nets

ISPRS2022/遥感影像云检测：Cloud detection with boundary nets基于边界网的云检测

ISPRS2022/云检测：Clouddetectionwithboundarynets基于边界网的云检测0.摘要1.概述1.1.云检测方法综述1.2.挑战1.3.有前途的策略1.4.一种新的框架：边界网2.调查的数据3.边界网Boundarynets3.1.Scalable-boundaryNet可伸缩边界网络3.2.Differentiable-boundarynet可微边界网络4.训练边界网
HheeFish·2023-02-03 12:00

InfoGAN: Information Maximizing Generative Adversarial Nets论文阅读

[toc]1.InfoGAN:InterpretableRepresentationLearningbyInformationMaximizingGenerativeAdversarialNetsarXiv:1606.03657[cs.LG]tensorflow2代码：https://github.com/zhangkaihua88/ML_Paper1.1.摘要InfoGAN对生成对抗网络的信息理
山雾幻华·2023-02-03 11:02

【分系列发送】CREStereo源码阅读1——框架阅读

打算自己参照着找找有没有可以加速的地方参考论文阅读源码论文过程整体框架打开nets文件夹里面的crestereo.py，先看看大体的inference流程，具体太长了，总的就不贴了，一点一点贴。
无情的AI鸽子·2023-02-03 10:31

基于python实现resnet_Python resnet_v2.resnet_v2方法代码示例

本文整理汇总了Python中nets.resnet_v2.resnet_v2方法的典型用法代码示例。如果您正苦于以下问题：Pythonresnet_v2.resnet_v2方法的具体用法？
weixin_39561431·2023-02-02 07:48

Allegro如何统计包含过孔长度的网络长度操作指导

Allegro如何统计包含过孔长度的网络长度操作指导当需要统计网络长度的时候，可以通过element选择nets看到网络的长度，但是当网络换层了，并且需要统计到过孔的长度，类似下图Allegro可以快速的统计网络的长度
不觉明了·2023-01-30 19:08

Generative Adversarial Nets论文翻译

AbstractWeproposeanewframeworkforestimatinggenerativemodelsviaanadversarialprocess,我们提出一种新的框架去测量生成模型通过对抗过程inwhichwesimultaneoulytraintwomodels:agenerativemodelGthatcapturesthedatadistribution,通过一个过程我们
唐僧爱吃唐僧肉·2023-01-29 00:11

Generative Adversarial Nets 论文阅读报告

摘要本文提出了一种通过对抗过程训练生成模型的框架。这一框架下，同时训练生成模型GGG和判别模型DDD。生成模型GGG学习数据分布，判别模型DDD判别输入的数据来自训练用的数据集的概率ppp（来自数据集的概率为ppp，来自生成模型GGG的概率为(1−p)(1-p)(1−p)）。训练的目的是，对于GGG生成的数据，最大化DDD判别数据是否来自训练集的错误率，这意味生成模型输出的数据很好地拟合了数据集的
ChenXu+86·2023-01-29 00:10

论文：Generative Adversarial Nets

pdf:http://de.arxiv.org/pdf/1406.2661code:https://github.com/goodfeli/adversarial摘要我们提出了一个新的框架，用于通过对抗来估计生成模型过程中，我们同时训练两个模型：生成模型G捕获数据分布，以及判别模型D样本来自训练数据而非G的概率。训练G的过程是最大程度地提高D犯错的可能性。这个框架对应于一个两人零和游戏。在任意空间
君莫笑xxx·2023-01-29 00:09

Generative Adversarial Nets中文翻译(转载)

仅供参考，如有翻译不到位的地方敬请指出。论文地址：GenerativeAdversarialNets论文翻译：XlyPb（http://blog.csdn.net/wspba/article/details/54577236）摘要我们提出了一个通过对抗过程估计生成模型的新框架，在新框架中我们同时训练两个模型：一个用来捕获数据分布的生成模型G，和一个用来估计样本来自训练数据而不是G的概率的判别模型D
wanfuchun·2023-01-29 00:39

