deep learning
文章平均质量分 72
appron
这个作者很懒,什么都没留下…
展开
-
深度学习之神经网络优化方法
深度学习之神经网络优化方法原创 2022-08-22 11:33:22 · 545 阅读 · 0 评论 -
深度学习之过拟合和欠拟合
深度学习值过拟合和欠拟合原创 2022-08-19 22:34:53 · 899 阅读 · 0 评论 -
Le-Net、AlexNet、VggNet、googlenet、Resnet的发展与区别
Le-Net、AlexNet、VggNet、googlenet、Resnet的发展与区别原创 2022-08-18 21:40:48 · 1886 阅读 · 0 评论 -
分类、目标检测、语义分割、实例分割的区别转https://www.cnblogs.com/zxj9487/p/11154316.html
分类、目标检测、语义分割、实例分割的区别计算机视觉的任务很多,有图像分类、目标检测、语义分割、实例分割和全景分割等,那它们的区别是什么呢?1、Image Classification(图像分类)图像分类(下图左)就是对图像判断出所属的分类,比如在学习分类中数据集有人(person)、羊(sheep)、狗(dog)和猫(cat)四种,图像分类要求给定一个图片输出图片里含有哪些分类,比如下图的例子是含有person、sheep和dog三种。2、Object detection(目标检测)..转载 2022-05-30 22:08:45 · 266 阅读 · 0 评论 -
CV,NLP等计算机领域顶会顶刊代码
1.CVPRhttps://github.com/extreme-assistant/CVPR2021-Paper-Code-InterpretationCVPR2021:https://github.com/extreme-assistant/CVPR2021-Paper-Code-Interpretation/blob/master/CVPR2021.mdCVPR2020:CVPR2021-Paper-Code-Interpretation/CVPR2020.md at master · e原创 2021-10-04 19:39:13 · 1206 阅读 · 0 评论 -
开放集识别的最新进展总结(源于Recent Advances in Open Set Recognition: A Survey)
摘要:在现实的识别/分类任务中,由于受到各种客观因素的限制,在训练一个识别器或分类器时,通常很难收集到训练样本来涵盖所有的类。更现实的情况是开放集识别(open set recognition, OSR),在训练时存在对世界不完整的知识,测试时可以将未知的类提交给算法,这就要求分类器不仅要对可见的类进行准确的分类,还要有效地处理不可见的类。本文提供了对现有开放集识别技术的全面调查,涵盖了从相关定义、模型表示、数据集、评估标准和算法比较等各个方面。此外,我们还简要分析了OSR与零样本、一次样本(少样本)识别/原创 2021-06-07 22:09:44 · 9823 阅读 · 1 评论 -
Few-Shot Open-Set Recognition using Meta-Learning
解决的问题:在少样本情形下的开放集识别(=少样本分类+开放集识别)。与其他识别任务的区别如下为什么要解决这个问题:1)首先,开放集识别在所有设置下都是一个挑战。在少样本的训练模式下训练的识别器面对看不见的类别的可能性并不低。因此,支持少样本的开放式识别技术比不支持的开放式识别技术更有用。2)其次,少样本开放集识别由于缺少标记数据,比大规模开放集识别更难解决。因此,少样本设置对开放集识别的研究提出了更大的挑战。3)第三,和开放集识别一样,少样本识别的主要挑战是对训练中看不到的数据做出准确的判定。由于这原创 2020-07-19 15:48:52 · 1219 阅读 · 0 评论 -
Toward Open Set Recognition
摘要解读1.到目前为止,在计算机视觉中,几乎所有基于机器学习的识别算法的实验评估都采用了封闭集识别的形式,即在训练时已知所有测试类。对于视觉应用来说,一个更现实的场景是开放集识别,在训练时存在不完整的世界知识,在测试时未知的类可以提交给算法。解读:陈述背景,指明为什么要进行开放集识别。2.本文探讨了开集识别的性质,并将其定义形式化为约束最小化问题。解读:将开放集识别定义为经验风险+开放空间风险最小化问题3.现有算法不能很好地解决开放集识别问题,因为它需要很强的泛化能力。作为解决方案的一个步...原创 2020-07-14 21:31:33 · 2120 阅读 · 3 评论 -
OLTR Large-Scale Long-Tailed Recognition in an OpenWorld
《Large-Scale Long-Tailed Recognition in an OpenWorld》Ziwei Liu1;2 Zhongqi Miao2 Xiaohang Zhan1 Jiayun Wang2 Boqing Gong2y Stella X. Yu20摘要:真实世界的数据通常有一个长尾和开放式的分布。一个实际的认知系统必须对多样本类别和少样本类别进行分类,从少数已知的事例中归纳,对于从未见过的事例中识别为新事物。我们将开放长尾识别(OLTR)定义为从自然分布的数据中学习,并在包翻译 2020-07-07 00:00:14 · 2217 阅读 · 0 评论 -
数据预处理——特征值预处理
对于连续属性:1.归一化 x=(x-min(X))/(max(X)-min(X))对于离散属性:1.序关系 如身高的高、中、低分别转化为 1,0.5,02.非序关系 如是否购买苹果、梨、香蕉 可以转化为 (1,0,0),(0,1,0),(0,0,1)...原创 2019-11-25 20:06:01 · 485 阅读 · 0 评论 -
infoGAN阅读
Abstract:本文介绍了InfoGAN,它是一种对生成对抗网络的信息理论扩展,能够以完全无监督的方式学习特征分离表示。 InfoGAN也是一个生成对抗网络,最大化潜在变量的一小部分与观察(生成)结果之间的相互信息。我们得出可以有效优化的互信息目标的下限。 具体来说,InfoGAN成功地将MNIST数据集上的数字形状的写作风格,3D渲染图像的照明姿势,以及SVHN数据集中央数字的背景分离。它原创 2017-06-08 15:47:51 · 4030 阅读 · 0 评论