Unsupervised Feature Learning via Non-parametric Instance Discrimination本地运行

最新推荐文章于 2023-03-20 19:46:17 发布
最新推荐文章于 2023-03-20 19:46:17 发布
阅读量973 收藏 4
点赞数 1
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/fanyuwgy/article/details/95613272
版权
该博客介绍了2018年CVPR一篇关于无监督特征学习的文章，提供了作者的源码链接。文章指导如何在本地运行代码，特别是针对CIFAR10数据集，避免在线下载数据集的慢速问题。读者需要先安装PyTorch，推荐使用清华镜像，并提供了解决方案。通过下载CIFAR10数据集并放置于项目data文件夹中，注释掉cifar.py中的相关库函数，即可实现本地运行。
摘要由CSDN通过智能技术生成

这是2018年cvpr的一篇文章．作者当中提供了源码，地址如下：

https://github.com/zhirongw/lemniscate.pytorch

首先要安装pytorch，建议使用清华的镜像，否则特别慢，教程地址如下：

https://blog.csdn.net/qq_43237588/article/details/89183303

接着就可以运行代码了，在ImageNet上训练模型需要输入很多的运行参数，在CIFAR10可以直接运行，也就是直接运行cifar.py文件．但是运行的同学们都会发现一个问题，他需要在线下载数据集，非常的慢，小编今日提供一个本地运行的方法（以cifar10为例）：

首先下载cifar10数据集，地址如下：

https://www.cs.toronto.edu/~kriz/cifar-10-python.tar.gz

然后在项目目录上建立data文件夹，将数据集放进去

然后再注释掉库函数cifar.py（注意是库函数）的

download_url(self.url, self.root, self.filename, self.tgz_md5)

