representation 第11页

A Survey on Knowledge Graphs___Representation, Acquisition and Applications.知识图谱综述：表示，获取，应用

知识图谱综述：表示、获取及应用这是研究生第一篇综述文章，第一次读也是花了好几天的时间。摘要:人类的知识提供了对世界的一种形式的理解。表征实体之间结构关系的知识图已成为认知和人的智能研究的热门方向。在这个调查中，我们提供了一个全面的知识图谱综述，包括1)知识图谱表示学习，2)知识获取和完成，3)时序知识图谱，4)知识感知应用，并总结近年来的研究进展，展望未来的研究方向。我们提出了对这些主题进行全面的

yang13563758128·2022-11-26 02:06

【白话】A Survey on Knowledge Graphs: Representation, Acquisition, and Applications-2021年知识图谱综述

2021年知识图谱综述文章目录前言一、知识图表示学习1.表示空间2.评分函数3.编码模型4.辅助信息二、知识的获取和完成知识图谱的完成1.嵌入方法2.路径推理3.基于强化学习的路径发现4.基于规则的推理三、时态知识图1.引入库四、知识感知应用总结前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的

愿世界永无bug~·2022-11-26 02:34

知识图谱顶刊综述 - (2021年4月) A Survey on Knowledge Graphs: Representation, Acquisition, and Applications

知识图谱综述(2021.4)论文标题:ASurveyonKnowledgeGraphs:Representation,Acquisition,andApplications论文期刊:IEEETRANSACTIONSONNEURALNETWORKSANDLEARNINGSYSTEMS

Cheng_0829·2022-11-26 02:03

[论文阅读] Collaborative and Adversarial Learning of Focused and Dispersive Representation

[论文地址][代码][ICCV21]Abstract从结肠镜图像中自动分割息肉是计算机辅助诊断结直肠癌的一个重要步骤。近年来报道的大多数息肉分割方法都是基于完全监督的深度学习。然而，医生在诊断过程中对息肉图像的注释是非常耗时和昂贵的。在本文中，我们提出了一种新的半监督的息肉分割方法，通过协作和对抗学习的集中和分散表征学习模型，其中集中和分散提取模块被用来处理息肉位置和形状的多样性。此外，在对抗性训

xiongxyowo·2022-11-25 22:23

zenRRan·2022-11-25 13:39

《GKT：Efficient and Robust 2D-to-BEV Representation Learning via Geometry-guided Kernel Transformer》

参考代码：GKT1.概述介绍：这篇文章介绍了一种基于几何先验在图像特征中寻找referencepoints，同时在该referencepoints处通过预先设置窗口抠取图像特征，并在此基础上使用attention操作实现特征优化，从而获取bev特征的方法。上述通过几何先验寻找referencepoints的方法可以通过lookuptable实现加速，这样整体网络的计算耗时就相对较小，可以跑到很高的

m_buddy·2022-11-25 12:24

ERNIE 2.0: A Continual Pre-Training Framework for Language Understanding【representation】

title:“ERNIE2.0:AContinualPre-TrainingFrameworkforLanguageUnderstanding,YuSun2020”subtitle:date:2021-01-18author:xuqiurongtags:-多任务学习-摘要：最近预训练模型在各种语言理解任务上达到了最先进的水平，目前的预训练程序通常集中在训练几种简单任务，来把握单词或者句子的共现，可

阿.荣.·2022-11-25 11:57

机器学习笔记之概率图模型(二)贝叶斯网络的结构表示

本节将从有向图(贝叶斯网络)出发，介绍贝叶斯网络的结构表示(Representation)。回

静静的喝酒·2022-11-25 10:12

Distribution-Aware Coordinate Representation for Human Pose Estimation 论文阅读笔记

人体姿态估计的分布感知坐标表示CVPR2020论文链接代码链接其他参考资料摘要：热图才是姿态估计的实际坐标表示，本文对热图进行深入研究。本项工作首次发现：将预测热图解码为原始图像空间中的最终关节坐标的过程对性能影响很大。本文进一步探讨了标准坐标解码法的设计局限，并提出了一种分布感知解码方法。此外，通过生成无偏差/准确热图来改进标准坐标编码过程（即GT坐标转换为热图）。将两者结合，本文提出一种新的关

