representation 第14页

【论文阅读】3D Topology-Preserving Segmentation with Compound Multi-Slice Representation

【论文阅读】3DTopology-PreservingSegmentationwithCompoundMulti-SliceRepresentation2022年3月6日（本文仅作为本人学习中的记录，如有错误欢迎批评指正。）文章目录【论文阅读】3DTopology-PreservingSegmentationwithCompoundMulti-SliceRepresentation一、概述二、任务

学会编程就改名·2022-09-21 07:13

【机器学习】李宏毅——AE自编码器(Auto-encoder)

其中的向量可称为Embedaing、Representation、Code。而它的主要用处就是将原始数据（高维、复杂）经过Encoder后得到

FavoriteStar·2022-09-20 16:16

Graph Representation Learning翻译版

章节1引言图是一种普遍存在的数据结构，也是一种描述复杂系统的通用语言。在最一般的视图中，图只是对象（即节点）的集合，以及这些节点对之间的一组交互作用（即边）。例如，要将社交网络编码为图，我们可以使用节点来表示个体，并使用边来表示两个个体是朋友（图1.1）。在生物领域，我们可以使用图中的节点来表示蛋白质，并使用边来表示各种生物相互作用，如蛋白质之间的动力学相互作用。图1.1著名的ZacharyKar

「已注销」·2022-09-13 01:31

2020:UNITER: Universal Image_Text Representation Learning

摘要本文引入UNITER，一种通用的图像-文本表示，从四个图像-文本数据集(COCO,VisualGenome,ConceptualCaption,andSBUCaptions)的大规模预训练学习，通过联合多模态嵌入为下游V+L任务提供动力。我们设计四个预训练任务：掩码语言建模MLM，掩码区域建模MRM，图像-文本匹配ITM，和单词-区域对齐WRA。与之前将联合随机掩码应用到这两个模态的工作不同，

weixin_42653320·2022-09-04 07:12

图神经网络——GraphSAGE

论文地址：http://papers.nips.cc/paper/6703-inductive-representation-learning-on-large-graphs.pdf发表会议：NeurIPS2017

bobobe·2022-08-30 07:52

对比学习系列论文MoCo v1（二）：Momentum Contrast for Unsupervised Visual Representation Learning

0.Abstract0.1逐句翻译WepresentMomentumContrast(MoCo)forunsupervisedvisualrepresentationlearning.我们提出了动量对比(MoCo)用于无监督视觉表征学习。Fromaperspectiveoncontrastivelearningasdictionarylook-up,webuildadynamicdictionar

BuptBf·2022-08-30 07:47

【论文翻译】论文中英对照翻译--（Learning Generalized Deep Feature Representation for Face Anti-Spoofing）（其一）

【开始时间】2018.10.23【完成时间】2018.10.25【论文翻译】论文中英对照翻译--（LearningGeneralizedDeepFeatureRepresentationforFaceAnti-Spoofing）（其一）【中文译名】人脸反欺骗的广义深层特征表示【论文链接】论文链接【说明】此论文较长，本人将它分为了两部分，这是前半部分【补充】1）论文的发表时间是：2018年5月14日

C小C·2022-08-18 07:16

论文阅读：《Rethinking Pseudo-LiDAR Representation》

RethinkingPseudo-LiDARRepresentation 该论文是商汤2020年发表在ECCV上的一篇论文。2018年的CVPR论文《Pseudo-LiDARFromVisualDepthEstimation:BridgingtheGapin3DObjectDetectionforAutonomousDriving》使用视觉伪点云来进行单目3D目标检测，获得了大幅性能提升，并将性

Maples丶丶·2022-08-10 15:11

论文笔记：Multimodal Machine Learning: A Survey and Taxonomy

MultimodalMachineLearning:ASurveyandTaxonomy文章目录论文笔记：MultimodalMachineLearning:ASurveyandTaxonomy多模态的历史回顾多模态的五个核心技术挑战多模态表示（Representation

林小瓜0327·2022-08-10 07:37

Learning a Deep Compact Image Representation for Visual Tracking

原文链接摘要在本文中，我们研究了跟踪可能非常复杂背景的视频中运动物体轨迹的挑战性问题。与大多数仅在线学习跟踪对象外观的现有跟踪器相比，我们采用不同的方法，受深度学习架构的最新进展的启发，更加强调（无监督）特征学习问题。具体来说，通过使用辅助自然图像，我们离线训练堆叠去噪自动编码器，以学习对变化更加鲁棒的通用图像特征。然后是从离线培训到在线跟踪过程的知识转移。在线跟踪涉及分类神经网络，该分类神经网络

