度网络，是在各种各样的训练序列上预训练过的，并且会在跟踪过程中微调，在线自适应目标和背景的变化。预训练是通过深度强化学习进行的，这同时也是一种有监督学习。强化学习的使
梨落琴川·2023-01-31 12:01

CVPR 2017 ADNet:《 Action-Decision Networks for Visual Tracking with Deep Reinforcement Learning》论文笔记

理解出错之处望不吝指正。本文模型叫做ADNet。该模型通过强化学习产生动作序列（对bbox进行移动or尺度变换）来进行tracking。原理如下图（第一列代表初始帧，第二列和第三列代表通过RL产生的动作序列对object进行tracking）：模型的整体结构如下：强化学习部分：（1）状态：状态分为和两部分。其中代表正在tracking的bbox（当前图片信息，可在上图中看到），则是一个维的向量，存
NeverMoreH·2023-01-31 12:30

ADNet学习笔记

Action-DecisionNetworksforVisualTrackingwithDeepReinforcementLearning学习笔记1.基本原理  本文模型叫做ADNet。
WaitPX·2023-01-31 12:28

利用fft计算时域卷积重叠法保留_C3D：使用3D卷积网络学习时空特征

文章：LearningSpatiotemporalFeatureswith3DConvolutionalNetworks链接：https://arxiv.org/abs/1412.0767v4一个较好的翻译
weixin_39559382·2023-01-31 11:11

ICCV2015(object detection)：Fast RCNN-论文解读《Fast R-CNN》

Conclusion）相知（Body）2.FastR-CNNarchitectureandtraining2.1TheRoIpoolinglayer2.2Initializingfrompre-trainednetworks2.3Fine-tuningforobjectdetectionMulti-tasklossMin
我是大黄同学呀·2023-01-31 11:40

（ICCV-2015）使用 3D 卷积网络学习时空特征

使用3D卷积网络学习时空特征paper题目：LearningSpatiotemporalFeatureswith3DConvolutionalNetworkspaper是FAIR发表在ICCV2015的工作
顾道长生'·2023-01-31 11:10

论文笔记(三)《Unsupervised representation learning using deep convolution to generate adversarial network》

我们介绍了一类被称为深度卷积生成对抗性网络（Deepconvolutionalgenerativeadversarialnetworks，DCGANs）的CNNs，它们具
爱吹口哨的夜莺·2023-01-31 10:46

GANs学习系列(3)：GANs main stream paper

TheresearchfordevelopmentofGANs1.adversarialexamples1)Intriguingpropertiesofneuralnetworks,byChristianSzegedyatGoogle
Alanyannick·2023-01-31 10:46

图卷积网络进行骨骼识别代码_基于骨架的动作识别的圣域图卷积网络

hallowGraphConvolutionalNetworkforSkeleton-BasedActionRecognitionGraphconvolutionalnetworks(GCNs)havebroughtconsiderableimprovementtotheskeleton-basedactionrecognitiontask.ExistingGCN-basedmethodsusua
这只萝北不能吃·2023-01-31 10:06

Spatial Graph Convolutional Networks（SGCN）

利用空间信息的图卷积网络，代码：geo-gcn，原文：SpatialGraphConvolutionalNetworks
_森罗万象·2023-01-31 10:57

《Interactive Attention Networks for Aspect-Level Sentiment Classification》笔记

论文下载地址《InteractiveAttentionNetworksforAspect-LevelSentimentClassification》，这篇论文大致是讲利用attention机制将target
bupt_周小瑜·2023-01-31 08:46

论文笔记——Densely Connected Convolutional Networks(DenseNet)

论文下载：https://arxiv.org/pdf/1608.06993.pdf论文代码：https://github.com/liuzhuang13/DenseNet论文摘要：作者提到，卷积网络在靠近输入的层和靠近输出的层之间包含较短的连接(即输入卷积层的特征和卷积层输出的特征进行整合连接)，那么这个网络的训练就可以更深入、更准确、更有效。作者基于这一观察，引入DenseNet(DenseCo
BlackBack_·2023-01-31 07:53

Densely Connected Convolutional Networks（文献阅读笔记）

摘要最近的研究表明，如果卷积网络在靠近输入的层和靠近输出的层之间包含较短的连接，那么它的训练就可以更深入、更准确、更有效在本文中，我们相信这一观察，并引入了DenseConvolutionalNetwork(DenseNet)，它以前馈方式将每一层连接到每一层。传统的卷积网络有L层L个连接-在每层与其后续层之间有，而我们的网络有L(L+1)/2L(L+1)/2L(L+1)/2个直接连接。对于每一层
不吃·2023-01-31 07:52