AnZhiJiaShu·2022-11-25 08:43

Bert模型解读（transformer库源码解读）

last_hidden_state,是基于token表示的，对于实体命名、问答非常有用、实际包括四个维度[layers,batches,tokens,features]#outputs[1]是整个输入的合并表达，形状为[1,representation_size

jiangchao98·2022-11-25 02:46

Exploring Simple Siamese Representation Learning[arxiv Submitted on 20 Nov 2020]------论文解读

ExploringSimpleSiameseRepresentationLearning[arxivSubmittedon20Nov2020]------论文解读注意AbstractIntroductionandRelatedWorkSiamesenetworksContrastivelearningClusteringBYOLMethodBaselinesettingsExperimentals

落了一地秋·2022-11-25 00:40

Exploring Simple Siamese Representation Learning论文笔记

写在前面大三狗随手记录，不喜勿喷。主要思想Siamesenetwork常常被用来计算图像的两个增强之间的相似性，但可能会造成模型坍塌（即输出恒定）。作者在本文提出了一个非常简单的SimpleSiamesenetwork，简称Simsiam，能产生很好的效果，并且对防止坍塌（collapse）很有效。框架SiameseNetwork就是同一个图像X的两种增强Xi和Xj经过同样的编码器f（权重相同），

Jolaris·2022-11-25 00:10

CVPR 2021 Exploring Simple Siamese Representation Learning

从理论与实验角度证实了所提方法的有效性；与此同时，还侧面证实了对比学习方法成功的关键性因素：孪生网络目前孪生网络已成为无监督视觉表征学习模型的常见结构。这些模型在满足特定条件（避免孪生网络的所有输出都“崩溃”成一个常量）下，最大限度地提高了同一图像的两个放大部分之间的相似性。目前主要存在3种防止孪生网络崩溃的策略：一、对比学习，例如SimCLR，负对相斥，正对相吸，负样本对排除了来自解空间的恒定输

smile909·2022-11-25 00:10

Exploring Simple Siamese Representation Learning

ExploringSimpleSiameseRepresentationLearning作者：XinleiChen，KaimingHe2020年今天学习内容主要来自知乎的一篇文章参考链接点击这！1、摘要孪生网络常用在计算增广图像之间的相似性。但存在“Collapsing”问题。（即输出恒定）我们经常使用这三种方式解决：{负样本对，批量，动量编码器}。本文提出了一个关于停止梯度含义的假设，对防止“C

每天都想要出去玩鸭~·2022-11-25 00:40

对比学习simSiam（一）--Exploring Simple Siamese Representation Learning总体理解

1.从名字上把握sim是我们熟知的相似的那个单词，这个Siam是孪生的意思，这里使用这个来命名应该是为了指出孪生的重要性。这里的核心其实是在提出一个思想，对比学习这种由孪生网络结构构成的无监督学习的关键其实是孪生网络，两个网络有其中一方停止梯度传播来得到好的效果。（也就是两个关键:孪生网络和停止梯度）2.文章想解决的问题文章指出来对比学习、BYLO等其实都是在解决无监督学习当中的坍塌问题，为了解决

BuptBf·2022-11-25 00:40

自监督学习系列(2) SimSiam: Exploring Simple Siamese Representation Learning

FancyCode Artist·2022-11-25 00:39

深度学习(自监督:SimSiam)——Exploring Simple Siamese Representation Learning

文章目录前言SimSiam简述实验前言该文章是何凯明组发表于CVPR2021上的文章，目前已获得最佳论文提名，主要解决自监督对比学习中的奔溃解问题。奔溃解即不论什么输入，特征提取器输出的特征向量都相同。本文将简单介绍SimSiam，记录其中较有意思的实验结果。作者并没有解释为什么SimSiam可以避免奔溃解，但文章的确非常出彩SimSiam简述上图即SimSiam的整体结构，具体而言对输入图像x施

