- 博客(14)
- 资源 (1)
- 收藏
- 关注
RSS订阅转载 HashTable详解
1、什么是哈希表？哈希表（HashTable）又叫做散列表，是根据关键码值（即键值对）而直接访问的数据结构。也就是说，它通过把关键码映射到表中一个位置来访问记录，以加快查找速度。看到这里你可能比较疑惑，它是怎么加快查找速度的？下一节就有说明！这个映射函数就叫做散列（哈希）函数，存放记录的数组叫做散列表。2、为什么哈希表的速度快？在数据结构中，我们对两种数据结构应该会非常熟悉：数组与链表。数组的特点就是查找容易，插入删除困难；而链表的特点就是查找困难，但是插入删除容易。既然两者各有优缺点，那么我们就将
2020-06-28 12:23:00
209
转载 庖丁解牛yolo_v4之CmBN
一文搞定深度学习中的规范化BN,LN,IN,GN,CBN凡心所向素履所往计算机视觉14 人赞同了该文章【写在前边】本笔记详细总结BN的原理及细节（均值标准差的计算，训练和测试的区别）和BN的改进版本LN IN GN CBN等。。。。论文：2015年Google提出了BNhttps://arxiv.org/pdf/1502.03167.pdf2016年多伦多大学提出了LNhttps://arxiv.org/pdf/1607.06450v1.pdf2017年牛津提出了INht
2020-06-11 19:48:16
3904
1
转载 庖丁解牛yolo_v4之DropBlock
论文：DropBlock: A regularization method forconvolutional networksGithub：https://github.com/miguelvr/dropblockhttps://github.com/DHZS/tf-dropblock论文主要提出了一种针对卷积层的正则化方法DropBlock，最终在ImageNet分类任务上，使用Resnet-50结构，将精度提升1.6%个点，在COCO检测任务上，精度提升1.6%个点。(...
2020-06-10 20:46:49
1183
转载 A survey on Image Data Augmentation for Deep Learning数据增强文献综述
文章目录1. Introduction2. Image Data Augmentation techniques2.1 Data Augmentations based on basic image manipulations2.2 Geometric versus photometric transformations2.3 Data Augmentations based on Deep Learning3. Design considerations for image Data Augm
2020-06-10 20:38:53
464
转载 Self-Supervised Learning 的近期发展综述
前言今年（2020） Self Supervised Learning （SSL） 的研究来到了新的高峰。不仅在AAAI 上 LeCun， Bengio 与 Hinton 都对这领域寄与厚望;最近发表的文章也显示 SSL 得到的模型表现在 ImageNet dataset 上逐渐逼近了传统 Supervised Learning 的表现了。近年ResNet-50在 ImageNet 上的表现在实际应用中（例如业界中已经部署的模型）， Self Supervised Learning 未必
2020-06-08 16:28:17
615
转载 Self-supervised Learning 再次入门
关于自监督学习，知乎上已经有了一些资源，比如师兄 @bingo 的两篇介绍[2] [3]、@Naiyan Wang大佬之前做的 survey[4]、还有最新的@Sherlock[5] 。本来我的这篇分享是准备叫 「Self-Supervised Learning 入门介绍」，可惜在写作的过程中@Sherlock老哥抢先一步，所以只能叫「再次入门」了。唉，这个时代，已经不仅仅是做科研需要手速了，在知乎写分享也要快 :(本文通过整理自监督学习的一系列工作，把主流方法分成...
