语义补全学习笔记

已于 2024-08-31 16:02:13 修改
阅读量7.7w 收藏
点赞数 2
分类专栏： 深度学习基础 文章标签： 人工智能
于 2024-08-30 21:49:20 首次发布
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/jacke121/article/details/141726944
版权
AI算法网奇
关注
专栏目录
ChatGPT技术的知识扩展与语义补全方法研究.docx
08-24
ChatGPT技术的知识扩展与语义补全方法研究 ChatGPT技术是当前人工智能领域中的一种生成式对话模型，通过深度学习方法对海量数据进行训练，以生成与人类对话类似的文本。然而，ChatGPT模型在实际应用中仍然存在一些...
PHP学习笔记.rar
08-31
【PHP学习笔记】是作者四个月学习PHP过程中积累的个人笔记，主要涵盖了HTML基础、CSS基础以及PHP基础等核心内容。这些笔记对于初学者来说是非常有价值的资源，因为它们以小案例的形式展示了各种知识点，便于理解和...
学习HTML5过程笔记
03-19
"学习HTML5过程笔记" 本笔记涵盖了HTML5的基础知识点，包括HTML的基本概念、标签的使用、浏览器的渲染引擎、Web标准、HTML标签的构成、页面结构、列表标签、表格标签、表单标签、选择器、样式、布局案例等。 一、...
h5前端学习笔记
03-21
学习笔记通常包括了基础概念、关键特性、实用技巧以及常见问题的解决方法。 【标签】"h5"、"前端"、"学习笔记"进一步明确了内容的重点。"h5"即HTML5，是前端开发的核心；"前端"意味着这些笔记涉及的是用户可见和...
sam2 安装使用笔记
最新发布
jacke121的专栏
08-30 7万+
sam2 安装使用笔记
逻辑回归（Logistic Regression）通俗解释
jacke121的专栏
04-07 5万+
【机器学习】逻辑回归（Logistic Regression）注：最近开始学习《人工智能》选修课，老师提纲挈领的介绍了一番，听完课只了解了个大概，剩下的细节只能自己继续摸索。从本质上讲：机器学习就是一个模型对外界的刺激（训练样本）做出反应，趋利避害（评价标准）。1. 什么是逻辑回归？许多人对线性回归都比较熟悉，但知道逻辑回归的人可能就要少的多。从大的类别上来说，逻辑回归是一种有监督的统计学习方法...
OSError: [WinError 126] 找不到指定的模块/Could not find 'cudart64_90.dll'.
jacke121的专栏
02-11 1万+
OSError: [WinError 126] 找不到指定的模块/Could not find 'cudart64_90.dll'.原文：http://blog.csdn.net/wobeatit/article/details/79207196       之前一直在学深度学习的理论知识，今日心血来潮，突然想试试深度学习框架的使用，因为之前在学习卷积神经网络时，一直使用的都是python，于是此...
多通道卷积计算理解
jacke121的专栏
05-03 1万+
多通道卷积计算对于单通道图像，若利用10个卷积核进行卷积计算，可以得到10个特征图；若输入为多通道图像，则输出特征图的个数依然是卷积核的个数（10个）。 1.单通道多个卷积核卷积计算 一个卷积核得到的特征提取是不充分的，我们可以添加多个卷积核，比如32个卷积核，从而可以学习32种特征。2.多通道多个卷积核卷积计算 图片：假设图片的宽度为width:W，高度为height:H，图片的通道数为D，一般...
什么是全连接神经网络
jacke121的专栏
02-11 1万+
什么是全连接神经网络
卷积层输出大小计算
jacke121的专栏
02-05 1万+
假设 输入数据维度为W*W Filter大小 F×F 步长 S padding的像素数 P 可以得出 N = (W − F + 2P )/S+1 输出大小为 N×N
3*3卷积+1*3卷积+3*1卷积=白给的精度提升
jacke121的专栏
03-26 9996
ICCV2019: 通过非对称卷积块增强CNN的核骨架 下面要介绍的论文发于ICCV2019，题为「ACNet:Strengthening the Kernel Skeletons for Powerful CNN via Asymmetric ConvolutionBlocks」，axriv地址为：https://arxiv.org/abs/1908.03930v1。 由...
卷积层计算量(FLOPS)和参数量的计算
jacke121的专栏
07-28 9043
1.卷积参数量的计算，若卷积层的输入featuremap的维度为Cin×Hin×Win,卷积核的大小为K1×K2,padding=P1×P2,stride=S1×S2,卷积核(filter)的数量为Cout,则输出特征图的大小为Cout×Hout×Wout,其中： Hout=⌊(H−K1+2P1)/S1⌋+1 Wout=⌊(W−K2+2P2)/S2⌋+1 ⌊⋅⌋表示向下取整。 参数量的计算，由于卷积层共享参数的特性，做一次卷积只和输入通道数Cin,卷积核的大小K1和K2有关，而与输入高度Hin和..