菜到怀疑人生·2022-11-25 00:09

[论文阅读 2020 Arxiv 自监督对比学习]Exploring Simple Siamese Representation Learning

简介paper:ExploringSimpleSiameseRepresentationLearningcode:暂未开源，可参考PatrickHua/SimSiamKaimingHe大神的自监督学习新作。这篇论文相比于之前的SimCLR、BLOY,不需要negativesamplepairs、largebatches、momentumencoders,可以说是将基于孪生网络的自监督模型简化到了极

lingqing97·2022-11-25 00:09

Exploring Simple Siamese Representation Learning阅读笔记

2020年。XinleiChen,KaimingHe。ComputerVisionandPatternRecognition(cs.CV);MachineLearning(cs.LG)。1动机Siamesenetwork是一种无监督视觉表征学习模型的常见结构。这些模型最大限度地提高了同一图像的两个放大部分之间的相似性。Siamesenetwork的所有输出都“崩溃”成一个常量。目前有几种防止Sia

Ma lidong·2022-11-25 00:09

SimSiam 何恺明团队新作：Exploring Simple Siamese Representation Learning

ExploringSimpleSiameseRepresentationLearning论文链接：https://arxiv.org/abs/2011.10566作者：陈鑫磊,何恺明(FAIR)

Amusi（CVer）·2022-11-25 00:38

SimSiam：Exploring Simple Siamese Representation Learning

Siamese网络最大化了一个图像的两个增强之间的相似性，服从于避免崩溃解的某些条件。在本文中，SimSiam即使不使用以下任何一项也可以学习有意义的表示:(i)负样本对，(ii)大批量，(iii)动量编码器。我们的实验表明，停止梯度stop-gradient运算在防止崩塌中起着重要作用。Siamese网络是应用于两个或多个输入的权重共享神经网络。它们是比较(包括但不限于“对比”)实体的自然工具。

YoooooL_·2022-11-25 00:08

Exploring Simple Siamese Representation Learning 论文阅读

SimSiam论文阅读介绍SimSiam是一种自监督学习方法的结构，是基于Siamesenetworks结构提出的创新点没有使用负样本没有依赖大的batchsize没有使用momentumencoders（不同于BYOL）方法与实现结构两层网络结构基本相同，并且共享参数对比于BYOL，将backone和projectionMLP合并成一个encoderbackone为ResNet-50MLP有3层

MiHao_YOUNG·2022-11-25 00:08

T-PAMI-2021论文Semi-Supervised Multi-View Deep Discriminant Representation Learning阅读笔记

提示：文0.论文信息题目：Semi-SupervisedMulti-ViewDeepDiscriminantRepresentationLearning期刊：IEEETransactionsonPatternAnalysisandMachineIntelligence（T-PAMI）链接1：Semi-SupervisedMulti-ViewDeepDiscriminantRepresentatio

Simon_100·2022-11-24 20:24

全网首讲最详细AMR系统介绍（1）：Abstract Meaning Representation(AMR) 的基础表示逻辑；附英文版原 pdf 资料

文章目录写在前头AMR定义Example对齐Alignment写在前头最关键的部分，我都会使用英语单词来表示，为了大家在看原文档的时候能够将概念对齐。大家可以去看原版的英文资料，这个资料是我从数据集中拷出来的，目前没发现比这个更好的资料，大家如果觉得我的分析和原版有什么出入，以原版为准，我已经上传了，可以免费下载我会把AMR相关的所有内容写成一个系列，大家可以等后面的内容更新，也可以自己去看原版，

暖仔会飞·2022-11-24 19:44

Dual Contrastive Prediction for Incomplete Multi-view Representation Learning个人学习2

