- 博客(24)
- 收藏
- 关注
原创 DETR论文笔记
文章提出一种基于Transformer架构的目标检测框架,并表现出了和Faster RCNN相当的性能。利用Encoder-Decoder结构简化了检测流程,并在此基础上提出一种集合的全局损失,通过二部匹配实现唯一预测。它的流程为:给定Quary学习对象集,DETR推理学习对象与全局的上下文关系,并行输出最终预测集。二分图匹配(bipartite matching):图的顶点可以分为两个集合,每条边应对的顶点分别属于这两个集合,G=[V,E],结点集合V可以分割为互不相交的子集(V1,V2)。
2023-05-18 21:38:49 309 2
原创 GCN学习笔记_01
点:特征(人、实物…)边:联系/关系(特征)图:全局特征图神经网络的目标:整合特征、重构点边和图。首先就需要进行embedding输出结果:点分类回归、边分类回归、图的分类回归。
2023-04-01 18:27:41 404
原创 U-Net论文笔记
U-Net 架构在非常不同的生物医学分割应用中取得了良好的性能。由于数据增强算法的使用,使得很少数据的图像就可以实现较好的分割效果。
2023-03-12 20:11:58 121
原创 RCNN论文阅读笔记
R-CNN论文阅读背景:R-CNN作为经典的目标检测网络算法,论文标题为:《Rich feature hierarchies for accurate object detection and semantic segmentation》即高准确度的目标检测与语义分割的一种神经网络。论文发布于2014年,是two-stage的开山经典之作。与ImageNet一同开启了计算机视觉人工智能第二个十年。后续的包括SPP-Net、Fast-RCNN等都是基于此。一、前言与介绍传统目标检测达到
2022-02-11 22:28:07 570
原创 第三章 Tensorflow2.0高级操作
一、合并分割tf.concat()函数:张量拼接函数a = tf.ones([4,2,3])b = tf.ones([2,2,3])c = tf.concat([a,b],axis=0)print(c.shape) #Tensorshape([6,2,3])tf.stack()函数:创造新的维度d = tf.stack([a,b],axis=0) #注:stack必须所有维度相等#Tensorshape([2,4,2,3])tf.unstack()函数:分..
2021-08-29 21:44:11 98
原创 第二章 Tensorflow基础
一、Tensor 标量scalar:1.1 向量vector:[1.1],[1.1,2.2,...] 矩阵matrix:[[1.1,2.2],[1.1,2.2]] 张量tensor:rank>2 张量是基于向量和矩阵的推广,可以将标量看为零阶张量,矢量看做一阶张量,矩阵看做二阶张量。 目录一、Tensor二、数据类型分类三、创建tensor四、Tensor的索引与切片五、维度变换六、基本的运算二、数据类型分类TF.
2021-08-29 18:13:48 178
原创 TF2实战-回归问题
TF2实战-回归问题一、回归算法模型找到参数w’与b’//linear regression 模型(wX+b-Y)^2loss=sum(w*xi+b-yi)^2minimize lossw’*x+b’-> y//梯度下降x’ = x-0.005*(dy/dx) //x沿着函数值下降的方向移动w’ = w-lr*(dy/dw)//loss下降的方向就是y’->y的方向loss=sum(wxi+b-yi)^2w’ = w-lr(dloss/dw) // dL/dw = 2
2021-08-27 10:17:34 144
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