凡凡.cs
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
Unsupervised Feature Learning via Non-Parametric Instance Discrimination
X-SPY的博客
12-20 6050
概率图模型 最近在学习概率图模型，主要是看Koller的公开课：Coursera - Free Online Courses From Top Universities 和 Daphne Koller, Nir Friedma的《概率图模型:原理与技术》这本书来学习的 Markdown和扩展Markdown简洁的语法 代码块高亮 图片链接和图片上传 LaTex数学公式 UML序列图和流程图
【对比学习】【论文翻译】Unsupervised Feature Learning via Non-Parametric Instance Discrimination
最新发布
weixin_44184852的博客
05-28 1052
在带有注释类标签的数据上训练的神经网络分类器也可以捕捉类别之间明显的视觉相似性，而无需被指示这样做。我们研究这种观察是否可以扩展到监督学习的传统领域之外：我们是否可以通过仅仅要求特征区分单个实例来学习一个好的特征表示，该特征表示可以捕捉实例之间的明显相似性，而不是类？我们将这种直觉公式化为实例级的非参数分类问题，并使用噪声影响估计来解决大量实例类带来的计算挑战。我们的实验结果表明，在无监督学习设置下，我们的方法大大超过了ImageNet分类的最新水平。
【论文阅读笔记】Unsupervised Feature Learning via Non-Parametric Instance Discrimination
fredrickwood的博客
03-20 268
有监督分类器在分类时，会自动捕获类别的视觉相似性。因此，这篇工作的motivation是，这一特性能否扩展到无监督学习上。具体采用的方法就是instance discrimination任务。作者将这个模型称为“NPID”，即非参数instance discrimination。噪声对比估计则是广泛应用的NCE。在无监督 & 半监督上都表现很好（后续的对比学习研究也同时提出无监督和半监督的版本）。
论文阅读笔记：Unsupervised Feature Learning via Non-Parametric Instance Discrimination
Nin7a的博客
11-11 5029
Unsupervised Feature Learning via Non-Parametric Instance Discrimination 论文下载地址 github代码地址 Summary 这篇论文主要论述如何通过非参数的实例判别进行无监督的特征学习。本文使用CNN backbone，原始图片输入网络后输出一个经过L2标准化的128维向量，通过Non-Parametric Softmax ...
unsupervised-feature-elimination-via-gan
04-18
先决条件黑色素瘤脱毛数据集（）安装下载资料库git clone https://github.com/joyfuldahye/unsupervised-feature-elimination-via-gan.git安装所需的库pip install -r requirements.txt通过运行ShellScript文件进行...
unsupervised-learning-neural-network.rar_unsupervised
07-14
无监督学习神经网络在矿井突水识别中的应用 无监督学习是机器学习的一个重要分支，与有监督学习相比，它无需预先标记的数据，而是通过发现数据中的内在结构和模式来学习。在这种方法中，神经网络可以发挥关键作用，...
unsupervised-learning-case-studies-sb
03-30
"unsupervised-learning-case-studies-sb"这个主题很可能包含了多个无监督学习的实际应用案例，这些案例可能使用了Jupyter Notebook这一交互式计算环境来展示和解释。 Jupyter Notebook是数据科学家和研究人员常用...
Unsupervised_Machine_Learning-Clustering-:了解无监督机器学习中聚类方法的基础
05-16
在"Unsupervised_Machine_Learning-Clustering-"这个主题中，我们将深入探讨无监督机器学习中的聚类方法及其应用。 无监督机器学习中的聚类方法主要分为以下几类： 1. **层次聚类（Hierarchical Clustering）**： ...
lemniscate.pytorch：通过非参数实例区分进行无监督特征学习
02-05
通过非参数实例区分进行无监督特征学习 此回购包含CVPR2018无监督学习论文的pytorch实施。 更新了预训练模型 提供了具有存储体实现且nce-k = 65536否定值的更新的实例判别模型。 如在CPC / MoCo中一样，使用Softmax-CE损失而不是原始NCE损失来训练更新的模型。 （线性ImageNet Acc 58.5％） 老歌：ResNet18和ResNet50的原始版本经过训练，带有4096个底片和NCE损失。 每个tar球都包含所有ImageNet训练图像（600 mb）和模型权重（100-200mb）的特征表示。 您也可以通过转发整个ImageNet图像的网络来
InstanceLoc：[CVPR 2021]用于自监督检测预训练的实例定位
03-04
自监督检测预训练的实例定位 [] 消息 完整的代码库和模型即将推出 主要结果 在这里，我们列出了使用R50-C4和R50-FPN检测器在MSCOCO上得到的结果。 在不进行任何多播/自动/随机增强的情况下，我们的InsLoc优于许多以前的对比方法。 为了清楚地说明InsLoc带来的改进，与相应基线（即MoCo-v2）的比较如下： 面罩R-CNN R50-C4 1x ： 方法 时代 箱式AP 面罩AP 关联 MoCo-v2 200 38.9 34.1 -- MoCo-v2 800 39.3 34.3 -- InsLoc 200 39.5 34.5 关联 InsLoc 400 39.8 34.7 关联 面罩R-CNN R50-C4 2x ： 方法 时代 箱式AP 面罩AP 关联 MoCo-v2 200 40.7 35.6 -- Mo
Python-PyTorch配准监督提高人脸标定检测器精度的无监督方法
08-11
Supervision-by-Registration: An Unsupervised Approach to Improve the Precision of Facial Landmark Detectors
DualGAN: Unsupervised Dual Learning for Image-to-Image Translation
09-03
DualGAN: Unsupervised Dual Learning for Image-to-Image Translation
自监督-论文笔记（二）“Unsupervised Feature Learning via Non-Parametric Instance Discrimination”
transfer_ya的博客
11-17 239
论文：“Unsupervised Feature Learning via Non-Parametric Instance Discrimination”--2018CVPR 链接：论文链接 代码链接 摘要： 主要贡献： 方法： 内容： 结果： 思考：
对比学习综述
flyingluohaipeng的博客
01-05 3734
它们使用的代理任务是不一样的，有个体判别，有预测未来，还有多视角多模态它们使用的目标函数也不尽相同，有 NCE，有infoNCE，还有NCE的其它变体它们使用的模型也都不一样，比如说invariant spread用了一个编码器；Inst Disc用一个编码器和memory bank；CPC有一个编码器，还有一个自回归模型；CMC可能有两个甚至多个编码器它们做的任务从图像到视频到音频到文字到强化学习，非常的丰富多彩。目标函数都是用infoNCE或者infoNCE类似的目标函数去算的。
InstDisc 代码解读
qq_36627158的博客
11-06 1426
这里将解读代码最核心的部分：计算 loss和更新 memory bank 的部分。
论文阅读:Unsupervised Deep Learning by Neighbourhood Discovery
newworld123made的博客
12-11 972
Unsupervised Deep Learning by Neighbourhood Discovery 论文的idea Unsupervised Feature Learning via Non-Parametric Instance Discrimination提出将每一个sample看作一个instance，这样便可以learn出比较好的结果。这样即便是类别一致的instance也要被强制...
unsupervised learning of strctured representations via closed-loop
09-16
封闭回路的无监督学习结构化表示 封闭回路的无监督学习结构化表示是一种机器学习方法，旨在通过建立闭环反馈以自动地学习数据之间的结构化表示。在无监督学习中，我们通常没有标签的辅助信息，因此要求模型能够从...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值