目的：解决不完全多视图表示学习中的两个问题1）如何学习统一不同视图的一致表示（Autoencoder网络实现）2）如何恢复丢失的视图（Prediction网络实现）具体做法：两种网络，四个损失函数网络：①Autoencoder：编码：将RGB和Depth图片转到相同维度(同一子空间)；解码：再还原到原来样子②Prediction：编码+解码=forward：将autoencoder中间维度的信息，

double_yellow·2022-11-24 18:49

机器学习 | Week4-Neural Networks Representation神经网络：表达

作为英语课程，读中文参考资料的确有助于理解，但是出于对以后更长久的学习优势考虑，笔记中我会尽量采用英文来表述，这样有助于熟悉专有名词以及常见语法结构，对于无中文翻译的资料阅读大有裨益。Week4-NeuralNetworksRepresentation神经网络：表达一、Non-linearHypothesis非线性模型（经过考虑，事实上hypothesis这里更像一个模型而非假设，事实上吴恩达在w

Lightfly203·2022-11-24 05:39

吴恩达机器学习系列课程笔记——第八章：神经网络：表述(Neural Networks: Representation)

8.1非线性假设https://www.bilibili.com/video/BV164411b7dx?p=43我们之前学的，无论是线性回归还是逻辑回归都有这样一个缺点，即：当特征太多时，计算的负荷会非常大。下面是一个例子：当我们使用x1、x2的多次项式进行预测时，我们可以应用的很好。之前我们已经看到过，使用非线性的多项式项，能够帮助我们建立更好的分类模型。但假设我们有非常多的特征，例如大于100

Lishier99·2022-11-24 05:39

吴恩达机器学习笔记（六）Neural NetWorks:Representation

神经网络NeuralNetworks:Representation模型表达I:ModelrepresentationI单个神经元树突:inputwires轴突：outputwires神经元：逻辑单元parameter

哇哈哈哈哈呀哇哈哈哈·2022-11-24 05:09

吴恩达机器学习笔记-神经网络：表述(Neural Networks: Representation)

非线性假设我们之前学的，无论是线性回归还是逻辑回归都有这样一个缺点，即：当特征太多时，计算的负荷会非常大。例如大于100个变量，我们希望用这100个特征来构建一个非线性的多项式模型，结果将是数量非常惊人的特征组合，即便我们只采用两两特征的组合，我们也会有接近5000个组合而成的特征。这对于一般的逻辑回归来说需要计算的特征太多了。假设我们希望训练一个模型来识别视觉对象（例如识别一张图片上是否是一辆汽

_4444yl·2022-11-24 05:09

【原】Coursera—Andrew Ng机器学习—课程笔记 Lecture 8_Neural Networks Representation 神经网络的表述...

神经网络是一种受大脑工作原理启发的模式。它在许多应用中广泛使用：当您的手机解释并理解您的语音命令时，很可能是神经网络正在帮助理解您的语音;当您兑现支票时，自动读取数字的机器也使用神经网络。8.1非线性假设Non-linearClassification参考视频:8-1-Non-linearHypotheses(10min).mkv线性回归和逻辑回归的缺点：当输入数据特征过多，计算负荷大。计算机视觉

weixin_30498807·2022-11-24 05:39

第4周学习笔记-Neural Networks: Representation神经网络表述-Coursera机器学习-吴恩达

文章目录NeuralNetworks:RepresentationMotivationsNon-linearHypotheses非线性假设(函数)NeuronsandtheBrain神经元和大脑NeuralNetworksModelRepresentationI模型表示IModelRepresentationIIApplicationsExamplesandIntuitionsI例子和直观感觉IE

brayo·2022-11-24 05:07

【机器学习】课程笔记07_神经网络的表述(Neural Networks Representation)

神经网络的表述非线性假设（Non-linearHypotheses）神经元与大脑（NeurousandtheBrain）模型展示Ⅰ（ModelRepresentationⅠ）模型展示Ⅱ（ModelRepresentationⅡ）例子和直觉理解Ⅰ（ExamplesandIntuitionsⅠ）例子和直觉理解Ⅱ（ExamplesandIntuitionsⅡ）多元分类（MulticlassClassif

雀栎·2022-11-24 05:37

吴恩达机器学习编程作业与笔记（3）第4周：Neural Networks: Representation神经网络：表示

lrCostFunction.m-Logisticregressioncostfunctionfunction[J,grad]=lrCostFunction(theta,X,y,lambda)%LRCOSTFUNCTIONComputecostandgradientforlogisticregressionwith%regularization%J=LRCOSTFUNCTION(theta,X,y

