- 博客(8)
- 收藏
- 关注
RSS订阅原创 .....
result = file.read(index=0, **kwargs) File "/home/hkcq2004new/miniconda3/envs/gd-mae/lib/python3.7/site-packages/imageio/plugins/pyav.py", line 481, in read desired_frame = next(self._decoder) File "av/container/input.pyx", line 203, in decode Fi
2024-01-25 20:07:07
421
原创 通过活动稀疏性和时间上稀疏反向传播的高效循环架构
摘要 递归神经网络（RNN）由于其表达能力和低计算要求而非常适合解决资源受限系统中的序列任务。然而，仍然需要弥合 RNN 在效率和性能方面的能力与实际应用需求之间的差距。将每个时间步的所有神经元的激活传播到每个连接的神经元所产生的内存和计算要求，以及激活的顺序依赖性，导致训练和使用 RNN 的效率低下。我们提出了一种受生物神经元动力学启发的解决方案，使 RNN 单元之间的通信稀疏且离散。这使得通过时间反向传播 (BPTT) 的后向传递在计算上也变得稀疏且高效。我们的模型基于门控循环单元（GRU），并将其扩展
2024-01-20 20:58:44
1609
原创 cd /content/drive/MyDrive
%%shellcd /content/drive/MyDriveconda create -n gd-mae python=3.7#conda upgrade -n base -c defaults --override-channels condaconda update -n base -c defaults conda#conda init#conda deactivateactivate gd-maeconda install -y pytorch==1.10.1 torchvi
2023-11-24 23:28:25
1200
原创 ali镜像源
deb http://mirrors.aliyun.com/ubuntu/ focal main restricted universe multiversedeb-src http://mirrors.aliyun.com/ubuntu/ focal main restricted universe multiversedeb http://mirrors.aliyun.com/ubuntu/ focal-security main restricted universe multiversedeb
2022-05-31 21:01:10
401
翻译 Hierarchical Object Detectionwith Deep Reinforcement Learning
摘要我们提出了一种方法，在深度强化学习agent引导的图像中执行层次对象检测。其关键思想是关注图像中包含更丰富信息的部分，并将其放大。我们训练一个智能agent，给定一个图像窗口，能够决定在五个预定义的不同区域候选对象(较小的窗口)中将注意力集中在哪里。这个过程被迭代以提供层次图像分析。我们比较了两种不同的候选提议策略来引导对象搜索:有重叠和没有重叠。此外,我们的工作比较了从卷积神经网络为每个候选框提取特征的两种不同策略:第一种,计算新feature mas 为每个候选框,第二种，计算整幅图像的feat
2022-01-18 11:36:59
301
翻译 ReinforceNet: A reinforcement learning embedded object detectionframework with region selection net
强化学习嵌入式目标检测框架与区域选择网络摘要摘要近年来，研究人员探索了基于强化学习的目标检测方法。然而，现有的方法总是难以令人满意的性能。主要原因是现有的基于强化学习的方法产生了一系列不准确的区域，没有合理的奖励函数，并且由于缺乏有效的区域选择和优化策略，将最后一步的非最优区域作为检测结果。针对上述问题，我们提出了一种新的基于强化学习的目标检测框架，即reinforcement learning，将强化学习agent的动作空间与基于卷积神经网络的特征空间相结合，具有区域选择和细化的能力。在reinf
2022-01-10 18:36:36
1495
7
转载 RCNN论文笔记
1、tricks1)当缺乏大量的标注数据时，比较好的可行的手段是，进行神经网络的迁移学习，采用在其他大型数据集训练过后的神经网络，然后在小规模特定的数据集中进行 fine-tune 微调.2) 两个因素可以让目标识别变得高效。CNN 的参数是所有类别共享的。 R-CNN 生成的特征向量维度较少。论文拿应用在 UVA 采用的空间金字塔技术相比，它们生成的特征维度是 360k，而 R-cnn 就 4K 多。3）了解方法的失效模式对改进它也是至关重要的，因此作者从Hoiemet al.[20]的.
2021-12-20 23:12:24
111
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人