Representations 第2页

浏览器层面缓存 Etag & If-None-Match等详解

Web缓存，也是同样的道理，说白了，就是当你第一次访问网址时，将这个东东（representations），如html页面、图片、JavaScript文件等，存在一个离你较近的地方，当你下次还需要它时，

shadow_zed·2023-08-19 06:09

论文笔记--ERNIE-ViL: Knowledge Enhanced Vision-Language Representations through Scene Graphs

论文笔记--ERNIE-ViL:KnowledgeEnhancedVision-LanguageRepresentationsthroughSceneGraphs1.文章简介2.文章概括3文章重点技术3.1模型架构3.2SceneGraphPrediction(SGP)4.文章亮点5.原文传送门6.References1.文章简介标题：ERNIE-ViL:KnowledgeEnhancedVisi

Isawany·2023-08-13 02:50

A Simple Framework for Contrastive Learning of Visual Representations(论文翻译)

ASimpleFrameworkforContrastiveLearningofVisualRepresentations摘要1介绍2方法2.1对比学习框架2.2训练大批量数据2.3评估协议3.用于对比表示学习的数据增强3.1.数据增强操作的组合对于学习良好的表示至关重要3.2对比学习需要更强的数据增强比有监督学习4.编码器和头部的架构4.1.无监督对比学习从更大的模型中获益（更多）4.2.非线性

黄阳老师·2023-08-09 16:45

论文解读Neural Body: Implicit Neural Representations with Structured Latent Codes for Novel View Synthes

基于结构化潜代码的隐式神经表示新视图合成NeuralBody:ImplicitNeuralRepresentationswithStructuredLatentCodesforNovelViewSynthes论文地址：论文https://arxiv.org/pdf/2012.15838.pdf项目地址：Githubhttps://github.com/zju3dv/neuralbody图1：从稀疏

出门吃三碗饭·2023-08-01 23:35

无监督表示学习（三）：2020 Simple Contrastive Learning of Visual Representations(SimCLR)

2020年2月Hinton团队的一项新研究：SimCLR，提出了对比学习为无监督表示学习领域带来的巨大突破，并推出了性能优越的表示模型SimCLR。论文地址题目：《ASimpleFrameworkforContrastiveLearningofVisualRepresentations》地址：问题提出首先论文对当前表示学习的主流方法做了概述，目前大部分表示方法都可以分为两种：生成式和判别式。生成式

快乐的二叉树·2023-07-31 02:09

【论文阅读】GraphCL：Contrastive Self-Supervised Learning of Graph Representations

图表示的对比自监督学习摘要1引言2方法2.1背景情况2.2GraphCL2.3GraphCL概述3实验摘要本文提出了图对比学习（GraphCL），一个以自监督方式学习节点表示的一般框架。GraphCL通过最大化同一节点局部子图的内在特征和链接结构的两个随机扰动版本的表示之间的相似性来学习节点嵌入。我们使用GNN生成同一节点的两种表示，并利用对比学习损失来最大化它们之间的一致性。在transduct

Cziun·2023-07-30 23:44

论文笔记：COST: CONTRASTIVE LEARNING OF DISENTANGLEDSEASONAL-TREND REPRESENTATIONS FORTIME SERIES FOREC

ICLR20221前言介绍表征学习（对比学习）+时间序列预测首先学习时间序列解耦的representation然后进行回归任务的精调对比学习CoST包含时域和频域的contrastiveloss——>学习趋势和周期性representation传统的时间序列预测模型将特征表示学习和预测任务放在一块迭代很多非线性层来同时进行特征提取和预测回归任务但这样的方式可能会导致模型过拟合，提取到数据中多余的噪

UQI-LIUWJ·2023-07-30 23:44

Etag & If-None-Match 专题

Web缓存，也是同样的道理，说白了，就是当你第一次访问网址时，将这个东东（representations），如html页面、图片、JavaScript文件等，存在一个离你较近的地方，当你下次还需要它时

weixin_34007886·2023-07-24 16:30

Siren论文阅读笔记：Implicit Neural Representations with Periodic Activation Functions具有周期激活函数的隐式神经表示