STL_CC·2022-11-24 05:37

【基础整理】Mapping representation 机器人所用地图种类及相关介绍

参考与前言本文主要介绍建图Mapping方面的一些基础知识介绍与相关下游任务使用涉及知识较为基础，SLAM大佬们可以提前退出了主要针对应用为移动机器人与物流无人驾驶车；提前申明：大部分文字/图片，翻译/截图于来自IntroductiontoMobileRobotics,Techniquesfor3DMapping,WolframBurgard的PPT内容阿里云盘下载链接部分图片/文字参考如下，同时

Kin__Zhang·2022-11-24 01:08

对比学习综述：Contrastive Representation Learning: A Framework and Review（2020）论文地址附文末↓

一、对比表示学习的概念及示例1、表示学习representationlearning指学习从原始输入数据域到特征向量或张量的参数映射的过程，希望捕获和提取更抽象和有用的概念，从而提高一系列下游任务的性能→学习到在新数据样本上进行有意义的推广的映射可根据模型建模方式or训练标签形式进行分类：1、建模方式：①生成式模型：通过建模数据分布p(x)来学习表示（如p(y|x)）②判别式模型：通过直接建模条件

ling零零零·2022-11-23 18:05

深度学习（花书）读书笔记-第一章前言

表示（representation）简单的机器学习算法的性能在很大程度上依赖于给定数据的表示。例如，当逻辑回归被用于判断产妇是否适合剖腹产时，AI系统不会直接检查患者。

J___code·2022-11-23 16:17

【U-HRNet2022】U-HRNet: Delving into Improving Semantic Representation of High Resolution Network for

U-HRNet:DelvingintoImprovingSemanticRepresentationofHighResolutionNetworkforDensePredictionU-HRNet:深入研究改进高分辨率网络的语义表示以实现密集预测arXiv:2210.07140v1[cs.CV]13Oct2022文章地址：https://arxiv.org/abs/2210.07140代码地址：h

不会声调的博er·2022-11-23 13:08

聚类算法手册--原理+评估方法

一个经典的无监督学习任务：寻找数据的最佳表达(representation)。常见的有：低维表达：试图将数据（位于高维空间）中的信息尽可能压缩在一个较低维空间中。

幸运六叶草·2022-11-23 11:45

ERNIE: Enhanced Language Representation with Informative Entities中文

葫芦娃啊啊啊啊·2022-11-23 10:12

【文献阅读】ERNIE: Enhanced Representation through Knowledge Integration

SunY,WangS,LiY,etal.Ernie:Enhancedrepresentationthroughknowledgeintegration[J].arXivpreprintarXiv:1904.09223,2019.Abstract知识增强的新语言表示模型ERNIE旨在学习通过知识掩蔽策略增强的语言表示，包括实体级掩蔽和短语级掩蔽。实体级策略屏蔽了通常由多个单词组成的实体。短语级策略隐

九筒-·2022-11-23 10:41

ERNIE: Enhanced Representation through Knowledge Integration（百度）论文翻译

paper：https://arxiv.org/pdf/1904.09223.pdfcode：https://github.com/PaddlePaddle/LARK/tree/develop/ERNIE文前总结ERNIE相比于BERT，做出了如下改进：1.mask策略。BERT只使用了字级别的随机masking，但是ERNIE使用了字、实体、短语三个级别的masking，旨在使模型学习到更多高级

睡熊猛醒·2022-11-23 10:10

论文解读 | 百度 ERNIE: Enhanced Representation through Knowledge Integration

作者：王琴单位：燕山大学摘要本文受Bertmask策略的启发，提出一种新的语言表示模型，称为ERNIE(EnhancedRepresentationthroughKnowledgeIntegration).ERNIE旨在学习到通过知识屏蔽策略增强的语言表示，其中屏蔽策略包括实体级屏蔽(Entity-levelstrategy)和短语级屏蔽(Phrase-levelstrategy)。entity-