·2022-08-05 09:12

论文解读（JKnet）《Representation Learning on Graphs with Jumping Knowledge Networks》

论文信息论文标题：RepresentationLearningonGraphswithJumpingKnowledgeNetworks论文作者：KeyuluXu,ChengtaoLi,YonglongTian,TomohiroSonobe,Ken-ichiKawar

关注我更新论文解读·2022-08-03 16:00

Adaptive Normalized Representation Learning for Generalizable Face Anti-Spoofing论文阅读笔记

论文基本信息作者：ShubaoLiu,Ke-YueZhang,TaipingYao机构：华东师范大学、腾讯来源：ACMMM时间：2021链接：[2108.02667]AdaptiveNormalizedRepresentationLearningforGeneralizableFaceAnti-Spoofing(arxiv.org)基础知识1.BN&IN深度学习中的Normalization模型-

好香-·2022-08-01 07:20

活体检测 Adaptive Normalized Representation Learning for GeneralizableFace Anti-Spoofing 阅读笔记

论文链接：AdaptiveNormalizedRepresentationLearningforGeneralizableFaceAnti-Spoofing|Proceedingsofthe29thACMInternationalConferenceonMultimedia预备知识（1）BatchNormalization定义：假设输入特征的尺寸为，包含N个样本，每个样本通道数为C，高为H，宽为W

Cassiel_cx·2022-08-01 07:19

论文阅读“Contrastive multi-view representation learning on graphs”

HassaniK,KhasahmadiAH.Contrastivemulti-viewrepresentationlearningongraphs[C]//InternationalConferenceonMachineLearning.PMLR,2020:4116-4126.摘要导读通过对比图的结构视图，本文引入了一种学习节点和图级别表示的自监督方法。与视图表示学习不相同的是，对于图结构的对比学

掉了西红柿皮_Kee·2022-07-28 19:04

Word2Vec 与 Word Embedding的关系

文章目录参考文章一、DeepNLP的核心二、NLP中的文本表示(Representation)1.OneHotRepresentation2.整数编码3.DistributedReprensentation

可大侠·2022-07-21 07:36

Knowledge structure enhanced graph representation learning model for attentive knowledge tracing

前言这篇是一篇期刊论文，篇幅较长，且代码不公开。作者所发表的期刊很好，是SCI一区的文章，因此可靠性很强。这篇文章像是我上周分享的一篇文章GIKT的改进，改进点主要有两点：一，缓解图的稀疏性；二，构造异质图，使用Metapath2vec进行embedding。如果不熟悉GIKT的读者，可以去我上一篇的博客查看解析：CIKM-2021Multi-FactorsAwareDual-Attentiona

奥特曼熬夜不sleep·2022-07-17 07:12

论文阅读 Inductive Representation Learning on Temporal Graphs

12InductiveRepresentationLearningonTemporalGraphslink:https://arxiv.org/abs/2002.07962本文提出了时间图注意(TGAT)层，以有效地聚合时间-拓扑邻域特征，并学习时间-特征之间的相互作用。对于TGAT

落悠·2022-07-11 02:00

《Graph Representation Learning》笔记 Chapter5

系列文章《GraphRepresentationLearning》笔记Chapter2《GraphRepresentationLearning》笔记Chapter3《GraphRepresentationLearning》笔记Chapter4目录PermutationinvarianceandequivarianceNeuralMessagePassingOverviewoftheMessageP

吊儿郎当的凡·2022-07-10 12:46

CVPR2021/邻域自适应/图像翻译-DRANet: Disentangling Representation and Adaptation Networks

CVPR2021/邻域自适应-DRANet:DisentanglingRepresentationandAdaptationNetworksforUnsupervisedCross-DomainAdaptation无监督跨域自适应的解纠缠表示和自适应网络0.摘要1.概述2.相关工作2.1.无监督领域自适应2.2.潜在特征的解纠缠DisentanglingInternalRepresentation

HheeFish·2022-07-09 07:46

BERT模型（Attention注意力机制 + Transformer Encoder）

BERT模型利用大规模无标注的预料训练，获得包含文本内在语义信息的Representation。输入：文本中各个词的原始向量。这个向量既可以是随机初始化，也可以是使用word2vec初步训练得到的。