ImplicitNeuralRepresentationswithPeriodicActivationFunctionsTitle:具有周期激活函数的隐式神经表示论文地址：论文地址arixvhttps://arxiv.org/pdf/2006.09661v1.pdf项目网址：项目地址https://paperswithcode.com/paper/implicit-neural-represent

出门吃三碗饭·2023-07-24 13:03

Learning to cartoonize using white-box cartoon representations

论文笔记--漫画生成--White-boxCartoonRepresentations-知乎论文LearningtoCartoonizeUsingWhite-boxCartoonRepresentations源码https://github.com/SystemErrorWang/White-box-Cartoonization效果算法概述这篇论文是将图像风格转成漫画风格，作者认为可以将图像表…h

Kun Li·2023-07-19 11:14

图片速览 Deep k-Means: Jointly clustering with k-Means and learning representations

本文探讨了联合聚类与学习的问题交涉。正如之前的几项研究表明，学习既忠实于要聚类和调整的数据的表示形式到聚类算法可以导致更好的聚类性能，所有的更重要的是，这两项任务是联合执行的。我们在这里提出这样一个方法的k-基于连续重新参数化的方法聚类导致真正联合解决方案的目标函数。的行为我们的方法在各种数据集上进行了说明，显示了其在在对对象进行聚类时学习对象的表示形式。https://arxiv.org/abs

FakeOccupational·2023-07-16 00:22

【预训练视觉-语言模型文献阅读】VL-BERT: PRE-TRAINING OF GENERIC VISUAL- LINGUISTIC REPRESENTATIONS（ICLR 2020）

【预训练视觉-语言模型文献阅读】VL-BERT:PRE-TRAININGOFGENERICVISUAL-LINGUISTICREPRESENTATIONS（ICLR2020）文章目录【预训练视觉-语言模型文献阅读】VL-BERT:PRE-TRAININGOFGENERICVISUAL-LINGUISTICREPRESENTATIONS（ICLR2020）ABSTRACT摘要1INTRODUCTIO

程序媛小哨·2023-07-14 04:49

论文笔记--SentEval: An Evaluation Toolkit for Universal Sentence Representations

论文笔记--SentEval:AnEvaluationToolkitforUniversalSentenceRepresentations1.文章简介2.文章概括3文章重点技术3.1evaluationpipeline3.2使用4.代码4.1数据下载4.2句子嵌入4.3句子嵌入评估5.文章亮点6.原文传送门7.References1.文章简介标题：SentEval:AnEvaluationTool

Isawany·2023-07-14 03:41

深入理解深度学习——BERT（Bidirectional Encoder Representations from Transformers）：BERT的结构

分类目录：《深入理解深度学习》总目录BERT是由堆叠的TransformerEncoder层组成核心网络，辅以词编码和位置编码而成的。BERT的网络形态与GPT非常相似。简化版本的ELMo、GPT和BERT的网络结构如下图所示。图中的“Trm”表示TransformerBlock，即基于Transformer的特征提取器。ELMo使用自左向右编码和自右向左编码的两个LSTM网络，分别以P(wi∣w

von Neumann·2023-06-23 14:01

深度学习的自然语言处理-课程笔记-2-word2vec

照例附上大牛的笔记：http://www.hankcs.com/nlp/word-vector-representations-word2vec.html这节课主要是讲word2vec。

Linda_ak·2023-06-14 00:49

【论文翻译】：（arxiv 2022）PS-NeRV: Patch-wise Stylized Neural Representations for Videos

PS-NeRV:Patch-wiseStylizedNeuralRepresentationsforVideos(arxiv2022)2022/11/30:除了基金不想写，其他什么都想写Paper:https://arxiv.org/abs/2208.03742NoCodeAbstract我们研究如何用隐式神经表示(INRs)来表示视频。经典的INRs方法通常利用mlp将输入坐标映射到输出像素。而

倘若我问心无愧呢丶·2023-06-09 01:47

论文笔记--Efficient Estimation of Word Representations in Vector Space

论文笔记--EfficientEstimationofWordRepresentationsinVectorSpace1.文章简介2.文章概括3文章重点技术3.1NNLM(NeuralNetworkLanguageModel)3.1.1NNLM3.1.2RNNLM(RecurrentNeuralNetLanguageModel)3.2ContinuousBag-of-WordsModel(CBOW

