深度学习
记录一些自己学习的深度学习知识
bananalone
这个作者很懒,什么都没留下…
展开
-
CAM目标定位
论文:Learning Deep Features for Discriminative LocalizationCAM目标定位简介CAM简介CAM全称class activation maps,该技术能让做了分类训练的CNN既能对图片进行分类,又能定位特定类别的图片区域。CAM生成类激活图(class activation maps)的流程如下:使用类似于network in network,GoogLeNet的网络架构,网络主要由卷积层组成,在最终输出层(分类时为softmax)之.原创 2020-07-12 12:39:20 · 1088 阅读 · 0 评论 -
[CVPR2020]Attention-Guided Hierarchical Structure Aggregation for Image Matting
论文:Attention-Guided Hierarchical Structure Aggregation for Image Matting代码:wukaoliu/CVPR2020-HAttMatting基于注意力引导的层次结构聚集图像抠图介绍方法概述网络结构整体网络设计金字塔特征提取外观线索过滤损失函数实验参考介绍图像抠图是指从输入图像中精确估计前景的不透明度。图像抠图的逆过程是图像合成,合成方程如下:其中:zzz 指的是输入RGB图像 III 的像素位置αz,Fz,Bz\alp.原创 2020-06-29 18:47:32 · 2450 阅读 · 2 评论 -
[CVPR2019]Cascaded Partial Decoder for Fast and Accurate Salient Object Detection
论文地址:Cascaded Partial Decoder for Fast and Accurate Salient Object Detection代码地址:https://github.com/wuzhe71/CPD快速准确检测显著目标的级联部分译码器介绍框架介绍编码器-解码器结构的网络被大量应用于显著性目标检测,并获得了惊人的表现,编码器是预先训练好的图像分类模型(如VGG和ResNet),它提供了多层次的深层特征:低分辨率的高层特征表示语义信息,高分辨率的底层特征表示空间细节,在解码.原创 2020-06-21 15:21:00 · 1472 阅读 · 0 评论 -
理解和可视化机器学习中的数据迭代
论文地址: Understanding and Visualizing Data Iteration in Machine Learning理解和可视化机器学习中的数据迭代摘要绪论背景及相关工作理解数据迭代为什么要迭代数据数据迭代常用方法摘要成功的机器学习(ML)应用程序需要对建模和底层数据进行迭代。虽然先前的ML可视化工具主要集中在建模上,但我们对23位ML实践者的采访显示,他们经常通过迭代数据(例如收集新数据、添加标签)而不是模型来提高模型性能。我们还确定了常见的数据迭代类型以及相关的分析任务.原创 2020-06-16 15:24:50 · 2143 阅读 · 0 评论 -
简要介绍弱监督学习(by 周志华)
原文:《A Brief Introduction to Weakly Supervised Learning》作者:周志华弱监督学习1. 概览2. 不完全监督(incomplete supervision)2.1 主动学习2.2 半监督学习2.2.1 为什么未标注数据对构建预测模型有用?2.2.2 基本假设2.2.3 主要方法3. 不确切监督(inexact supervision)4. 不准确监督(inaccurate supervision)5. 总结6. 参考资料1. 概览在强监督条件下,.原创 2020-05-31 12:28:12 · 5975 阅读 · 0 评论 -
深度学习中的卷积与转置卷积
深度学习中的卷积与转置卷积1 卷积2 转置卷积(反卷积)3 个人理解1 卷积输入平展为 16×1 的矩阵,并将卷积核转换为一个稀疏矩阵C(4×16)。然后,在稀疏矩阵和平展的输入之间使用矩阵乘法。之后,再将所得到的矩阵(4×1)转换为 2×2 的输出。正向卷积将大的feature map转换为了小的feature map2 转置卷积(反卷积)将由卷积核转换的稀疏矩阵C进行转置得到CT,然后与4×1的output向量做乘法得到16×1的input向量,最后reshape为4×4。转置卷积(反卷原创 2020-05-14 16:54:05 · 305 阅读 · 0 评论