- 博客(15)
- 收藏
- 关注
RSS订阅原创 行人重识别数据集生成算法
如果横过来看，每一行，使用的是相同的appearance code，我们使用老师-学生模型Lprim来挖掘相似的外表信息。而看每一列，虽然人换了不同的衣服，我们仍旧可以从中挖掘一些细粒度的信息如身材等，即Lfine。生成器，首先我们定义一个3D网络中的一个2D平面作为原始的基础平面Sori，我们分别旋转3d网络，并且继续随机选择一个二维投影作为一个新的平面Snew。一种为外表特征，一种为结构特征。生成不同颜色与纹理的行人图像数据，同时将其与行人重识别模型融合，同时提升行人生成的质量和行人重识别的精度。
2024-04-25 17:06:39
242
原创 【宝塔+Typecho+Cuteen搭建博客】建了个博客耶
1.以阿里云为例，登录阿里云后台，选择云服务器ECS 2.选择网络与安全中的安全组 3.选择配置规则 4.点击快速创建规则 5.填写规则信息 端口填 8888/8888，不要只填8888，会报错的，我就是犯了这个错误。Nginx 是一款高性能的 HTTP 网页服务器和反向代理服务器，它的执行效率极高，配置相比 Apache 也较为简单，所以在短时间内被国内外很多大型公司所采用，大有取代 Apache 的势头（目前还是以 Apache 为主流的）。
2024-01-26 17:23:55
920
2
原创 HuggingFace中Transformers库
自回归就是预测下一个词，自编码就是还原出本身，seq2seq比如机器翻译摘要等从一个文本序列到另一个。我是CV领域的，但最近在做多模态，感觉必须了解一下NLP领域啊，推荐B站学习视频。HuggingFace中提供了很多的NLP的。用户可以按照自身任务需求从下载部署模型。
2024-01-22 22:21:42
389
原创 LIMoE：稀疏化专家混合模型（Sparse Mixture-of-Experts Models）
它们在模型内部设置了很多“专家”，每个“专家”只需处理对应部分的输入，根据任务情况按需使用“专家”就好，但也不是完全割裂开来，模型内部仍有可共享的部分。这里的“专家”，也就是模型内部的不同子模型。缺点：任务太多时不如针对每个任务训练一个模型，又或者随着新任务的增加而导致模型对之前任务的作用效果变差，从而表现出灾难性遗忘现象。不是对每个输入都使用模型的每个部分进行处理，而是采用条件计算学习将输入路由到巨大网络中的不同“专家”处。优点：“专家”在专注于不同的任务或数据类型时，仍然可以使用模型的共享部分。
2024-01-22 16:12:55
497
原创 扩散模型Diffusion Model
扩散模型的灵感来自于非平衡热力学。他们定义了一个扩散步骤的马尔可夫链，慢慢地向数据中添加随机噪声，然后学习反向扩散过程，从噪声中构建所需的数据样本。与VAE或流动模型不同，扩散模型的学习过程是固定的，潜在变量具有高维性(与原始数据相同)。
2023-03-03 16:11:32
605
原创 Kaggle 上传数据集报错 maximum number of processes (1000) 上传数据集文件数超出1000
Kaggle 上传数据集报错 maximum number of processes (1000) 上传数据集文件数超出1000；若还是报错，说上传出错，可能是本天多次上传被限
2022-11-12 10:41:41
1169
原创 【深度学习中常出现的参数与术语】
batchsize：一批的大小。即每一次训练在训练集中取batchsize个样本训练；iteration：1个iteration等于使用batchsize个样本训练一次；epoch：1个epoch等于使用训练集中的全部样本训练一次；-----------------------------------------增大batchsize的好处有三点：内存的利用率提高了，大矩阵乘法的并行化效率提高。 跑完一次epoch(全数据集)所需迭代次数减少，对于相同的数据量的处理速度进一步加快。.
2022-05-06 16:10:52
1592
转载 【cycleGAN代码学习笔记】
cycleGAN是一种由Generative Adversarial Networks发展而来的一种无监督机器学习，是在pix2pix的基础上发展起来的，主要应用于非配对图片的图像生成和转换，可以实现风格的转换，比如把照片转换为油画风格，或者把照片的橘子转换为苹果、马与斑马之间的转换等。因为不需要成对的数据集就能够转换，所以在数据准备上会简单很多，十分具有应用前景。
2022-05-06 15:58:19
837
原创 【Unsupervised Image-to-Image Translation with Generative Prior 生成性先验引导的无监督的图像转换 (GPUNIT) 】 阅读笔记
尽管图像转换有了发展，但要实现巨大的视觉差异还是较为困难。本文提出一个新框架，可以用先验引导的无监督的图像转换。Generative Prior guided UNsupervised Image-to-image Translation (GPUNIT)。实现提升图像转换算法的质量与适用性。...
2022-05-06 11:34:43
3068
原创 【GAN实战项目：DCGAN in Tensorflow生成动漫人物头像】代码学习
DCGAN in Tensorflow生成动漫人物头像，DCGAN的原理和GAN是一样的，只是把G和D换成了两个卷积神经网络（CNN）。但不是直接换就可以了，DCGAN对卷积神经网络的结构做了一些改变，以提高样本的质量和收敛的速度。对DCGAN in Tensorflow生成动漫人物头像的代码中出现的问题进行修改。
2022-05-02 22:58:55
3477
1
原创 【Image Processing Using Multi-Code GAN Prior 多码先验GAN】学习笔记
为了恢复目标图像而寻找合适的噪音空间z，image->z；使用给定做逆映射的GAN模型，将噪声z生成多个特征图（映射到生成器G中的某个中间层）；计算生成的多个特征图的重要系数，并组合生成目标图像
2022-04-28 01:09:31
2519
原创 【Large Scale Adversarial Representation Learning 大规模对抗学习(BigGAN) 】学习笔记
BigGAN 在 SAGAN 的基础上架构模型，同样采用 Hinge Loss、BatchNorm 和 Spectral Norm 和一些其它技巧。新思路： Batch size 的增大、“截断技巧”和模型稳定性的控制。
2022-04-27 19:00:01
617
原创 【Generative Adversarial Nets 生成对抗网络(GAN) 】学习笔记
生成模型（造假者）：抓住整个数据的分布，对分布进行建模；尽量使得数据分布靠近，尽量使辨别模型犯错。一个多层神经网络MLP，输入随机的噪音，MLP把产生噪音的分布（常为一个高斯分布）映射到想要去拟合的目标分布。辨别模型（警察）：判别模型是真实数据还是生成数据也为一个多层神经网络MLP。最后目标：生成模型生成的数据让判别模型无法分出真假，生成真实一样的数据...
2022-04-26 00:16:01
3006
2
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