Isawany·2023-06-08 04:21

论文笔记--Deep contextualized word representations

论文笔记--Deepcontextualizedwordrepresentations1.文章简介2.文章概括3文章重点技术3.1BiLM(BidirectionalLanguageModel)3.2ELMo3.3将ELMo用于NLP监督任务4.文章亮点5.原文传送门1.文章简介标题：Deepcontextualizedwordrepresentations作者：MatthewE.Peters,M

Isawany·2023-06-08 04:50

论文阅读 | End-to-End Learning of Representations for Asynchronous Event-Based Data

前言：CVPR2019事件表征方面论文代码：【here】End-to-EndLearningofRepresentationsforAsynchronousEvent-BasedData前言处理基于事件视觉任务的方式一般分两种，一种是应用可以异步更新的连续模型，另一种是将事件累积到时空域里形成事件包Event-basedvisionalgorithmsaggregateinformationtoe

btee·2023-04-21 12:44

视觉+语言预训练+微调：CAVL: Learning Contrastive and Adaptive Representations of Vision and Language 论文笔记

视觉+语言预训练+微调：CAVL:LearningContrastiveandAdaptiveRepresentationsofVisionandLanguage论文笔记一、Abstract二、引言三、相关工作预训练的视觉表示预训练的语言表示预训练的视觉语言融合表示Transformer中的自适应网络四、方法4.1预备知识：BERT4.2CAVL4.2.1对比预训练语言预训练视觉预训练视觉-语言预

乄洛尘·2023-04-19 07:36

[PED10]Invariance and Stability of Deep Convolutional Representations

AlbertoBietti,JulienMairal1.论文通过构造一个多层的深度卷积核网络，并且研究对应的再生核希尔伯特空间的几何结构，来研究深度信号表示的平移不变性以及微分同胚作用的稳定性，既不会丢失信号的信息。2.首先定义了连续域空间中的信号的操作，patchextraction、kernelmap、linearpooling。然后进行离散化，并且说明了了离散信号通过这些操作可以进行信号的保

张小甜甜·2023-04-18 16:40

因果推断深度学习工具箱 - LEARNING DISENTANGLED REPRESENTATIONS FOR COUNTERFACTUAL REGRESSION

文章名称LEARNINGDISENTANGLEDREPRESENTATIONSFORCOUNTERFACTUALREGRESSION核心要点同之前CFR-IS是同一批作者，也是在之前基础上的改进。文章主要针对binarytreatment的场景，能够用来估计CATE（当然也可以估计ATE）。作者基于CFR-IS[1]，结合RSB-Net[2]中提出的分解covariates为3种隐变量的思路，利用

processor4d·2023-04-12 22:40

用于语义分割的物体上下文表示

https://paperswithcode.com/paper/object-contextual-representations-for#codehttps://github.com/HRNet/HRNet-Semantic-Segmentation

Vinteuil·2023-04-11 20:13

Wav2KWS: Transfer Learning From Speech Representations for Keyword Spotting(2021)

Wav2KWS：基于语音表示的迁移学习用于关键词识别摘要随着设备上人工智能的不断发展，人们提出了智能扬声器、可穿戴设备和（其他设备上或边缘处理系统）等支持语音的设备。然而，构建或获取对鲁棒关键词识别（KWS）至关重要的大型训练数据集仍然很麻烦。为了解决这个问题，我们提出了一种深度神经网络，可以从任意关键字指令集快速建立高性能的KWS系统。我们使用经过大规模语音语料库预训练的编码器作为骨干网络，然后

阿凡凡提·2023-04-07 01:11

ICLR2021 用可逆生成流解耦全局和局部表示 Decoupling Global and Local Representations via Invertible Generative Flows

DecouplingGlobalandLocalRepresentationsviaInvertibleGenerativeFlows[PDF][GitHub]Figure1:Examplesoftheswitchoperation,whichswitchestheglobalrepresentationsoftwoimagesfromfourdatasets:(a)CIFAR-10,(b)Ima