KimJuneJune·2022-07-08 07:53

【自然语言处理七】Bert模型及应用

模型的主要创新点都在pre-train方法上，即用了MaskedLM和NextSentencePrediction两种方法分别捕捉词语和句子级别的representation

moo611·2022-07-07 07:35

论文阅读笔记——representation learning on graphs：methods and application

HamiltonWL,YingR,LeskovecJ.Representationlearningongraphs:Methodsandapplications[J].arXivpreprintarXiv:1709.05584,2017.文章目录1.Introduction2.Embeddingnodes2.1方法概述：encoder-decoderperspective2.2浅层嵌入方法Shal

BoomSnowing·2022-07-06 07:00

论文解读（USIB）《Towards Explanation for Unsupervised Graph-Level Representation Learning》

论文信息论文标题：TowardsExplanationforUnsupervisedGraph-LevelRepresentationLearning论文作者：QinghuaZheng,JihongWang,MinnanLuo,YaoliangYu,JundongLi

Learner-·2022-06-21 16:00

论文阅读 dyngraph2vec: Capturing Network Dynamics using Dynamic Graph Representation Learning

#6dyngraph2vec:CapturingNetworkDynamicsusingDynamicGraphRepresentationLearning207link：https://scholar.google.com.hk/scholar_url?url=https://

落悠·2022-06-11 16:00

基于Knowledge Distillation的增量学习论文学习（之三）——iCaRL: Incremental Classifier and Representation Learning

这是CVPR2017的一篇论文，发表以后一直作为IL的一个基准方法被引用。作者对增量学习的观点包括如下三点：（1）增量算法可以训练不同时间出现的新数据；（2）增量算法需在旧数据集中表现良好，即可以完美解决“灾难遗忘”问题；（3）计算能力与内存应该随着类别数的增加固定或者缓慢增量。乍看下来，与LwF算法没有太大区别，但因为第（3）条的存在，给作者开了一个口子，即可以存储一部分旧数据，参与增量训练。具

azy1988·2022-06-11 07:14

iCaRL Incremental Classifier and Representation Learning 翻译

摘要在通往人工智能的道路上，一个主要的开放问题是逐步学习系统的开发，该系统可以随着时间的推移从数据流中学习越来越多的概念。在这项工作中，我们引入了一种新的培训策略，iCaRL，它允许以这样一种类增量的方式学习:只有少量类的培训数据必须同时出现，并且可以逐步添加新的类iCaRL同时学习强分类器和数据表示。这与早期的工作不同，早期的工作从根本上局限于固定的数据表示，因此与深度学习架构不兼容。我们通过对

阿七秃了·2022-06-11 07:13

读书笔记-增量学习-iCaRL: Incremental Classifier and Representation Learning

一篇2017年的经典文章，iCaRL:IncrementalClassifierandRepresentaionLearning。作者提出了一种增量学习实现方法简称iCaRL，这是一种增加识别种类的学习算法。想法是构建并管理一个exemplarset（旧数据的代表性样本集合），在增量学习阶段，把新数据和该exemplarset混合作为输入数据，模型训练结束后，再把部分新数据添加到exemplars

谷粤狐·2022-06-11 07:05

2017-CVPR-《iCaRL：Incremental Classifier and Representation Learning》论文阅读笔记

2017-CVPR-《iCaRL：IncrementalClassifierandRepresentationLearning》论文地址：CVPR2017OpenAccessRepository代码地址：GitHub-srebuffi/iCaRL摘要1）人工智能道路上的一个主要问题是开发增量学习系统，随着时间推移，从数据流中学习越来越多的概念。2）Inthiswork，我们介绍了一种新的训练策略i

weixin_39450145·2022-06-11 07:05

DER论文详解DER: Dynamically Expandable Representation for Class Incremental Learning， CVPR 2021

论文地址：[2103.16788]DER:DynamicallyExpandableRepresentationforClassIncrementalLearning(arxiv.org)代码地址：https://github.com/Rhyssiyan/DER-ClassIL.pytorch.本文上海科技大学和中国科学院大学共同发表。发表在CVPR2021.本文是通过增加模型权值来适应增量任务。