Generative Adversarial Nets 论文笔记

论文地址GenerativeAdversarialNets摘要首先，在论文中提出了一个新的框架：生成对抗网络框架，这个框架是为了通过对抗的过程实现评估生成模型。处理过程中，我们同时训练两个模型，通过多层感知机定义在整个训练过程中使用反向传播算法。整个训练和样本生成阶段不需要马尔可夫链和展开的近似推理网络。1.生成模型G设计目的：捕获数据分布；训练过程：最大化判别模型错误的可能性，换言之，D没有识别
不会写代码の程序员·2023-01-29 00:37

最优传输论文（十四）：Generative Adversarial Nets论文原理

目录前言IntroductionRelatedworkAdversarialnetsTheoreticalResultsGlobalOptimalityofpg=pdatap_g=p_{data}pg=pdataConvergenceofAlgorithm1论文后面的实验等内容请阅读原文。代码前言这篇文章的影响力就不用我说了，之前对它的大致内容也有所了解，但是这里想深入回顾一遍。发表于2014年的
CtrlZ1·2023-01-29 00:37

【论文阅读】Conditional Generative Adversarial Nets

碎碎念参加jittor比赛，热身赛中使用的GAN模型，想起自己还没真正使用过GAN，希望通过这个机会学习下引入想要真正地理解世界，就应该能够生成世界的种种组成。因此出现了生成模型；生成模型是说，我们随机地生成一些图片（以图片任务为例），使得这些图片能够尽可能地描绘真实世界；然而这个标准很难量化去衡量（怎么样才算真实？），因此提出生成对抗网络GAN，同时设计生成器和判别器两个部分，生成器的任务是努力
反科研pua所所长·2023-01-29 00:30

Generative Adversarial Nets 论文翻译

论文原文：https://dl.acm.org/doi/pdf/10.1145/3422622代码：GitHub-goodfeli/adversarial:Codeandhyperparametersforthepaper"GenerativeAdversarialNetworks"标记意义test个人的理解test不太懂的翻译test重点关注文本目录GenerativeAdversarialNe
I will，·2023-01-29 00:29

立体匹配论文笔记（11.5~11.12）

《SMD-Nets:StereoMixtureDensityNetworks》CVPR2021术语论文理解可取之处3.《ADecompositionModelforStereoMatchi
Estella1024·2023-01-28 16:21

YOLOX添加CA坐标注意力机制

YOLOX添加CA坐标注意力机制1.在nets文件夹中新建CA.py2.更改nets文件夹中darknet.py1.在nets文件夹中新建CA.pyimporttorchimporttorch.nnasnnimportmathimporttorch.nn.functionalasFclassh_sigmoid
sakurasuki·2023-01-26 11:37

CGAN:Conditional Generative Adversarial Nets论文阅读

[toc]1.ConditionalGenerativeAdversarialNetsarXiv:1411.1784[cs.LG]tensorflow2代码：https://github.com/zhangkaihua88/ML_Paper1.1.摘要在GAN的基础上引入标签y，同时使用在生成器和判别器中.可以应用于多模态模型中。1.2.介绍生成对抗网络规避了棘手的概率计算不需要使用马尔科夫链，仅
山雾幻华·2023-01-26 10:00

【CS231n assignment 2022】Assignment 2 - Part 1，全连接网络的初始化以及正反向传播

orz文章目录前言1.内容简介2.Fully-Connected-Nets2.1网络初始化2.2损失函数2.2.1前向传播2.2.2反向传播2.3InitialLossandGradientCheck2
睡晚不猿序程·2023-01-21 16:28