Expected more than 1 value per channel when training, got input size torch.Size
jacke121的专栏
05-17 8892
Expected more than 1 value per channel when training, got input size torch.Size 简单说batch size必须大于1 2.网上查找的原因为模型中用了batchnomolization，训练中用batch训练的时候当前batch恰好只含一个sample，而由于BatchNorm操作需要多于一个数据计算平均值，因此造成该错误。 ...
安装MMCV和MMDET 2024
jacke121的专栏
04-16 8157
安装MMCV和MMDET pip install mmdet 自动安装mmcv win10上可以，服务器上没成功
目标跟踪数据集OTB、VOT下载
jacke121的专栏
10-01 8018
2018年08月26日 12:07:10 博博有个大大大的Dream 阅读数：361 标签： 目标跟踪数据集OTBVOT 更多 个人分类： 原创文章 版权声明：本文为博主原创文章，未经博主允许不得转载。 https://blog.csdn.net/qq_17783559/article/details/82079220 1、OTB50和OTB100数据集官方下载地址： http://cvl...
分组卷积
jacke121的专栏
05-09 7780
Pytorch的分组卷积 新代小新 2019-09-18 16:40:17 488 收藏 1 展开 最近使用pytorch的时候遇到nn.Conv2d和F.conv2d中的groups参数设置问题，查阅了一些相关资料发现网上的回答并不是很清晰明朗，所以自己写一篇关于pytorch分组卷积的见解。 普通卷积 关于普通卷积的知识可以直接点击链接多通道RGB卷积。 分组卷积 分组卷积和普通卷积最大的不同就是卷积核在不同通道上卷积后的操作，在生成一个FeatureMap的前提下，普通卷积是在声明与i...
bn层学习笔记 卷积层和BN层融合
jacke121的专栏
05-20 7170
1. 为什么要合并BN层 在训练深度网络模型时，BN（Batch Normalization）层能够加速网络收敛，并且能够控制过拟合，一般放在卷积层之后。BN 层将数据归一化后，能够有效解决梯度消失与梯度爆炸问题。虽然 BN 层在训练时起到了积极作用，然而，在网络前向推断时多了一些层的运算，影响了模型的性能，且占用了更多的内存或者显存空间。目前，很多先进的网络模型（ResNet，MobileNet，Xception，ShuffleNet 等）都使用了BN技术，因此，我们有必要将 BN 层的参数合并到卷积.
transformer 语义补全
09-06
Transformer语义补全是通过使用Transformer模型来填补3D点云数据中缺失的语义信息。与全局Transformer不同，局部Transformer旨在实现局部patch而不是整个点云中的特征聚合。3D Transformer可以分为两个部分：全局Transformer和局部Transformer。全局Transformer将Transformer模块应用于所有输入点云以提取全局特征，而局部Transformer将Transformer模块应用于局部patch以提取局部特征。 3D Transformer可以分为两组：点对点（Point-wise）和通道对通道（Channel-wise）Transformers。此外，根据操作形式，点对点Transformers可以进一步分为点对点（Pair-wise）和面对面（Patch-wise）Transformers。点对点Transformers通过计算相应点云对的特征向量的注意力权重来提取特征，而面对面Transformers则结合了给定patch中所有点云的信息。 总而言之，Transformer语义补全是一种通过使用Transformer模型来填补3D点云数据中缺失的语义信息的方法。通过全局和局部Transformer的应用，可以提取全局和局部特征，进一步增强语义补全的效果。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *2* *3* [Transformer在3D点云中的应用综述（检测/跟踪/分割/降噪/补全）](https://blog.csdn.net/abcwsp/article/details/127433394)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 100%"] [ .reference_list ]
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

打赏作者

AI算法网奇

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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