- 博客(5)
- 收藏
- 关注
RSS订阅原创 ACNet论文阅读心得
ACNet论文阅读心得 作者及其所在团队在国内外相关领域所处水平: Xiaohan Ding 清华大学博士 - 长期从事机器学习与计算机视觉领域的研究，已经在国际顶级人工智能、机器学习、计算机视觉会议上以第一作者身份发表论文4篇； 联系方式：dxh17@mails.tsinghua.edu.cn 丁贵广 2006年—至今 清华大学软件学院教师 2004年—2006年 清华大学自动化系博士后 联系方式：dinggg@tsinghua.edu.cn 主要从事多媒体信息检索与管理相关研究工作，包括：多媒体内容理解
2021-02-04 11:20:17
500
原创 Training Very Deep Networks论文笔记
Training Very Deep Networks论文笔记 作者及其所在团队在国内外相关领域所处水平: Jürgen Schmidhuber: LSTM之父、 深度学习元老， 瑞士人工智能实验室（IDSIA）的研发主任，被称为递归神经网络之父。 本人创立的公司Nnaisense正专注于人工智能技术研发。此前，他开发的算法让人类能够与计算机对话。 RupeshKumar Srivastav: Jürgen Schmidhuber的学生 Klaus Greff: Jürgen Schmidhuber的学生
2020-11-16 19:56:34
336
原创 《Densely Connected Convolutional Networks》论文心得
《Densely Connected Convolutional Networks》论文心得 作者及其所在团队在国内外相关领域所处水平: **黄高：**美国康奈尔大学计算机系博士后主要研究领域为深度神经网络的结构设计与优化算法，以及深度学习在计算机视觉与自然语言理解中的应用。目前已发表学术论文20余篇，被引用次数达1000余次；其中一篇综述论文被中国科学技术信息研究所评选为2015年全国百篇最具国际影响学术论文；会议论文“Densely ConnectedConvolutional Networks”获得国
2020-11-06 09:37:45
279
原创 半锚式检测器：Semi-Anchored
半锚式检测器：Semi-Anchored 摘要： 目前标准的一阶段检测器主要包括两个任务：分类和回归。引入锚框策略有利于减轻多尺度目标回归的挑战，但是锚框中的类不平衡问题会导致分类性能降低；无锚框策略有利于分类器任务，但是缺乏先验框所以难以回归到最优值。本文提出了一个半锚式检测器（Semi-Anchored）,在分类过程中确定正位置，并且将多个anchors与回归的正位置相关联。 问题起源： 采用锚框时背景候选框的数量明显大于前景候选框，这种不平衡的框会提升目标检测的难度（不同区域会匹配不同尺度的锚
2020-10-26 22:39:48
316
1
原创 残差网络：《Deep Residual Learning for Image Recognition》
@[TOC] **残差网络：《Deep Residual Learning for Image Recognition》 ** 摘要： 网络结构深度的表达对视觉识别任务而言至关重要，论文提出了一种残差网络结构块，使得网络的准确度能够随着深度的加深而升高。网络结构深度的表达对视觉识别任务而言至关重要。 问题起源： 更深层的全卷积网络容易退化，并且出现梯度消失、梯度爆炸等问题。 解决方案： 作者提出了残差网络结构块 残差块通过对较浅层的输入进行映射，能够减小产生的训练误差，这种连接方式不会增加额外的参数以及复
2020-10-22 21:02:35
347
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人