![](https://img-blog.csdnimg.cn/20201014180756916.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
人工智能
夏季梦幻想
这个作者很懒,什么都没留下…
展开
-
Group-aware Contrastive Regression for Action Quality Assessment
arXiv:2108.07797v1 [cs.CV] 17 Aug 2021思路根据样本和参考视频的相关性来提供重要的线索(因为同一个数据集的视频变化很小),以至于更准确的进行动作质量评估。使用一个Contrastive Regression (CoRe) 来成对的对比。尽管对比回归框架可以预测相对分数∆s,∆s通常取值范围很广(例如,对于潜水,∆s∈[−30,30])。因此,直接预测∆s仍然是一个很大的困难,因此提出一个group-aware regression tree将传统的得分回归转换原创 2021-09-15 22:52:49 · 946 阅读 · 0 评论 -
Adversarial Attack
x0表示原图像,x表示噪声图像,目的是使得二者在满足d(x0,x)≤ϵ成立的情况下,真实标签与f(x)越远越好,如果是Targeted的AdversarialAttack则还要加上一个f(x)与ytargeted越小越好。x_0表示原图像,x表示噪声图像,目的是使得二者在满足d(x^0,x)\leq\epsilon成立的情况下,真实标签与f(x)越远越好,如果是Targeted的Adversarial Attack则还要加上一个f(x)与y^{targeted}越小越好。x0表示原图像,x表示噪声图.原创 2021-09-14 21:10:43 · 142 阅读 · 0 评论 -
深度学习代码复现及所遇问题解决办法笔记
打印的时候将省略的tensor全部展开显示: torch.set_printoptions(threshold=np.inf)优化器: optimizer = torch.optim.Adam([*i3d.parameters()] + [*evaluator.parameters()],lr=args.lr, weight_decay=args.weight_decay) optimizer = torch.optim.SGD([*i3d.parameters()] + [*evaluator..原创 2021-07-24 21:43:15 · 825 阅读 · 1 评论 -
深度学习笔记_tensorflow2.0_过拟合(二)
减少过拟合方法:交叉验证momentum动量调整k折交叉检验:正则化:原创 2020-02-17 15:34:09 · 188 阅读 · 0 评论 -
高动态成像及神经网络学习笔记
前向与反向传导算法神经网络的前向传导算法:定义神经网络的损失函数:反向传导算法:第二项为正则化项,也称权重衰减项,减小权重的幅度,防止过度拟合。梯度下降的单次迭代过程:梯度检验与高级优化就是要使得计算结果的梯度与其真是结果相近,对于每一个i检查下式是否相近多曝光融合:论文作者:Tom Mertens高斯金字塔:高斯金字塔是最基本的图像塔。首先将原图像作为最底层图像...原创 2018-12-04 00:13:43 · 1052 阅读 · 8 评论