- 博客(8)
- 收藏
- 关注
RSS订阅原创 注意力机制
注意力机制直观上的理解就是人看一张图片，肯定是被图中某一部分吸引，而对应到NN，即是给整个图片的每个像素都赋予一个权重，希望得到注意力多的即权重大。STN就是一个注意力机制，他是让图像把最需要的那一部分平移旋转缩放回来，相当于丢掉了不需要的部分。而像SENet中的注意力机制，先把h*w*c2的特征直接在c2维度用平均池化把其变为1*1*c2，然后用多层感知机将其转化为每一层的权重即注意力，...
2019-11-16 11:43:09
773
原创 Spatial Transformer Networks
Spatial Transformer Networks并不只是对旋转有效，理论上它应该是对所有的变换都有效，如平移旋转缩放。CNN目前如果希望网络能具有旋转不变性，主流是两个途径，一直接对数据进行数据增强，即各种旋转，让网络见各种各样的数据，二即采用STN。STN总体的思路很简单，就是相当于增加一个模块，模块的作用是对输入的图像得到一个变换矩阵，然后输出的图像就等于变换后的图像。...
2019-11-16 10:37:05
183
原创 LeetCode-1-两数之和
给定一个整数数组 nums和一个目标值 target，请你在该数组中找出和为目标值的那两个整数，并返回他们的数组下标。你可以假设每种输入只会对应一个答案。但是，你不能重复利用这个数组中同样的元素。示例:给定 nums = [2, 7, 11, 15], target = 9因为 nums[0] + nums[1] = 2 + 7 = 9所以返回 [0, 1]来源：力扣...
2019-11-07 13:22:56
117
原创 Linked Dynamic Graph CNN: Learning on Point Cloud via Linking Hierarchical Features
在DGCNN上做了一些改进：and there are several differences between our LDGCNN and DGCNN:• We link hierarchical features from different layers.• We remove the transformation network.一是添加了节点的跨层连接，二是把3*...
2019-10-03 12:55:20
850
原创 Dynamic Graph CNN for Learning on Point Clouds
提出了一种动态边卷积，给定一个近邻数量k，从输入的n*3点云开始，第一次点的特征只包括xyz三个属性，然后每个点计算自己的k近邻点，针对每个点与自己k近邻点形成的点对，其对应的edge维度为6，因为是两个点特征的concat，总共有n*k*6个特征，这就是所有的edge，然后在n*k*6的edge张量中进行1*1卷积，变成n*k*64，然后在k的维度取max，变成n*64，这就是一轮edge卷...
2019-10-03 12:24:57
1851
5
原创 Tensorflow技巧
设置编码# -*- coding: UTF-8 -*-tf.reduce_sumreduce_sum中axis=-1的理解就是把这个维度搞成1reduce_sum:压缩求和，用于降维# 'x' is [[1, 1, 1]#[1, 1, 1]]x为2*3矩阵#求和tf.reduce_sum(x) ==> 6#按列求和tf.redu...
2019-10-03 09:58:58
197
原创 A GRAPH-CNN FOR 3D POINT CLOUD CLASSIFICATION
提出了一种基于图卷积神经网络提取点特征的点云分类网络。输入N*3的点云，通过切比雪夫多项式的图卷积，先升成N*1000，也就是把每个节点的信息增加到1000维，然后针对global-pooling，再做一次卷积，把两次卷积得到的2个N*1000维的张量，按列取最大和按列算方差（对称函数），则消除了点序的影响，然后两个2*1000的最大向量concat，两个2*1000的方差向量concat...
2019-10-02 21:42:02
811
原创 用itchat遇到的问题
今天在服务器上跑微信自动撤回消息显示的python程序时，发现在一次在itchat.auto_login(hotReload=True)之前使用了itchat.auto_login(enableCmdQR=true)之后，每次扫码登录之后自动logout，在将itchat.auto_login(enableCmdQR=-1)（不改成-1即反色手机读不出二维码
2017-10-08 10:02:02
7252
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