文献‘‘Generative Adversarial Nets‘‘总结

目录1、摘要2、AdversarialNets3、理论结果3.1全局最优性3.2算法1的收敛性4、实验5、实验结果6、代码结果1、摘要本文提出了一个通过对抗性过程来估计生成模型的新框架,在这个框架中,同时训练两个模型:生成模型G捕捉数据分布,判别模型D估计样本来自训练数据而不是来自G的概率.G的训练过程是最大化D出错的概率.这个框架对应于一个极大极小的双人博弈.最优的情况是,G恢复训练数据的分布,
RrS_G·2023-01-16 16:27

proteus仿真出错：VCC and GND nets are connected - check net GND

目录问题错误复现解决办法问题当我们在用proteus仿真时，可能会出现以下错误错误复现解决办法供电网配置错误，按以下操作纠正
维度攻城狮·2023-01-11 09:47

PaddlePaddle入门06：猫狗分类

#网络结构defconvolutional_neural_network(img):#卷积池化层1conv_pool_1=fluid.nets.simple_img_conv_pool(input=img
道友去往何处·2023-01-03 11:55

OCR之R^2AM(Recursive Recurrent Nets with Attention Modeling for OCR in the Wild)论文笔记

写下我看完论文的一些心得。RecursiveRecurrentNetswithAttentionModelingforOCRintheWild，该模型有三部分组成，分别是recursiveCNN、RNN(Recurrentneuralnetwork)、softattentionmodel。如下图所示。recursiveCNN用于图片encoding（图片特征提取），RNN用于字符水平的语言模型，a
AI强仔·2023-01-01 20:59

Recursive Recurrent Nets with Attention Modeling for OCR in the Wild

关键词：递归神经网络，lexicon-free，soft-attention,untied引言使用递归CNNs，采用RNN隐式学习字符级语言模型，避免了使用N-grams，使用软注意力机制来利用图像特征首先这篇文章搞清楚了RNN包含了Recursiveneuralnetwork(递归神经网络)和Recurrentneuralnetwork(循环神经网络)下面简单介绍一下两个模型的区别循环神经网络：
Tsukinousag1·2023-01-01 20:57

深度学习--生成对抗网络（Generative Adversarial Nets）

对抗网络——GAN人脸检测，图像识别，语音识别等等，人类或者机器总是在现有的事物的基础上做出描述和判断，那么大家考虑一个东西，能不能创造出这个世界上不存在的东西？——————————GAN（生成对抗网络）GAN主要包含三个部分：生成，判别和对抗生成和判别是两个独立的模块生成器：负责使用随机向量产生内容，这些内容可以是图片，文字等等判别器：负责判断接受到的内容是否是真实的他会给出一个概率，代表内容的
AI-孟菜菜·2022-12-28 13:49

SMD-Net_首次在立体匹配任务中使用连续变量表示（CVPR 2021）

SMD-NetsbackboneSMD-Head损失函数采样策略实验数据集消融实验不同的输出表达形式：视差回归、单峰拉普拉斯分布与双峰分布不同采样策略不同视差真值分辨率与当前Baseline的比较结论参考文献概述论文名称：SMD-Nets
F_L_O_W·2022-12-28 01:05

GAN——Generative Adversarial Nets生成对抗网络总结

1.摘要Abstract对抗网络模型新框架：G：generater生成器——优化目标是最大化D出错的概率D：discriminater鉴别器——优化目标是准确识别原始数据还是G的生成数据这个框架对应于一个极小极大的两人博弈。在任意函数G和D的空间中，存在唯一的解，其中G恢复训练数据分布，D处处等于12。2.介绍Instruction鉴别器由于反向传播算法有很好的表现，成果很多生成器仍存在诸多限制难
午夜零时·2022-12-26 17:02

Generative Adversarial Nets(生成对抗网络)

GenerativeAdversarialNets(生成对抗网络)生成对抗网络通过一个对抗步骤来估计生成模型，它同时训练两个模型：一个是获取数据分布的生成模型$G$，一个是估计样本来自训练数据而不是$G$的概率的判别模型$D$。$G$的训练步骤就是最大化$D$犯错的概率。这个框架对应于一个二元极小极大博弈。在任意函数$G$和$D$的空间中，存在唯一解，$G$恢复数据分布，$D$总是等于1/2。在$
mjl@cv·2022-12-26 17:01

