AI
文章平均质量分 86
AI
BENULL
blog.benull.top
展开
-
[异常检测] Multi-timescale Trajectory Prediction for Abnormal Human Activity Detection
Multi-timescale Trajectory Prediction for Abnormal Human Activity Detection会议: WACV 2020论文:https://arxiv.org/abs/1908.04321代码:https://github.com/Rodrigues-Royston/Multi-timescale-Trajectory-Prediction-for-Abnormal-Human-Activity-Detection在本文中,提出了一个多时原创 2022-01-03 15:57:29 · 1693 阅读 · 0 评论 -
[异常检测] Regularity Learning via Explicit Distribution Modeling for Skeletal Video Anomaly Detection
Regularity Learning via Explicit Distribution Modeling for Skeletal Video Anomaly Detection单位: 上海交通大学、商汤、上海AI Lab论文地址:https://arxiv.org/abs/2112.03649基于像素的方法可以直接利用显式运动特征比如光流,但基于姿态的方法缺乏运动表示。本文提出了一种新的Motion Embedder (ME),从概率角度提供姿态的运动表示。此外,还采用了一种新的特定任务的S原创 2021-12-29 21:17:40 · 1531 阅读 · 0 评论 -
[异常检测] Learning Memory-guided Normality for Anomaly Detection
Learning Memory-guided Normality for Anomaly Detection单位:Yonsei University会议:CVPR 2020论文地址:Learning Memory-guided Normality for Anomaly Detection代码地址:https://github.com/cvlab-yonsei/MNAD基于CNN方法的一个缺点就是没有考虑正常样本的多样性,CNNs的能力太强,对于输入是异常的视频帧样本,也能重建的像异常视频帧,原创 2021-12-28 21:56:44 · 2342 阅读 · 2 评论 -
A Hierarchical Spatio-Temporal Graph Convolutional Neural Network for Anomaly Detection in Videos
A Hierarchical Spatio-Temporal Graph Convolutional Neural Network for Anomaly Detection in Videos单位:北京航空航天大学会议:TCSVT论文地址:arxiv提出的Spatio-Temporal Graph Convolutional Neural Network (HSTGCNN) 由多个分支组成,这些分支对应于不同级别的图表示。高阶图表示编码人的轨迹和多个人之间的交互,而低阶图表示编码每个人的局部身原创 2021-12-27 19:08:16 · 1220 阅读 · 0 评论 -
[异常检测] Graph Embedded Pose Clustering for Anomaly Detection
Graph Embedded Pose Clustering for Anomaly Detection会议:CVPR 2020单位:Tel-Aviv University, Alibaba Group论文:arxiv代码:code创新从输入视频序列计算得到人体姿态图,之后通过时空图卷积自编码器和聚类将这些姿态图映射到隐空间提出了两种粒度的异常检测粗粒度,指定某类行为是正常其余为异常行为(ShanghaiTech Campus数据集上)细粒度,指定某类行为为异常其余非异常行为 (NTU原创 2021-12-22 20:47:27 · 1741 阅读 · 0 评论 -
[异常检测]Learning Regularity in Skeleton Trajectories for Anomaly Detection in Videos
Learning Regularity in Skeleton Trajectories for Anomaly Detection in Videos单位: Deakin University会议: CVPR 2019论文地址: arxiv代码: skeleton_based_anomaly_detection问题该问题的挑战性在于缺乏人的监督和视频事件中人类可感知异常的定义很模糊。其中基于像素的特征受噪音影响大,掩盖了场景中的重要信息,更进一步,这些特征中存在的冗余信息增加了训练模型去原创 2021-12-21 19:01:19 · 570 阅读 · 0 评论 -
[异常检测]EXPLAINABLE DEEP ONE-CLASS CLASSIFICATION
[异常检测]EXPLAINABLE DEEP ONE-CLASS CLASSIFICATION会议: 2021 ICLR论文: https://openreview.net/forum?id=A5VV3UyIQz.代码:https://github.com/liznerski/fcdd创新点因为用于异常检测的深度单分类方法学习映射将正常样本集中在特征空间而将异常样本映射出去。由于这样的变换是非线性的,所以很难去解释。于是这篇文章提出了全卷积数据描述(FCDD),是对DSVDD的一种修改,使变换原创 2021-12-16 22:46:33 · 1799 阅读 · 0 评论 -
推荐系统模型之DIN
推荐系统模型之DINDeep Interest Network(DIN)由阿里妈妈的精准定向检索及基础算法团队在2017年6月提出。 它针对电子商务领域(e-commerce industry)的CTR预估,重点在于充分利用/挖掘用户历史行为数据中的信息。论文地址主要思路针对问题第一个问题是目前很多推荐系统模型,都是以 Embedding & MLP 的方法结合,这种方法相对传统机器学习有较好的效果提升,但是存在一些缺点用户的兴趣通常是多种多样的,而 Embedding &原创 2021-09-16 17:42:12 · 809 阅读 · 1 评论 -