附代码 DenseNet---Densely Connected Convolutional Networks

DenselyConnectedConvolutionalNetworks论文解读代码链接：https://github.com/bamos/densenet.pytorch论文链接：https://arxiv.org
向上的阿鹏·2023-01-31 07:52

【论文】Densely Connected Convolutional Networks（DenseNet译文）

摘要最近的研究表明，如果在靠近输入层与输出层之间的地方使用短连接（shorterconnections），就可以训练更深、更准确、更有效的卷积网络。在这篇文章中，我们基于这个观点，介绍了稠密卷积网络（DenseNet），该网络在前馈时将每一层都与其他的任一层进行了连接。传统的L层卷积网络有L个连接——每一层与它的前一层和后一层相连——我们的网络有L(L+1)/2个连接。每一层都将之前的所有层的特征
pangpd·2023-01-31 07:52

【paper 1】Densely Connected Convolutional Networks CVPR2017 随笔

参考链接网络模型--DenselyConnectedConvolutionalNetworksCVPR2017最佳论文作者解读：DenseNet的“what”、“why”和“how”｜CVPR2017论文笔记
117瓶果粒橙·2023-01-31 07:21

Densely Connected Convolutional Networks

论文链接：https://arxiv.org/abs/1608.06993代码：https://github.com/liuzhuang13/DenseNet一、论文介绍：在本文中，作者提出了一种架构：为了确保网络中各层之间的最大信息流，将所有层(具有匹配的特征图大小)直接相互连接。为了保持前馈特性，每一层从前面的所有层获得额外的输入，并将自己的特征映射传递给随后的所有层。这种布局如上图所示。最重
小小小~·2023-01-31 07:51

Densely Connected Convolutional Networks手动翻译

DenseNet：1）特点：1.缓解了消失梯度问题2.增强了特征传播，改进了整个网络的信息流和梯度3.促进了特征再用，以开发网络的潜力4.更少的参数，因为不需要重新学习冗余的特征映射5.密集连接具有正则化效果，可以减少过拟合2）架构：1.通过跳跃连接利用CNNs的多级特征对各种视觉任务都是有效的2.以前馈的方式将每个层都连接到其他每一层，产生L(L+1)/2个直接连接3.DenseNet层非常窄，
qq_35024702·2023-01-31 07:20

看论文系列（一）——Densely Connected Convolutional Networks（DenseNet）解读

论文：DenselyConnectedConvolutionalNetworks论文链接：httpsDenseNet一、摘要二、模型结构2.1.对ResNet的改进2.2.两个主要的块一、摘要摘要提到本文模型的主要优点是
酒与花生米·2023-01-31 07:19

Densely Connected Convolutional Networks 阅读

https://blog.csdn.net/u014380165/article/details/75142664论文：DenselyConnectedConvolutionalNetworks论文链接
hjxu2016·2023-01-31 07:47

D3net中Multidilated convolution的anti-aliasing的理解

原文：Denselyconnectedmultidilatedconvolutionalnetworksfordensepredictiontasks地址：http://arxiv.org/abs/2011.11844v1
Ben出没冇注意·2023-01-31 07:17

【论文阅读及复现】（2017）Densely Connected Convolutional Networks + Pytorch代码实现

文章目录一、摘要二、DenseNet网络结构三、DenseBlock四、PyTorch-GPU代码实现论文来源：（2017）DenselyConnectedConvolutionalNetworks作者
WSKH0929·2023-01-31 07:45

.DS_Store文件的处理

find/-name".DS_Store"-depth-execrm{}\;2.禁止.DS_store生成：defaultswritecom.apple.desktopservicesDSDontWriteNetworkStores-boolTRUE3
雨季雨线·2023-01-31 05:17

论文阅读——Quantization and Training of Neural Networks for Efficient Integer-Arithmetic-Only Inference

论文阅读——QuantizationandTrainingofNeuralNetworksforEfficientInteger-Arithmetic-OnlyInferencefromGoogleAbstract
黄小米吖·2023-01-31 01:05

BN折叠及其量化

本文介绍量化过程中的BN折叠；以下图片引用自QuantizationandTrainingofNeuralNetworksforEfficientInteger-Arithmetic-OnlyInferenceBN
cyz0202·2023-01-31 01:34

Paper Reading||Quantization Networks

CVPR2019)：https://arxiv.org/abs/1911.09464源码(Pytorch)：https://github.com/aliyun/alibabacloud-quantization-networksQN
Bitterest·2023-01-31 01:33
上一页 54 55 56 57 58 59 60 61 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他