粒子群优神经网络优化

文章目录前言1粒子群优化PSO2神经网络3将两者结合前言PSO-for-Neural-Nets大家知道，使用反向传播对神经网络进行训练是非常有效的。
kooerr·2022-12-25 03:59

CHAPTER 11-Training Deep Neural Nets-part2

本篇文章是个人翻译的,如有商业用途,请通知本人谢谢.ReusingPretrainedLayers(重用预训练层)从零开始训练一个非常大的DNN通常不是一个好主意，相反，您应该总是尝试找到一个现有的神经网络来完成与您正在尝试解决的任务类似的任务，然后重新使用这个较低层的网络：这就是所谓的迁移学习。这不仅会大大加快培训速度，还将需要更少的培训数据。例如，假设您可以访问经过培训的DNN，将图片分为10
akon_wang_hkbu·2022-12-17 10:43

ICLR2022系列解读之二：基于自适应邻居发现的人脸聚类的方法 Ada-NETS

本文解读我们ICLR2022上发表的论文《Ada-NETS：FaceClusteringviaAdaptiveNeighbourDiscoveryintheStructureSpace》。
AI Earth地球科学云平台·2022-12-14 10:24

GAIN: Missing Data Imputation using Generative Adversarial Nets学习笔记

GAIN:MissingDataImputationusingGenerativeAdversarialNets（基于对抗生成网络实现缺失数据插补）缺失数据插补算法问题背景缺失数据插补算法GenerativeModel的局限概括GAIN的创新点和组成问题公式化表述GAIN架构源数据生成器生成器输入缺失数据插补算法问题背景缺失数据缺失数据是一个普遍的问题。数据可能会因为没有被收集、记录而丢失。比方说
Bruce D·2022-12-11 13:53

文献阅读—GAIN：Missing Data Imputation using Generative Adversarial Nets

文章提出了一种填补缺失数据的算法—GAIN。生成器G观测一些真实数据，并用真实数据预测确实数据，输出完整的数据；判别器D试图去判断完整的数据中，哪些是观测到的真实值，哪些是填补的值。给D提供一些额外的提示信息，保证G可以学习期望的分布。提示向量向D透露了原始数据的部分信息。在多个数据集上测试了算法，算法效果较好。一.引言1.缺失数据可以分成三类：MCAR：完全随机缺失，数据的缺失不依赖于任何不完全
一颗豆苗苗·2022-12-11 12:20

Generative Adversarial Nets 阅读笔记

论文重要内容节选1IntroductionThepromiseofdeeplearningistodiscoverrich,hierarchicalmodelsthatrepresentprobabilitydistributionsoverthekindsofdataencounteredinartificialintelligenceapplications,suchasnaturalimag
isinstance·2022-12-10 13:17

Cross-Attention in Coupled Unmixing Nets for Unsupervised Hyperspectral Super-Resolution

代码：GitHub-danfenghong/ECCV2020_CUCaNet:Cross-AttentioninCoupledUnmixingNetsforUnsupervisedHyperspectralSuper-Resolution,ECCV,2020.(PyTorch)https://github.com/danfenghong/ECCV2020_CUCaNet模型数学支撑：基本假设：X图
CCRJ·2022-12-05 22:25

论文阅读-A Fast Learning Algorithm for Deep Belief Nets

作者:G.E.Hintonet.al.日期:2006类型:article来源:NeuralComputation评价:DeepLearningeve(深度学习前夕)论文链接:http://www.cs.toronto.edu/~hinton/absps/ncfast.pdf文章比较"硬核",各种算法原理解释,数学公式和术语.而且作者真的是很喜欢用一些生物上的词汇来描述模型,比如synapsestr
LuffysMan·2022-12-04 14:14

