自定义博客皮肤VIP专享

*博客头图:

格式为PNG、JPG,宽度*高度大于1920*100像素,不超过2MB,主视觉建议放在右侧,请参照线上博客头图

请上传大于1920*100像素的图片!

博客底图:

图片格式为PNG、JPG,不超过1MB,可上下左右平铺至整个背景

栏目图:

图片格式为PNG、JPG,图片宽度*高度为300*38像素,不超过0.5MB

主标题颜色:

RGB颜色,例如:#AFAFAF

Hover:

RGB颜色,例如:#AFAFAF

副标题颜色:

RGB颜色,例如:#AFAFAF

自定义博客皮肤

-+
  • 博客(27)
  • 资源 (2)
  • 收藏
  • 关注

原创 JAVA从入门到精通(二)进阶篇

Java从入门到精通高级篇学习记录

2022-11-23 22:00:05 1404 1

原创 JAVA从入门到精通(一)基础篇

java从入门到精通---基础篇

2022-10-05 22:24:05 595 1

原创 MobileNet v1 v2 v3论文学习总结

mobilenet论文V1、V2、V3mobilenet,用于移动和嵌入式视觉应用程序。mobilenet基于一种流线型架构,使用深度可分离卷积来构建轻量级的深度神经网络。在资源和准确性权衡方面进行了大量的实验,与其他流行的ImageNet分类模型相比,我们展示了强大的性能。然后,我们在广泛的应用和用例中展示了mobilenet的有效性,包括对象检测、细粒度分类、人脸追踪和大规模地理定位。

2022-09-26 08:00:00 952

原创 React18+ant-mobileV5移动端项目搭建并自定义主题

React自学项目搭建遇到的问题记录,成功完成最新版本 React18+ant-mobileV5 移动端项目搭建并自定义主题

2022-09-25 22:03:14 3139 6

原创 PRUNING-卷积神经网络剪枝

本文提出了一种新的对神经网络中卷积核进行剪枝的算法以实现高效推理。作者交错进行基于贪婪标准的剪枝和通过反向传播的微调,实现了高效的剪枝,并且剪枝后的模型保持了良好的泛化能力。作者提出了一种基于泰勒展开的新的评价标准,该标准近似于修剪网络参数引起的代价函数的变化。与其他标准(例如,对用于细粒度分类的大型CNN使用卷积核或特征图的范数进行剪枝只使用了一阶梯度信息)相比,本文提出的标准性能更好。实验表明,本文算法在理论上可以在基本不影响模型准确率的情况下将3D卷积滤波器的大小压缩超过10倍,本文的算法也适用于基于

2022-09-25 15:36:20 1819

原创 组件开发实战-数字输入框和标签页组件

Vue组件学习实战练习

2022-08-05 16:47:12 544

原创 Vue中v-model的使用

可以用 v-model 指令在表单 、 及 元素上创建双向数据绑定。它会根据控件类型自动选取正确的方法来更新元素。尽管有些神奇,但 v-model 本质上不过是语法糖。它负责监听用户的输入事件以更新数据,并对一些极端场景进行一些特殊处理。......

2022-07-28 17:55:41 552

原创 vue基础实战---购物车的实现

适用vue基础入门练习...

2022-07-28 17:52:05 120

原创 JS数组最全方法解读!!!

博主花了一整天时间整理的万字JS数组方法总结,希望对大家的学习有所帮助。。。

2022-07-15 23:09:16 409

原创 Springboot+Vue前后端分离开发--合并打包(无跨域)

Springboot+Vue前后端分离开发,不分离打包流程~

2022-07-14 17:25:59 4480 3

原创 Instant-Teaching-An End-to-End Semi-SupervisedObject Detection Framework

Instant-Teaching论文原文翻译,自留阅读~

2022-07-12 15:36:14 1807

原创 Mask2Former

Mask2Former论文自学总结分享给大家~~

2022-07-12 15:08:51 5977 4

原创 MaskFormer

MaskFormer论文精读

2022-07-09 17:45:47 3104

原创 Vue3+TS项目实战1-环境准备

Vue3+TypeScript项目实战自学笔记

2022-06-19 00:27:33 546

原创 AdaMixer论文分享

AdaMixer基于query快速收敛的目标检测器......