推荐系统模型之DeepFM
推荐系统模型之DeepFMDeepFM: A Factorization-Machine based Neural Network for CTR Prediction是华为和哈工大在2017发表的论文,在Wide&Deep结构的基础上,使用FM取代Wide部分的LR,不需要再做复杂的特征工程,可以直接把原始数据输入模型。主要思路DeepFM=DNN+FM因子分解机(Factorization Machines,FM),具有自动学习交叉特征的能力,避免了Wide & Deep模型中浅原创 2021-09-12 15:14:21 · 358 阅读 · 0 评论 -
推荐系统模型之Wide&Deep
推荐系统模型之Wide&DeepWide&Deep 简称WDL,是2016年Google 发表得一篇论文《Wide & Deep Learning for Recommender Systems》提出的推荐框架。Wide&Deep 模型由单层的 Wide 部分和多层的 Deep部分组成。这样的组合使得模型兼具了逻辑回归和深度神经网络的优点,能够快速处理并记忆大量历史行为特征, 并且具有强大的表达能力, 不仅在当时迅速成为业界争相应用的主流模型, 而且衍生出了大量以Wide原创 2021-09-09 21:14:57 · 275 阅读 · 0 评论 -
10路监控视频行为识别——展示界面
MonitoringPanel使用opencv-python或ffmpeg方式实时读取10路网络摄像头rtsp视频流,请求后端行为识别模型,返回行为识别结果包括骨架、包围盒进行展示,该项目为前端展示部分依赖pyqt5opencv-pythonffmpeg-python文件结构├── App.py 主入口├── Controller.py 后端交互文件├── UiWindow.py 界面文件├── Util.py 骨架绘制文件└── VideoC原创 2021-09-02 14:35:20 · 884 阅读 · 0 评论 -
基于Q-Learning 的FlappyBird AI
基于Q-Learning 的FlappyBird AI在birdbot实现的FlappyBird基础上训练AI,这个FlappyBird的实现对游戏进行了简单的封装,可以很方便得到游戏的状态来辅助算法实现。同时可以显示游戏界面方便调试,能够看到算法实现的效果。也可以选择关闭游戏界面以及声音,这样游戏仍然能正常运行,一般用于训练阶段,可以减少CPU的占用实现参考的是SarvagyaVaish的Flappy Bird RLQ-LearningQ-Learning是强化学习算法中value-based的算原创 2020-12-27 03:57:05 · 1664 阅读 · 1 评论 -
强化学习简介
强化学习(Reinforcement Learning,RL)是机器学习中的一个领域,是学习做什么(即如何把当前的情景映射成动作)才能使得数值化的收益最大化,学习者不会被告知应该采取什么动作,而是必须自己通过尝试去发现哪些动作会产生最丰厚的收益强化学习同机器学习领域中的**有监督学习**和**无监督学习**不同,有监督学习是从外部监督者提供的带标注训练集中进行学习(任务驱动型),无监督学习是一个典型的寻找未标注数据中隐含结构的过程(数据驱动型)强化学习是与两者并列的第三种机器学习范式,强化学习带来了原创 2020-12-27 02:36:48 · 4211 阅读 · 2 评论 -
K-means聚类算法
聚类试图将数据集中的样本划分为若干个通常是不相交的子集, 每个子集称为一个“簇”(cluster)通过这样的划分, 每个簇可能对应于一些潜在的概念(类别), 需说明的是, 这些概念对聚类算法而言事先是未知的, 聚类过程仅能自动形成簇结构, 簇所对应的概念语义需由使用者来把握原创 2020-11-25 18:32:41 · 471 阅读 · 0 评论 -
[机器学习] 支持向量机(SVM)
机器学习svn间隔核方法核间隔原创 2020-11-06 16:25:36 · 228 阅读 · 0 评论 -
[机器学习] 分类算法评估指标
分类算法评估指标精度(Accuracy)召回率精准率AUCROCPR原创 2020-11-05 14:21:35 · 833 阅读 · 0 评论 -
[机器学习] 集成学习
集成学习 bagging boosting adaboost 随即森林 stacking原创 2020-10-30 12:51:05 · 245 阅读 · 0 评论 -
[机器学习]决策树
决策树ID3C4.5CART基尼指数信息熵信息增益原创 2020-10-28 23:14:41 · 151 阅读 · 2 评论 -
k-近邻算法(KNN)
k-近邻算法k近邻( k -Nearest Neighbor, kNN)是一种监督学习原创 2020-10-20 00:18:08 · 232 阅读 · 0 评论 -
使用Dockerfile创建Ubuntu+Pytorch+CUDA 镜像
使用Dockerfile创建Ubuntu+Pytorch+CUDA 镜像DockerNVIDIA Container Toolkit原创 2020-07-02 23:51:29 · 3090 阅读 · 2 评论 -
在docker中使用pytorch时共享内存问题
ERROR: Unexpected bus error encountered in worker. This might be caused by insufficient shared memory (shm)PyTorch的IPC会利用共享内存,所以共享内存必须足够大原创 2020-06-16 13:54:00 · 3180 阅读 · 0 评论 -
[PyTorch练手]使用CNN图像分类
使用CNN图像分类在4*4的图片中,比较外围黑色像素点和内圈黑色像素点个数的大小将图片分类原创 2020-06-15 20:22:32 · 2684 阅读 · 12 评论 -
构建基于Spark的推荐引擎(Python)
构建基于Spark的推荐引擎(Python)在学习Spark机器学习这本书时,书上用scala完成,自己不熟悉遂用pyshark完成,更深入的理解了spark对协同过滤的实现。原创 2017-12-19 18:18:07 · 1142 阅读 · 0 评论