- 博客(12)
- 资源 (4)
- 收藏
- 关注
RSS订阅转载 NBJL 2020论文导读14：How Much Position Information Do Convolutional Neural Networks Encode ?
论文下载地址：https://openreview.net/pdf?id=rJeB36NKvB发表时间：2020会议名称：ICLR作者：Md Amirul Islam、Sen Jia、Neil D. B. Bruce 论文摘要 相对于全连接网络，卷积网络依靠有限空间内的局部连接，大幅度提高了图像处理的效率。局部连接似乎暗示了卷积过滤器虽然感知当前的内容，却不知道当前所处的位置。绝对位置信息毫无疑问是有用的，有理由认为如果可以做到，卷积网络必然隐式地学习到了编码位置信息。在这篇.
2020-05-27 10:45:35
986
转载 变换域隐写术检测分析
前言犯罪分子经常使用隐写术将秘密指令隐藏至图片中做非法操作，以躲避专业人员的检测，因此需要隐写术检测分析来阻止这种恶意行为。本文提出了一个变换域的隐写分析模型，以检测图像中是否使用变换域隐写算法隐写秘密指令，它具备良好的检测效果。背景隐写分析是通过对载体的统计特性进行分析，判断载体中是否隐藏有额外的信息的技术。目前的隐写分析研究领域通常将隐写分析看成一个二分类问题，目标是区分正常载体和含密载体。在这种情况下，现有的方法主要通过以下两个步骤来构建隐写分析检测器：特征提取和分类。在特征提取.
2020-05-25 08:57:49
1522
1
转载 《BBN: Bilateral-Branch Network with Cumulative Learning for Long-Tailed Visual Recognition》笔记
Paper:《BBN: Bilateral-Branch Network with Cumulative Learning for Long-Tailed Visual Recognition》Authors:Boyan Zhou,Quan Cui,Xiu-Shen Wei,Zhao-Min ChenInstitutions:Megvii Technology; Waseda University; Nanjing UniversityPublishedon CVPR 2020 (Oral).Ke...
2020-05-13 10:08:26
729
转载 《Decoupling Representation and Classifier》笔记
Paper:《Decoupling Representation and Classifier for Long-tailed Recognition》Publishedat ICLR 2020Keywords:Long-Tailed Image Recognition.【概览】作者将分类网络分解为representation learning 和 classification 两部分，系统的研究了这两部分对于Long-tailed问题的影响。通过实验得到的两点发现是： 数据不均衡问题不会影响高.
2020-05-13 08:54:27
821
转载 堪比Focal Loss！解决目标检测中样本不平衡的无采样方法
训练目标检测模型的一个难点是样本不均衡，特别是正负样本比例严重失衡。目前解决这类问题主要是两种方案（见综述Imbalance Problems in Object Detection: A Review）：一是hard sampling方法，从所有样本中选择一定量的正样本和负样本，只有被选择的样本才计算loss，一般会倾向选择一些难负例样本，比如OHEM；另外一类方法是soft sampling方法，选择所有样本计算loss，但是不同的样本赋给不同的权重值，比如focal loss。这些基于采样的策略虽然有
2020-05-13 08:35:14
885
转载 Focal Loss for Dense Object Detection
论文：Focal Loss for Dense Object Detection论文链接：https://arxiv.org/abs/1708.02002优化版的MXNet实现：https://github.com/miraclewkf/FocalLoss-MXNetRBG和Kaiming大神的新作。我们知道object detection的算法主要可以分为两大类：two-stage detector和one-stage detector。前者是指类似Faster RCNN，RFCN这样需要reg
2020-05-11 18:08:53
256
转载 在用交叉熵损失函数时，只希望惩罚0.4-0.6这样模糊的值，应该怎么改？
比如二分类问题，把label为0的预测成0.1，label为1的预测成0.9，这样已经可以了，我希望神经网络更关注那些预测在0.5左右的难以分割的样本（虽然在bp的时候0.5会有更大的梯度），感觉上有点像SVM，我可以怎么做呢？修改损失函数或者在计算损失时过滤掉预测得很好的样本？这样做有没有必要呢？作者：Chaves链接：https://www.zhihu.com/question/366389643/answer/979361929来源：知乎著作权归作者所有。商业转载请联系作者获得授权，非商业转
2020-05-11 18:02:07
506
转载 损失函数改进方法总览
损失函数改进方法总览https://blog.csdn.net/u014380165/article/details/76946358这篇博客主要列个引导表，简单介绍在深度学习算法中损失函数可以改进的方向，并给出详细介绍的博客链接，会不断补充。1、Large Marge Softmax LossICML2016提出的Large Marge Softmax Loss（L-softmax）通过在传统的softmax loss公式中添加参数m，加大了学习的难度，逼迫模型不断学习更具...
2020-05-11 17:46:28
884
转载 深度学习-LeCun、Bengio和Hinton的联合综述
深度学习其实要入门也很简单，不要被深度学习、卷积神经网络CNN、循环神经网络RNN等某些“高大上”的专有名词所吓到或被忽悠，要相信大道至简，一个高中生只要愿意学也完全可以入门级了解并依赖一些成熟的Tensorflow、pytorch等框架去实现一些常用模型。有关《深度学习》的综述或翻译已有很多，在此不在赘述，深度学习是机器学习的一种，今天将从更广的视觉来分析。图1 深度学习是机器学习的子问题1.机器学习 机器学习（Machine Learning, ML)是指利用机器（计算机）...
2020-05-11 10:31:56
556
转载 人脸识别中的margin损失函数
用于人脸识别的损失函数，有Softmax，Contrastive Loss，Triplet Loss，Center Loss，Norm Face，Large-Margin Loss，A-Softmax Loss，InsightFace等等，这篇文章简单聊聊近年的margin损失函数。margin损失函数：Large-margin Softmax(L-Softmax) Sphereface(A-Softmax) Additive Margin Softmax(AM-Softmax) CosFac
2020-05-10 21:14:42
1260
转载 【论文理解】ArcFace: Additive Angular Margin Loss for Deep Face Recognition（InsightFace）
论文地址：https://arxiv.org/abs/1801.07698github：https://github.com/deepinsight/insightface这篇论文基本介绍了近期较为流行的人脸识别模型，loss变化从softmax一路捋到CosFace，然后提出ArcFace，可以说起到很好的综述作用。论文评价对比方面也做了非常详细的对比策略方案分析。数据清洗工作也对后续研究应用有较大意义。数据和代码都开源，相当良心。本文主要工作概述：在三个影响人脸识别模型精度的主要因素上都
2020-05-09 22:22:31
474
转载 【CVPR 2018】腾讯AI lab提出深度人脸识别中的大间隔余弦损失
论文导读】 深度卷积神经网络（DCNN）在人脸识别中已经取得了巨大的进展，通常的人脸识别的核心任务都包括人脸验证与人脸识别，涉及到特征判别。很多模型都是使用Softmax损失函数去监督模型的训练，但是现在已经有资料证明，Softmax loss缺乏足够的在分类任务上的判别力，所以取得的效果也不是最好的。针对这个问题，本文设计了一个新的损失函数，我们称之为大间隔余弦损失。Figure 1图 1：我们提出的 CosFace 框架。在训练阶段，带有大间隔（large margin）的具有判别性的面部
2020-05-09 18:13:42
511
dlib安装 dlib-19.19.0-cp38-cp38-win_amd64.whl.whl
2022-04-20
dlib-19.17.99-cp37-cp37m-win_amd64.whl
2022-04-20
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人