- 博客(5)
- 收藏
- 关注
原创 SimCLR 论文阅读
SimCLR原文链接1. 导读 :这篇文章通过严密的实验设计,系统的探究出了学习出一个好的对比学习的网络的一些必要因素。在本篇文章中,有以下三点:Data argumentation 数据增强起到了至关重要的作用对比学习的损失函数和非线性映射也有很重要的影响更大的batch size和更多的迭代步骤能让对比学习的模型效果更好。(换句话说是不是说明收敛较慢呢?)通过利用本文中实验验证的一些因素,作者设计出了一个新的对比学习的模型,称为SimCLR。通过在ImageNet上使用SimCLR进行自监
2021-03-13 17:21:32 1996
原创 SimCLR v2 论文阅读
SimCLR v2 论文阅读Big Self-Supervised Models are Strong Semi-Supervised Learners前言:这篇文章通过把NLP领域上的 大规模数据集上预训练+任务导向的微调 的思路应用到了CV领域,通过在ResNet上使用文章中设计的训练方法,仅通过少量的有标记的数据集进行调整,就超过了完全使用所有标记的数据集的模型的准确率。0. 摘要One paradigm for learning from few labeled examples while
2021-03-12 21:49:19 759
原创 论文阅读-目标检测损失函数GIoU,DIoU,CIoU
目标检测损失函数GIoU,DIoU,CIoUGIoU论文链接DIoU和CIoU论文链接1. GIoU1.1. 问题提出1.1.1. 范数损失的缺陷在GIoU之前,主要是以IoU或者lnnorml_n normlnnorm作为损失函数的,而这些损失函数实际上是不够精细的。也就是说,即使观感上的差距很大,损失的值也会相同。以giou论文里举出的(a)图为例:此时以l2norml_2norml2norm作为损失函数(也就是两对点之间的欧氏距离),为了简便起见,固定一个点不动(假设是左下角的点不
2020-12-23 21:15:33 7641
原创 FAIR开源框架detectron2代码解析
detectron2框架解析0. 简介1. 从demo开始管中窥豹1.1 开始使用1.2 demo.py代码解析1.2.1 结构解析1.2.2 加载过程解析1.2.2.1 命令行参数加载1.2.2.2 logger加载1.2.2.3 模型配置加载1.2.2.4 模型生成1.2.2.5 总结1.2.3 图片处理代码解析1.2.3.1 读取函数1.2.3.2 执行预测1.2.3.3 记录结果与可视化1.2.3.4 总结1.3 从demo迁移到自己的功能1.3.1 功能简介1.3.2 功能分析1.3.3 功能实现
2020-12-02 13:54:35 2505
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