2020-06-08 16:26:53
446
转载 机器学习？有无监督、弱监督、半监督、强化、多示例学习是什么
什么是机器学习？机器学习的定义有很多种，而且到目前为止也没有一个公认的定义，想要了解更多可以参考一下知乎https://www.zhihu.com/question/33892253的解答，有客观的回答，有深刻的幽默。在这里我从定义的角度来让大家浅显的了解一下什么叫做机器学习，机器学习的定义有许多，比如：“机器从原始的数据中提取模式的能力”（lan goodfellow）“在不直接针对问题进行编程的情况下，赋予计算机学习能力的一个研究领域。”（1959 Arthur Samuel）“机器学习这门
2020-06-07 13:06:17
441
转载 Attention最新进展
本文主要总结了最新的关于attention的应用文章。Attention-based Dropout Layer for Weakly Supervised Object Localization（CVPR19）任务：弱监督的物体定位：只给定图像类别的标签，要求定位出目标所在的区域。动机：只给定物体类别的话，网络往往只关注最具有判别性的信息，无法挖掘到整个物体信息。能否设计一种drop操作，每次迭代时drop最具判别性的信息，强迫网络关注其他的区域？做法：代替之前采用CAM得到特征的热力图，
2020-06-07 12:40:54
287
转载 深度学习不work？看看这份超全的Debug检查清单
为什么需要讨论DL Troubleshooting？80%-90%时间用于debug和tune，10%-20%时间用于推导数学或者实现。模型为什么会表现糟糕？ 实现时的bug，很多深度学习bug不可见，比如模型label顺序错误 超参数选择，因为模型对超参数比较敏感 数据/模型拟合 数据集创建，常见问题如下： 没有足够数据 类别...
2020-06-07 11:16:47
234
转载 Python配置-virtualenv和conda的区别
之前详细说过如何在windows上部署conda环境，详细可以查看我的这篇博客。其他平台（主要是linux和macos）在我看来异曲同工，只是几个命令由conda变为了source。（如conda activate myvenv变为source activate myvenv）什么是virtualenv(venv)这是一个虚拟环境管理器，作为非数据科学领域的开发者来说是很实用的。它可以让你每个项目甚至每个脚本配置一个自定义的Python解释器环境，这最大的好处是我可以不污染开发环境。举个例子，我有
2020-06-07 11:13:11
2337
转载 一文读懂深度学习中的各种卷积
如果你听说过深度学习中不同种类的卷积（比如 2D / 3D / 1x1 /转置/扩张（Atrous）/空间可分/深度可分/平展/分组/混洗分组卷积），并且搞不清楚它们究竟是什么意思，那么这篇文章就是为你写的，能帮你理解它们实际的工作方式。在这篇文章中，我会归纳总结深度学习中常用的几种卷积，并会试图用一种每个人都能理解的方式解释它们。除了本文之外，还有一些关于这一主题的好文章，请参看原文。希望本文能帮助你构建起对卷积的直观认知，并成为你研究或学习的有用参考。本文目录1.卷积与互相关2...
2020-06-04 19:30:50
184
转载 物体检测的轮回: anchor-based 与 anchor-free
YOLOv2 摸着 Faster R-CNN 的宝贝 anchor 道，真香。RetinaNet 对 DenseBox 说，长大后我就成了你。—— 瞎扯之题记正文随着 CVPR camera ready 和 ICCV submission deadline 的结束，一大批物体检测的论文在 arXiv 上争先恐后地露面。历史的车轮滚滚向前，这里有几篇 paper 有异曲同工之妙，开启了 anchor-based 和 anchor-free 的轮回。1.Feature Selective .
2020-06-04 17:07:35
564
转载 UnitBox
文章是对Face++的论文《An Advanced Object Detection Network》的解析UnitBox使用了和DenseBox[2]类似的基于图像分割的方法进行人脸检测。在DenseBox中，bounding box的定位使用的是l2损失。l2损失的一个缺点是会使模型在训练过程中更偏向于尺寸更大的物体，因为大尺寸物体的l2损失更容易大于小物体。为了解决这个问题，UnitBox中使用了IoU损失，顾名思义，IoU损失既是使用Ground Truth和预测bounding box的交
2020-06-04 17:02:23
378
转载 DenseBox: Unifying Landmark Localization with End to End Object Detection
DenseBox[15]百度IDL的作品，提出的最初动机是为了解决普适的物体检测问题。其在2015年初就被提出来了，甚至比Fast R-CNN还要早，但是由于论文发表的比较晚，虽然算法上非常有创新点，但是依旧阻挡不了Fast R-CNN一统江山。DenseBox的主要贡献如下：使用全卷积网络，任务类型类似于语义分割，并且实现了端到端的训练和识别，而R-CNN系列算法是从Faster R-CNN中使用了RPN代替了Selective Search才开始实现端到端训练的，而和语义分割的结合更是等到了20
2020-06-04 16:43:53
378
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人