期待成功·2022-11-23 10:08

【论文笔记】ERNIE: Enhanced Representation through Knowledge Integration

ERNIE:EnhancedRepresentationthroughKnowledgeIntegrationCreatedtime:July26,20211:50PMLasteditedtime:July30,20219:24AMPDF:https://arxiv.org/pdf/1904.09223v1.pdfTags:Bert参考材料:https://blog.csdn.net/weixin

Swaggie·2022-11-23 10:35

表征学习（representation learning）与特征工程（feature engineering）的区别

表征学习和特征工程的目的都是从要分析的数据中提取相应的数据表示。即如何更好的表示我要分类或预测的数据。xx学习简介具体介绍表征学习自动选择特征表征学习(representationlearning)即让模型自动的学习数据的表示，如使用一些深度学习模型CNN、RNN、AutoEncoder，主成分分析等等。特征工程手动选择特征特征工程（featureengineering）一般指专家来提取数据的特征

爱学习的大白菜·2022-11-23 08:30

[Video Transformer] UniFormer：Unified Transformer for Efficient Spatial-Temporal Representation Lear

UniFormer：UnifiedTransformerforEfficientSpatial-TemporalRepresentationLearninghttps://arxiv.org/pdf/2201.04676.pdfhttps://github.com/Sense-X/UniFormerICLR20221Introduction从高维视频中学习多尺度时空语义是很困难的，因为视频帧之间的

Cherry_qy·2022-11-23 04:53

ICLR2022《UNIFORMER: UNIFIED TRANSFORMER FOR EFFICIENT SPATIOTEMPORAL REPRESENTATION LEARNING》

论文下载链接：https://arxiv.org/pdf/2201.04676.pdf代码链接：https://github.com/Sense-X/UniFormer1.动机高维视频具有大量的局部冗余和复杂的全局依赖关系，而该研究主要是由3D卷积神经网络和视觉Transformer驱动。3D卷积虽然能抑制局部冗余，但由于接受域有限，它缺乏捕获全局依赖的能力；视觉Transformer在self-

Love向日葵的兮兮子·2022-11-23 04:52

Uniformer: Unified Transformer for Efficient Spatial-Temporal Representation Learning

UnifiedTransformerforEfficientSpatial-TemporalRepresentationLearning1.Motivation2.Method2.1MHRA：2.2DPE2.3FFN1.Motivation高维视频具有大量的局部冗余和复杂的全局依赖关系，而该研究主要是由3D卷积神经网络和视觉Transformer驱动。3D卷积虽然能抑制局部冗余，但由于接受域有限，

黑洞是不黑·2022-11-23 04:14

[References]Deep High-Resolution Representation Learning for Human Pose Estimation

[References]DeepHigh-ResolutionRepresentationLearningforHumanPoseEstimation[1]M.Andriluka,U.Iqbal,A.Milan,E.Insafutdinov,L.Pishchulin,J.Gall,andB.Schiele.Posetrack:Abench-markforhumanposeestimationand

yogdgoy·2022-11-22 22:12

论文阅读|HigherHRNet

Scale-AwareRepresentationLearningforBottom-UpHumanPoseEstimation原文：https://openaccess.thecvf.com/content_CVPR_2020/papers/Cheng_HigherHRNet_Scale-Aware_Representation_Learning_for_Bottom-U

xiaoweiyuya·2022-11-22 22:11

论文解读（MERIT）《Multi-Scale Contrastive Siamese Networks for Self-Supervised Graph Representation Learni

优质资源分享学习路线指引（点击解锁）知识定位人群定位Python实战微信订餐小程序进阶级本课程是pythonflask+微信小程序的完美结合，从项目搭建到腾讯云部署上线，打造一个全栈订餐系统。Python量化交易实战入门级手把手带你打造一个易扩展、更安全、效率更高的量化交易系统论文信息论文标题：Multi-ScaleContrastiveSiameseNetworksforSelf-Supervi

xuhss_com·2022-11-22 17:25

推荐频道

representation