【目标检测】Faster R-CNN 论文复现代码（含源代码）

spm=1001.2014.3001.5501一、nets文件夹下init.pyclassifier.pyimportwarning
旅途中的宽~·2022-12-02 13:40

【GANs】Conditional Generative Adversarial Nets

【GANs】ConditionalGenerativeAdversarialNets2CGAN2.1CGAN简介前言流程图目标函数2.2CGAN代码2CGAN2.1CGAN简介ConditionalGenerativeAdversarialNets原文链接本文提出了GAN的改进版本，条件GAN：通过为数据增加label(y)label(y)label(y)进行构造，在GGG和DDD的输入上都增加了
SupV·2022-12-01 10:42

SeqGAN: Sequence Generative Adversarial Nets with Policy Gradient读书笔记

本篇博客仅为方便个人日后翻阅，对公式的解读代表了个人观点，希望能给大家带来一些启发。SequenceGenerativeAdversarialNets序列生成问题的描述：给定真实世界的结构化序列的数据集，训练一个含有参数θ的生成网络Gθ我们基于强化学习来解释这一问题，在第t个时间步，状态s是先前已生成的词(y1,...,yt−1)，动作a是如何选择要生成的词yt，这也是生成模型的工作Gθ(yt|Y
时光正好466·2022-11-30 22:16

[DRC RTSTAT-1] Unrouted nets: 1 net(s) are unrouted

[DRCRTSTAT-1]Unroutednets:1net(s)areunrouted.Theproblembus(es)and/ornet(s)aresystem_i/dru_clk/gt_refclk_buf/U0/IBUF_OUT[0].CRITICALWARNING:[Route35-54]Net:system_i/dru_clk/gt_refclk_buf/U0/IBUF_OUT[0]
oFFCo·2022-11-24 19:37

CLPA: Clean-Label Poisoning Availability Attacks Using Generative Adversarial Nets 论文阅读

#论文笔记#1.论文信息论文名称CLPA:Clean-LabelPoisoningAvailabilityAttacksUsingGenerativeAdversarialNets作者BingyinZhao(ClemsonUniversity)克莱姆森大学出版社AAAI2022pdf在线pdf代码无cleanlabel的availabilityattack，通过tripletloss训练gener
wwweiyx·2022-11-22 21:53

How to Initialize Neural Networks in PyTorch with Pretrained Nets in TensorFlow or Theano

Firstconvertnetworkweightsandbiasestonumpyarrays.Noteifyouwanttoloadapre-trainednetworkwithKeras,youmustdefineitofthesamenetworkstructurewithKeras.NotewhichbackendofKerasyouuse.IinstallKeraswithTensor
weixin_30536513·2022-11-22 18:22

【语义分割—DeepLab V1】Semantic Image Segmentation with Deep Convolutional Nets and Fully Connected CRFs

论文翻译论文：SemanticImageSegmentationwithDeepConvolutionalNetsandFullyConnectedCRFs摘要深度卷积神经网络（DCNNs）近期在高级视觉任务中表现出非常好的性能，比如图像分类和目标跟踪。本文联合DCNNs和概率图模型来解决像素级分类任务，也就是语义图像分割。我们发现DCNNs最后一层的响应不能充分地用于定位精确的目标分割。这是因为
gkm0120·2022-11-22 00:39

【论文阅读】An Introduction to Image Synthesis with Generative Adversarial Nets --- 文本to图像，图像to图像生成，图像合成

论文原文链接：本博客根据博主对本论文的阅读和理解所写，重点关注个人理解方便，非逐句翻译，望周知。如需深入了解论文详情，请阅读原文。作者：HeHuang,PhilipS.Yu(UniversityofIllinoisatChicago)andChanghuWang(ByteDanceAILab)；发表位置：Arxiv2018；摘要：GAN在许多领域展现出强大能力，比如计算机视觉和NLP。在众多GAN
me_yundou·2022-11-21 14:04

