深度学习
文章平均质量分 81
深度学习
Lil Wing
邮箱:lil_wing@qq.com
展开
-
深度学习理论知识二十问
1、What are representation and representation learning meaning? 在深度学习领域内,表示是指通过模型的参数,采用何种形式、何种方式来表示模型的输入观测样本X。 表示学习指学习对观测样本X有效的表示。表示学习是学习一个特征的技术的集合:将原始数据转换成为能够被机器学习来有效开发的一种形原创 2021-06-21 16:42:47 · 416 阅读 · 0 评论 -
Python实现深度学习经典问题
实验一:Perceptron(感知机)1.实验要求 Define a two-class problem, including 30 positive data and 30 negative data. Write the code of perceptron using Python.2.实验过程  原创 2021-04-05 19:50:42 · 1184 阅读 · 2 评论 -
CS231n 斯坦福李飞飞视觉识别课程
第三讲:损失函数和优化课时7 损失函数损失函数的引入: 课时6线性分类过程中我们得到不同W下的10个数字评分,如果用肉眼观察我们可以看出哪些W得出的评分效果更好,但是为了节约时间和精力我们不想用肉眼来看,我们想要写一个函数来自动决定哪些W是最优的,这个函数就是损失函数.损失函数的使用: 把W当做输入,然后看一下分数,定量地估计W的好坏.优化: 在损失函数定量分析出哪些W是好的情况下,我们要...原创 2019-03-22 10:10:47 · 2059 阅读 · 0 评论 -
深度学习:算法到实战
本文是学习专知课程《深度学习:算法到实战》的个人笔记。原创 2021-02-13 23:56:57 · 484 阅读 · 0 评论 -
深度学习Pytorch代码教程
代码练习需要使用谷歌的 Colab,它是一个 Jupyter 笔记本环境,已经默认安装好 pytorch,不需要进行任何设置就可以使用,并且完全在云端运行。使用方法可以参考 Rogan 的博客:https://www.cnblogs.com/lfri/p/10471852.html 国内目前无法访问 colab,可以安装 Ghelper: http://googlehelper.net/1 图像处理基本练习 &原创 2021-03-01 13:24:06 · 359 阅读 · 0 评论 -
图像分类任务实战
本文基于AI研习社发布的“图像场景分类挑战赛”完成,主要是从一个小白如何去将一个图像分类的任务用代码跑起来的角度写的,也是自己的一个学习过程。 图像场景分类挑战赛:https://god.yanxishe.com/97?from=god_home_list拿到比赛题目时,首先做以下几点观察:首先分析一下这个任务:就是一个将一些风景图片正原创 2021-03-04 09:53:09 · 528 阅读 · 0 评论 -
Residual Attention Network for Image Classification(CVPR 2017)详解
一、Residual Attention Network简介 这是CVPR2017的一篇paper,是商汤、清华、香港中文和北邮合作的文章。它在图像分类问题上,首次成功将极深卷积神经网络与人类视觉注意力机制进行有效的结合,并取得了远超之前网络结构的准确度与参数效率。仅用与ResNet-50相当的参数量和计算量就得到...原创 2019-05-04 19:16:09 · 3192 阅读 · 0 评论 -
SENet:Squeeze-and-Excitation Networks(CVPR 2018)详解
一、SENet简介 Squeeze-and-Excitation Networks(SENet)是由自动驾驶公司Momenta在2017年公布的一种全新的图像识别结构,它通过对特征通道间的相关性进行建模,把重要的特征进行强化来提升准确率。这个结构是2017 ILSVR竞赛的冠军,top5的错误率达到了2.251%,比2016年的第一名还要低25%,可谓提升巨大。 &原创 2021-02-27 14:51:52 · 1360 阅读 · 0 评论 -
GINet:Graph Interaction Network for Scene Parsing(ECCV 2020)详解
论文地址:https://arxiv.org/pdf/2009.06160.pdf 一、背景 Scene Parsing 任务属于语义分割的一个分支,也是把每个像素点分成一个具体的语义类别,它和常见的语义分割的区别在于 Scene Parsing 任务的数据集里的类别分为 Object 和 Stuff 两种类别,Stuff 类别是背景类别,比如天空、草地这种形状不太固定的类别,而且这种数据集的类别一般也会比较多,比如 A原创 2021-03-04 11:04:38 · 863 阅读 · 2 评论 -
Class-wise Dynamic Graph Convolution for Semantic Segmentation(ECCV 2020)详解
论文地址:https://arxiv.org/pdf/2007.09690.pdf一、背景 近年来语义分割出现了很多利用上下文信息,也就是context information的一个方法,最具代表性的主要包括几种,作者总结的第一种是利用空洞卷积的ASPP模块的deeplab系列,第二种是利用金字塔池化的PSPNet,还有就是自注意力机制,代表工作包括DANet,CCNet,OCNet等等。二、动机 &nb原创 2021-03-07 19:34:34 · 1926 阅读 · 4 评论 -
Context-Aware Multi-View Summarization Network for Image-Text Matching(ACM MM 2020)详解
论文:https://dl.acm.org/doi/pdf/10.1145/3394171.3413961代码:https://acmmmcamera.wixsite.com/camera原创 2021-06-19 16:31:40 · 330 阅读 · 0 评论 -
Free Lunch for Few-shot learning:Distribution Calibration(ICLR 2021)详解
本文是个人在看完论文后做的PPT汇报。 大家好,我今天讲的论文是Free Lunch for Few-shot Learning:Distribution Calibration,发表在ICLR,还拿到了Oral。作者是悉尼科技大学的杨朔、刘璐等。这篇文章主要做的是Few-shot Learning,少样本学习,然后作者提出的方法是这个Distribution Calibration,分布矫正。原创 2021-02-07 11:12:09 · 1792 阅读 · 3 评论 -
Shuffle Transformer: Rethinking Spatial Shuffle for Vision Transformer(arXiv 2021)详解
论文地址:https://arxiv.org/pdf/2106.03650.pdf代码地址:https://github.com/speedinghzl/ShuffleTransformer原创 2021-06-20 19:26:13 · 598 阅读 · 0 评论 -
MixMo: Mixing Multiple Inputs for Multiple Outputs via Deep Subnetworks(ICCV 2021)详解
论文地址:MixMo: Mixing Multiple Inputs for Multiple Outputs via Deep Subnetworks代码地址:https://github.com/alexrame/mixmo-pytorch一、贡献提出了一种新的多输入多输出深度子网学习广义框架MixMo,MixMo 可以作为一种集成方法或一种新的混合样本数据增强方法进行分析,同时仍然与两种研究方向的工作保持互补。 不对称的混合也会造成网络特征中的信息不平衡的新问题,作者通过一个新的加权损.原创 2021-08-27 11:31:41 · 668 阅读 · 0 评论