Phoenixtree_DongZhao·2023-04-07 00:33

时序图文献精读——6.2019-ICLR-DYREP: LEARNING REPRESENTATIONS OVER DYNAMIC GRAPHS

DYREP:LEARNINGREPRESENTATIONSOVERDYNAMICGRAPHSAbstract在动态图的学习过程中出现了两个基本问题：(i)如何优雅地在图上建模动态过程？（ii）如何利用这样的模型来有效地将不断发展的图信息编码为低维表示？我们提出了一个双时间尺度的深时间点过程模型，以捕获观测过程的交错动态。该模型被时间注意表示网络进一步参数化，该网络将时间演化的结构信息编码为节点表示

头发没了还会再长·2023-03-31 04:48

CrossCLR: Cross-modal Contrastive Learning for Multi-modal Video Representations, 2021 ICCV

**本文内容仅代表个人理解，如有错误，欢迎指正**1.Points这篇论文主要解决两个问题1.跨模态对比学习(Cross-modalContrastivelearning)更注重于不同模态下的数据，而非同一模态下的数据。-也就是说，将不同模态下的数据投影到Jointspace时，希望pairedsamples(eg,Image1和Text1)之间的距离可以尽可能地小，unpairedsamples

BachelorSC·2023-03-29 02:32

Learning Cross-Modal Deep Representations for Robust Pedestrian Detection (学习跨模态深度表示以实现可靠的行人检测)

LearningCross-ModalDeepRepresentationsforRobustPedestrianDetection第一单位：UniversityofTrento引用量：102CVPR2017code：https://github.com/danxuhk/CMT-CNN贡献：提出了一种新颖的网络结构，包括RGB-thermal映射关系学习的重建网络和多尺度行人检测网络。主要思想是通

低吟浅笑·2023-03-29 01:36

论文笔记-UNITER: Learning Universal Image-Text Representations

论文：https://openreview.net/pdf?id=S1eL4kBYwr代码：https://github.com/ChenRocks/UNITER摘要联合图像文本嵌入是大多数视觉和语言(V+L)任务的基石，其中多模态输入被联合处理以进行视觉和文本理解。在本文中，作者介绍了UNITER，一种通用图像文本表示（UNiversalImage-TExtRepresentation），通过对

升不上三段的大鱼·2023-03-28 09:15

【Conformer】3.Conformer: Local Features Coupling Global Representations for Visual Recognition

论文题目：Conformer：局部特征耦合全局表示的视觉识别论文地址：https://arxiv.org/abs/2105.03889论文代码：https://github.com/pengzhiliang/Conformer摘要：在卷积神经网络（CNN）中，卷积操作擅长提取局部特征，但难以捕获全局表示。在VisualTransformer中，级联自注意力模块可以捕获长距离特征依赖关系，但不幸的是

一根藤～·2023-03-25 07:26

【论文翻译】Visual Object Networks: Image Generation with Disentangled 3D Representation

论文原文：http://papers.nips.cc/paper/7297-visual-object-networks-image-generation-with-disentangled-3d-representations

hy_238f·2023-03-21 01:09

【自监督论文阅读笔记】CASTing Your Model: Learning to Localize Improves Self-Supervised Representations

Abstract自监督学习(SSL)的最新进展在很大程度上缩小了与监督ImageNet预训练的差距。尽管这些方法取得了成功，但它们主要应用于未标记的ImageNet图像，并且在对较大的未处理图像集进行训练时显示出小的收益。我们假设当前的SSL方法在iconic标志性图像上表现最佳，而在具有许多对象的复杂的场景图像上表现不佳。分析对比SSL方法表明，它们在场景图像上训练时视觉基础差并且接收到的监督信

YoooooL_·2023-03-09 10:28

paper总结(1)A Simple Framework for Contrastive Learning of Visual Representations

对比学习，无监督学习，自监督学习基本上是一回事。本文主要介绍SimCLR框架：一个简单的视觉表示对比学习框架，不仅比以前的工作更出色，而且也更简单，既不需要专门的架构，也不需要储存库。SimCLR框架优势：多个数据增强组合对于定义产生有效表示的对比预测任务至关重要，尤其是随机裁剪和颜色是很好的组合。此外，无监督的对比学习受益于比监督学习更强的数据增强。在表示（h）和对比损失（在）之间引入可学习的非

miss9785·2023-02-06 08:39

文献阅读：On Learning Contrastive Representations for Learning with Noisy Labels

文献阅读：OnLearningContrastiveRepresentationsforLearningwithNoisyLabelsAbstract现存的问题：深度神经网络能够以软最大交叉熵(CE)损失轻松记忆噪声标签。先前研究选择将噪声鲁棒损失函数结合到CE中,然而问题仍然存在。文章的提出：提出了一种新的对比正则化函数来学习噪声数据上的这种表示,其中标签噪声不主导表示学习。实现的效果：学习的表