祥瑞Coding·2022-06-11 07:34

[论文阅读] iCaRL: Incremental Classifier and Representation Learning

论文地址：https://openaccess.thecvf.com/content_cvpr_2017/html/Rebuffi_iCaRL_Incremental_Classifier_CVPR_2017_paper.html代码：https://github.com/srebuffi/iCaRL发表于：CVPR17Abstract人工智能道路上的一个主要的开放性问题是开发渐进式学习系统，随着

xiongxyowo·2022-06-11 07:56

[论文翻译] iCaRL: Incremental Classifier and Representation Learning

iCaRL:IncrementalClassifierandRepresentationLearningAbstract人工智能道路上的一个主要的开放性问题是开发渐进式学习系统，随着时间的推移从数据流中学习越来越多的概念。在这项工作中，我们介绍了一种新的训练策略，即iCaRL，它允许以这种类增量的方式进行学习：只有少数类的训练数据必须同时存在，而新的类可以逐步增加。iCaRL同时学习强分类器和数据

xiongxyowo·2022-06-11 07:26

[深度学习论文笔记（增量学习）——Incremental Classifier and Representation Learning

深度学习论文笔记（增量学习）——IncrementalClassifierandRepresentationLearning

梦回兵工厂·2022-06-11 07:15

深度学习论文笔记（增量学习）——Incremental Classifier and Representation Learning

文章目录前言什么是增量学习增量学习存在的问题灾难性遗忘（catastrophicforgetting）克服灾难性遗忘的策略策略一策略二论文主要工作网络架构细节算法介绍名词解释总体流程步骤一：模型训练步骤二：examplarexamplarexamplar管理constructexemplarsetconstructexemplarsetconstructexemplarset函数reduceexe

菜到怀疑人生·2022-06-11 07:13

论文笔记系列-iCaRL： Incremental Classifier and Representation Learning

导言传统的神经网络都是基于固定的数据集进行训练学习的，一旦有新的，不同分布的数据进来，一般而言需要重新训练整个网络，这样费时费力，而且在实际应用场景中也不适用，所以增量学习应运而生。增量学习主要旨在解决灾难性遗忘(Catastrophic-forgetting)问题,本文将要介绍的《iCaRL：IncrementalClassifierandRepresentationLearning》一文中对增

aiwanghuan5017·2022-06-11 07:11

iCaRL: Incremental Classifier and Representation Learning

增量分类与表示学习摘要只有一小部分类别的训练数据需要同时展示，新的类别能够逐步增加。可以同时学习强的分类器与数据表示。这与前人的工作区别是，前人受限于固定的数据表示，因此无法与深度学习结构相比较。1Introduction类别增加的三个属性：1数据流可训练，不同的时间出现不同的类别；2任意时间能够提供一个可比较的多分类器对于当前能够观察到的类别；3计算需求与内存空间保持在一定范围内，至少增加很缓慢

要向着正研方向努力了·2022-06-11 07:41

元学习论文解读 | XtarNet: Learning to Extract Task-Adaptive Representation for Incremental FSL, ICML 2020

motivation本文关注的是增量小样本学习问题，希望从新的经验中获取新的知识，并将其与从先前经验中获得的先前知识相融合。contribution本文提出了XtarNet，它学习提取任务自适应表示（Task-AdaptiveRepresentation,TAR）。给定一个新任务，从元训练模块中提取的新特征与从预训练模型中获得的基本特征混合作为TAR，那么TAR就包含对新类别和基本类别进行分类的有

RitaRao·2022-06-11 07:09

iCaRL：Incremental Classifier and Representation Learning论文阅读

此算法构造分类器的过程就是构造一个样本集。根据样本集进行分类。一、分类原理：（一）如何分类呢？①要分类的图片为x②得到图片x的特征向量③得到样本集中每个样本的特征向量。对每个类的特征向量加和取平均得到每个类别的样本平均。④图片x的特征向量跟哪个样本平均距离近，则说明该图片与哪个类别更相似，则其属于哪个类别。（二）举个例子：我们需要对紫色的变体五角星进行分类，由于它与红点平均样本更相近，则将它分到五

今天周一天气晴·2022-06-11 07:36

小全读论文《iCaRL: Incremental classifier and representation learning》CVPR2017

小全读论文《iCaRL:Incrementalclassifierandrepresentationlearning》CVPR2017一、Motivation二、Approach训练测试表征学习（RepresentationLearning）样本集的管理新类别样本集的构建（CONSTRUCTEXEMPLARSET）旧类别样本集的删减（REDUCEEXEMPLARSET）一、Motivation人是

FatMigo·2022-06-11 07:06

理解论文笔记 iCaRL: Incremental Classifier and Representation Learning

论文笔记iCaRL:IncrementalClassifierandRepresentationLearning这篇博客是啥？论文地址前提：什么是增量学习（终身学习LongLifeLearning）？方法传统方法最近平均样本分类规则(nearest-mean-of-exemplarsrule)样本挑选增量学习更新参数增量学习训练个人感想这篇博客是啥？icarl这篇论文以算法伪代码的形式来展示作者的