论文解读：深度监督网络（Deeply-Supervised Nets）

所谓深监督(DeepSupervision)，就是在深度神经网络的某些中间隐藏层加了一个辅助的分类器作为一种网络分支来对主干网络进行监督的技巧，用来解决深度神经网络训练梯度消失和收敛速度过慢等问题。深监督作为一个训练trick在2014年就已经通过DSN(Deeply-SupervisedNets)提出来了。具体参见DSN论文。DSN的一个缺点在于使用的网络结构不够深，且辅助的分类器为传统的SVM
紫芝·2022-11-21 03:20

CPM-Nets: Cross Partial Multi-View Networks

CPM-Nets:CrossPartialMulti-ViewNetworks一、摘要二、简介三、方法3.1网络结构3.2CPM-Nets3.2.1多视图完整表示3.2.2结构化的潜在表示分类3.2.3
友谊路夹老师·2022-11-20 17:18

CoAtNet: Marrying Convolution and Attention for All Data Sizes翻译

为了有效的结合两个架构的强项，我们呈现了CoAtNets模型(读作‘coat’nets)，根据两个关键构思而
jjw_zyfx·2022-11-20 11:00

不如来学习一下GAN(Generative Adversarial Nets) 论文精读

说明：论文原文GenerativeAdversarialNets(nips.cc)，文中图片均来自该论文。ABS提出了一种框架（GAN），该框架通过对抗过程来评估生成模型。框架中有两个模型：生成模型GGG和辨别模型DDD，GGG用来提取数据的分布从而生成人造数据，DDD用来评估样本来自训练数据集的可能性（即样本是真实的可能性）。GGG的目标是让DDD尽可能犯错误（类似于博弈游戏）。在最优情况下，G
kaiserqzyue·2022-11-19 07:21

李宏毅P1-学习笔记：生成对抗网络GAN(Generative Adversarial Nets)

GenerativeAdversarialNetwork(GAN)于2014年提出。论文下载地址：https://arxiv.org/pdf/1406.2661.pdf李宏毅对抗生成网络(GAN)国语教程(2018):https://www.bilibili.com/video/av24011528?from=search&seid=13805566188303016426课件:http://sp
幸运六叶草·2022-11-14 13:09

生成式对抗网络GAN（Generative Adversarial Nets）论文笔记

1.介绍本文基本从2014年《GenerativeAdversarialNets》翻译总结的。GAN（GenerativeAdversarialNets），生成式对抗网络。包含两个模型，一个生成模型G，用来捕捉数据分布，一个识别模型D，用来评估采样是来自于训练数据而不是G的可能性。这两个模型G与D是竞争关系、敌对关系。比如生成模型G就像是在制造假的货币，而识别模型D就像是警察，尝试检测这些假币。这
zephyr_wang·2022-11-11 11:10

深度学习论文笔记（知识蒸馏）—— FitNets: Hints for Thin Deep Nets

文章目录主要工作知识蒸馏的一些简单介绍文中一些有意思的观念Method最近看了不少文献，一直懒得总结，现在才爬起来写总结…，不少论文的idea还是不错的主要工作让小模型模仿大模型的输出（softtarget），从而让小模型能获得大模型一样的泛化能力，这便是知识蒸馏，是模型压缩的方式之一，本文在Hinton提出knowledgedistillation方法（下文简称KD）的基础上进行扩展，利用tea
菜到怀疑人生·2022-11-07 08:12

Generative Adversarial Nets (GAN神经网络) 生成对抗式网络——读论文 -小白版

[1406.2661]GenerativeAdversarialNetworks(arxiv.org)读标题Generative：我们知道机器学习有俩大类：一种是分辨模型，对一个数据怎么判断它的类别，或者预测一个实数值。另一种是生成模型，即Generative,怎么去生成这个数据本身。Adversarial：对抗的。第一次读应该不能理解，没关系，先看下去。小八卦~：当时作者有好几个标题可以选，有人
Alwaysyoung00·2022-11-05 14:26
上一页 1 2 3 4 5 6 7 8 下一页
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他