Jay——小白·2023-02-05 08:15

[NeurIPS 2017] Poincaré Embeddings for Learning Hierarchical Representations

ContentsIntroductionPoincaréEmbeddingsTheLimitationsofEuclideanSpaceforHierarchicalDataEmbeddingHierarchiesinHyperbolicSpaceEvaluationReferencesIntroduction如今，表征学习变得越来越重要(e.g.wordembedding,embeddingso

连理o·2023-02-04 08:22

论文笔记 -- Learning Representations for Time Series Clustering

文章目录LearningRepresentationsforTimeSeriesClusteringMotivationContributionModelDTCR工作DTCR流程输入输出变量定义算法流程Experiment数据集介绍Baseline方法对比试验消融实验各项损失的贡献学习表示的过程鲁棒性分析超参数分析主要方法参考文献LearningRepresentationsforTimeSeri

博o_Oer~·2023-02-03 03:43

【KAPAO】《Rethinking Keypoint Representations：Modeling Keypoints and Poses as Objects for XXX》

《RethinkingKeypointRepresentations:ModelingKeypointsandPosesasObjectsforMulti-PersonHumanPoseEstimation》ECCV-2022文章目录1BackgroundandMotivation2RelatedWork3Advantages/Contributions4KAPAO：KeypointsandPos

bryant_meng·2023-02-02 11:52

《Domain Agnostic Learning with Disentangled Representations》代码

文章目录`class_loss`分类交叉熵损失_论文公式（2）`ring_loss`Ring-styleNormalization_论文公式(8)`mutual_information`_论文公式(5/6/7)`confusion_loss`LentL_{ent}Lent_论文公式(3)`alignment_loss``Reconstruction`重构损失_论文公式(1)与论文对比class_l

F_aF_a·2023-02-02 09:29

《Domain Agnostic Learning with Disentangled Representations》ICML 2019

这篇文章是ICML2019上一篇做域适应的文章，无监督域适应研究的问题是如何把源域上训练的模型结合无lable的目标域数据使得该模型在目标域上有良好的表现。之前的研究都有个假设，就是数据来自哪个域是有着域标签的，其实这不太现实，就拿手写字识别打比方，不同的人使用不同的笔如纸张，那写出来的字会是不同的域的，识别的时候不可能模型还得需要知道待识别的字来自哪个域。这篇文章研究的内容是如何把有标注的源域信

didi7081·2023-02-02 09:55

Domain Agnostic Learning with Disentangled Representations

DomainAgnosticLearningwithDisentangledRepresentations第一章领域未知的表示学习文章目录DomainAgnosticLearningwithDisentangledRepresentations前言一、方法介绍和相关代码二、解纠缠代码2.1约束1约束2约束3前言DomainAgnosticLearningwithDisentangledRepres

black_and_white_girl·2023-02-02 09:24

2019_ICML_Domain Agnostic Learning with Disentangled Representations

论文地址：https://arxiv.org/pdf/1904.12347.pdf代码地址：https://github.com/VisionLearningGroup/DAL1研究动机与研究思路研究动机：之前的研究都有一个强假设，目标数据从同一分布均匀采样。本文提出Domain-AgnosticLearning(DAL)问题，即如何把有标注的源域信息迁移到无标注的任意目标域数据上。这个问题存在两

谷子君·2023-02-02 09:21

【论文学习】《One-shot Voice Conversion by Separating Speaker and Content Representations with IN》

《One-shotVoiceConversionbySeparatingSpeakerandContentRepresentationswithInstanceNormalization》论文学习文章目录《One-shotVoiceConversionbySeparatingSpeakerandContentRepresentationswithInstanceNormalization》论文学习