星光点点wwx·2022-06-11 07:33

3D-LaneNet+: Anchor Free Lane Detection using a Semi-Local Representation

动机：对3D-LaneNet的改进；特点semi-localtilerepresentation：breaksdownlanesintosimplelanesegmentswhoseparameterscanbelearnt【CC】网格化，基于每个网格去学习Lane的特征；最后再通过NN合起来；这样天然就是Anchorfree的，并且支持不规则的/没有封闭的曲线技术点：3D-LaneNet：The

64318@461·2022-06-06 07:27

独热表示 one-hot representation

one-hot编码什么是one-hot编码？one-hot编码，又称独热编码、一位有效编码。其方法是使用N位状态寄存器来对N个状态进行编码，每个状态都有它独立的寄存器位，并且在任意时候，其中只有一位有效。举个例子，假设我们有四个样本（行），每个样本有三个特征（列），如图：上图中我们已经对每个特征进行了普通的数字编码：我们的feature_1有两种可能的取值，比如是男/女，这里男用1表示，女用2表示

SssattyF·2022-06-03 07:51

one-hot representation与distributed representation学习笔记

mjj_1094·2022-06-03 07:49

django restframework序列化字段校验规则

项目名称中必须得包含“项目”2字三、单个字段进行校验：项目名称不能多于10个字四、多字段进行校验：五、to_internal_value方法，是所有字段开始进行校验时的入口方法（最先调用的方法）六、to_representation

·2022-05-31 17:07

论文阅读——Knowledge-Embedded Representation Learning

Knowledge-EmbeddedRepresentationLearningAuthorsAbstract（一）Introduction（二）RelatedWork2.1Fine-GrainedImageClassification2.2KnowledgeRepresentation（三）KERLFramework3.1ReviewofGGNN3.2KnowledgeGraphConstruc

Dujing2019·2022-05-29 07:03

SpringMVC框架REST架构体系原理分析

目录资源（Resource）表现层（Representation）状态转换（StateTransfer）如何使用1.在Handler写出增删改查的方法2.Repository资源（Resource）资源是网络上的

·2022-05-28 17:24

论文翻译：Latent Representation Learning For Artificial Bandwidth Extension Using A Conditional Variation.

博客作者：凌逆战论文地址：https://ieeexplore.ieee.xilesou.top/abstract/document/8683611/地址：https://www.cnblogs.com/LXP-Never/p/10714401.html利用条件变分自动编码器进行人工带宽扩展的潜在表示学习作者：PramodBachhav,MassimilianoTodiscoandNicholas

凌逆战·2022-05-28 07:30

GRAIL Efficient Time Series Representation Learning论文阅读笔记（一）

GRAILEfficientTimeSeriesRepresentationLearning有效的时间序列表示学习作者芝加哥大学的JohnPaparrizos和MichaelJ.FranklinPVLDBReferenceFormat:JohnPaparrizosandMichaelJ.Franklin.GRAIL:EfficientTimeSeriesRepresentationLearning

冬天里的xiao火炉·2022-05-15 07:46

论文阅读：Time2Graph+: Bridging Time Series and Graph Representation Learning via Multiple Attentions

Time2Graph+:BridgingTimeSeriesandGraphRepresentationLearningviaMultipleAttentionsTime2Graph+：通过多注意力连接时间序列和图表示学习现状：基于shapelet的模型旨在提取具有代表性的子序列，并可以为下游任务提供解释性理解。问题：对shapelet的提取忽略了时间因素，以及进化特征。提出：一种连接时间序列表示

下了一周雨·2022-05-15 07:45

Self-supervised Pre-training and Contrastive Representation Learning for Multiple-choice Video QA

AAAI2021AbstractInthispaper,weproposenoveltrainingschemesformultiple-choicevideoquestionansweringwithaself-supervisedpre-trainingstageandasupervisedcontrastivelearninginthemainstageasanauxiliarylearn-

cheetah023·2022-05-15 07:10

【论文导读】Time-Series Representation Learning via Temporal and Contextual Contrasting（时间和上下文对比的时间序列表示学习）

Time-SeriesRepresentationLearningviaTemporalandContextualContrasting（通过时间和上下文对比的时间序列表示学习）论文信息摘要主要贡献论文结构1.Introduction2.RelatedWorks3.MethodsArchitectureofproposed==TS-TCC==model4.ExperimentalSetup5.Re

1 + 1=王·2022-05-15 07:00

推荐频道

representation