2022-06-06 15:42:39 639

原创 前端学习笔记-本地存储和会话存储

(本地存储和会话存储都存储键值对。本地存储和会话存储的主要区别在于,在关闭浏览器后,存储在会话存储中的键值对会丢失,本地存储不会)1、本地存储localStorage.setItem('键', '值'); //本地存储键值对//typeof 为object类型let Name = localStorage.getItem('键') //在本地存储中获取键值对console.log(Name) //输出值//如果从不存在的本地存储中获取内容,则结果为 null 本地存储的一个限

2022-03-04 12:56:05 865

原创 目标检测篇-FPN论文精读

FPN论文精读包括FPN网络结构介绍、FPN应用于RPN及Fast RCNN部分介绍

2022-02-20 12:37:30 4442 1

原创 目标检测篇-Faster-RCNN论文精读

Faster RCNN论文精读包括其网络结构、RPN模块讲解、Fast RCNN部分的roi pooling以及两部分的回归和分类损失函数的计算。

2022-02-20 12:23:23 3272 1

原创 图像分割篇-FCN论文精读

FCN论文精读与代码详解主要成就:端到端、像素到像素训练方式下的卷积神经网络超过可现有的语义分割方向最先进的技术。核心思想:搭建了一个全卷积网络,输入任意尺寸的图像,经过有效推理和学习得到相同尺寸的输出。主要方法:将当前分类网络改版成全卷积网络并进行微调设计了跳跃连接将全局信息和局部信息连接起来,相互补偿。

2022-01-23 13:33:00 3949

原创 CV基石-DenseNet论文研读

DenseNet论文研读

2022-01-13 21:44:25 236

原创 CV基石-ResNeXt论文研读

ResNeXt论文学习总结

2022-01-07 18:38:36 2052

原创 混淆矩阵概念

混淆矩阵(Confusion Matrix)常用来观察分类结果,其是一个N*N的方阵,N表示类别数。混淆矩阵的行表示真实类别,列表示预测类别。例如,猫狗的二分类问题,有猫的图像10张,狗的图像30张,模型对这40张图片进行预测,得到的混淆矩阵为类别 阿猫 阿狗 阿猫 7 3 阿狗 10 20 从第一行中可知道,10张猫的图像中,7张预测为猫,3张预测为狗,猫的召回率(Recall)为7/10 = 70%,从第二行中可知道,30张狗的图像中,8张预测为

2022-01-07 16:36:16 2160

原创 CV基石-ResNet论文研读

ResNet论文学习总结

2022-01-06 19:49:40 762

原创 CV基石-GoogleNet-V4论文研读

GoogleNet-v4论文详解以及GoogleNet系列总结

2021-12-29 21:27:31 1625

原创 cv基石-GoogleNet-V3论文研读

GoogleNet-V3模型特点介绍

2021-12-29 21:01:50 1124

原创 CV基石-GoogleNet-V2论文研读

GoogleNet-V2 BN介绍

2021-12-29 20:43:35 1090

原创 cv基石--GoogleNet论文研读

GoogleNet-V1的论文研读介绍

2021-12-29 20:17:01 131

Instant-Teaching论文分享PPT

基于监督学习的目标检测框架需要大量繁琐的手工标注,这在实际应用中可能不实用。半监督目标检测(Semi-supervised object detection, SSOD)可以有效地利用未标记数据来提高模型的性能,这对于目标检测模型的应用具有重要意义。在本文中,我们重新审视了SSOD,并提出了一个完整的端到端有效的SSOD框架InstantTeaching,该框架在每次训练迭代中使用扩展的弱-强数据增强即时伪标记进行教学。为了缓解确认偏差问题,提高伪标注的质量,我们进一步提出了一种基于instantteach的协同校正方案,记作instantteach∗。在MS-COCO和PASCAL VOC数据集上的大量实验证实了该框架的优越性。具体来说,当使用2%的标记数据时,我们的方法在MS-COCO上超过了最先进的方法4.2 mAP。即使有MS-COCO的完整监督信息,所提出的方法仍然比最先进的方法高出约1.0 mAP。在PASCAL VOC上,我们使用VOC07作为标记数据,VOC12作为未标记数据,可以实现5个以上的mAP改进。

2022-09-02

MaskFormer V1 V2论文分享PPT

图像分割是关于将不同语义的像素分组,例如,类别或实例成员关系,其中每个语义的选择定义了一个任务。虽然只是每个任务的语义不同,但目前的研究重点是为每个任务设计专门的体系结构。我们提出了一种新的架构Mask -attention Mask Transformer (Mask2Former),能够解决任何图像分割任务(全景、实例或语义)。它的关键组成部分包括Mask -attention,通过约束掩模区域内的交叉注意来提取局部特征。除了将研究工作量减少至少三倍之外,它在四个流行的数据集上的性能显著优于最好的专门架构。最值得注意的是,Mask2Former设置了一个新的最先进的全景分割(COCO上57.8 PQ),实例分割(COCO上50.1 AP)和语义分割(ADE20K上57.7 mIoU)。

2022-09-02

GoogLeNet论文原文.pdf

GoogLeNet论文原文下载

2021-12-29

深度学习与应用实践期末复习习题.pdf

东华大学深度学习与应用实践课程课后作业与期末复习题

2021-12-29

空空如也

TA创建的收藏夹 TA关注的收藏夹

TA关注的人

提示
确定要删除当前文章?
取消 删除