FallenDarkStar·2023-02-01 12:12

论文笔记：Learning Disentangled Representations of Video with Missing Data

2020Neurips1intro&abstract视频表征的一个挑战是高维、动态、各个像素之间多模态分布最近的一些研究通过探索视频的inductivebias，并将高维数据映射到低微数据中—>这种方法通过将视频的各帧分解成语义上有意义的因子，来获得视频的解耦表征——>但是，当物体在视频中有缺失时，现存的方法并不能很好地进行建模这篇论文就希望学习带有缺失数据的视频的解耦表征提出了DIVE(dise

UQI-LIUWJ·2023-02-01 12:31

【nlp论文笔记】 Glyce: Glyph-vectors for Chinese Character Representations

Abstract本文贡献：我们使用中国历史文字(如青铜器文字、篆书、繁体字等)来丰富文字的象形证据;设计适合中文字符图像处理的CNN结构(称为天泽-CNN);将图像分类作为多任务学习的辅助任务，以提高模型的泛化能力。作者表明，基于符号的模型能够在广泛的中文NLP任务中始终优于基于字/字符的模型。我们能够为各种中文NLP任务设置最新的结果，包括标记(NER、CWS、POS)、句子对分类、单句分类任务

yuexiaomao·2023-01-31 18:26

实体解析/实体匹配：DeepER—Distributed Representations of Tuples for Entity Resolution文章阅读笔记

DistributedRepresentationsofTuplesforEntityResolution写在前面：个人理解，如有错误请指出1INTRODUCTIONER困难：随之而来的困难是大数据的规模、数量和来源的多样性迅速增加。典型的ER任务流程STEP1：将实体对标注为匹配和非匹配。（人工标注数据集）STEP2：利用标记数据学习规则/ML模型。（用训练集进行模型训练，其中规则可以基于领域知

赶不上趟嗷·2023-01-27 10:16

【论文阅读笔记】（2017 CVPR）See, Hear, and Read: Deep Aligned Representations

See,Hear,andRead:DeepAlignedRepresentations（2017CVPR）YusufAytar,CarlVondrick,AntonioTorralbaNotesContributionsInthispaper,welearnrichdeeprepresentationsthatarealignedacrossthethreemajornaturalmodaliti

小吴同学真棒·2023-01-18 16:21

机器学习 Python scikit-learn 中文文档（8）无监督学习: 探索寻找数据的表现方式(representations)

无监督学习:探索寻找数据的表现方式(representations)与官方文档完美匹配的中文文档，请访问http://studyai.comLogo首页安装文档案例ForkmeonGitHubPrevious

ScorpioDoctor·2023-01-14 20:17

论文笔记（二）《Adversarial Manipulation of Deep Representations》

1.看过摘要之后，自己提出几个问题；具体如何针对DNN内部层，生成新的对抗网络?2.对应问题的解答；3.用自己的话阐述文章的核心问题和思路；4.可能改进的地方；5.自己画一遍文章的流程图；6.捋一遍算法流程.没看懂abstract我们证明，深度神经网络(DNN)中的图像表示可以被操纵，以模仿其他自然图像，只对原始图像进行微小的、难以察觉的扰动。以前的对抗图像生成方法主要针对产生错误类别标签的图像扰

学而时习之！！·2023-01-12 13:26

《PROTOTYPICAL CONTRASTIVE LEARNING OF UNSUPERVISED REPRESENTATIONS》学习笔记

PROTOTYPICALCONTRASTIVELEARNING引言方法实验Low-shotclassification特征可视化消融实验引言本文提出了一种无监督表征学习方法，主要针对对比损失(contrastiveloss)和聚类方法(deepcluster)方法改进，对比损失主要基于噪声对比估计(noisecontrastiveestimator)，将同分布的embedding拉近，不同分布的e

CsdnWujinming·2023-01-10 12:39

SINCO: A Novel structural regularizer for image compression using implicit neural representations

文章目录0abstract1introduction2background3proposedmethod3.1networkarchitecture3.2trainingstrategy4numericalexperiments4.1setupandcomparison4.2implementationdetails4.3resultconclusion0abstract隐式神经表示(INR)是一

attacking tiger·2023-01-09 06:22

推荐频道

Representations