文件夹66-CSDN博客

原创又一遍文本检测（一）（按时间倒序逐渐更新）

再次整理一波文本检测论文，前面写过的就不写了。这是一个目录TextBPNMotivationPipeline损失函数RSCAMotivationPipeline损失函数NASKMotivationPipelinePCRMotivationPipelineTextBPN论文全名：Adaptive Boundary Proposal Network for Arbitrary Shape Text Detection。发表在ICCV 2021。Motivation任意形状的文本检测是很具有挑战性的，作

2021-09-10 19:19:33 872

原创文本检测（二）Segmentation based

文章目录Scene Text Detection via Holistic, Multi-Channel Predictionpipelineground truthloss functioninferenceexperienmentLimitationsWordFence: Text Detection in Natural Images with Border AwarenessICIP 2017 WordFencepipelineground truthloss functionPixelLinkpi

2021-08-18 17:45:33 441

原创文本检测综述（一）regression based

个人总结的近几年基于深度学习方法的文本检测算法相关论文。文章目录概述CTPNpipelineground truthloss functioninferenceexperienmentEASTpipelineground truthscore mapgeometry maploss function分类损失几何损失RBOXQUADinferenceexperienmentLimitationsSegLinkpipelineground truthloss functioninferenceexperien

2021-08-17 21:15:54 556

原创关于EAST源码的某些填坑记录 ImportError: Python version mismatch: module was compiled for version 3.5

https://github.com/jmrf/EAST并没有说明需要make，注意在lanms文件夹下有一个makefile，需要进行make，生成adaptor.so。如果这一步没有成功生成，一般会出现以下几个错误：g++: error: unrecognized command line option ‘-fno-plt（这是因为makefile文件的参数要修改）ImportError: Python version mismatch: module was compiled for vers

2021-08-17 10:07:43 1898

原创编译faster rcnn或mask rcnn的extension问题

按照github的readme执行，一般会先运行build.py文件编译nms和roi pooling或roi align。但一般这一步都会出现一个问题：ImportError: torch.utils.ffi is deprecated. Please use cpp extensions instead网上其他的解决方案一般是：使用from torch.utils.cpp_extension import BuildExtension替换from torch.utils.ffi import c

2021-08-16 14:27:02 765

原创 Real-time Scene Text Detection with Differentiable Binarization

论文地址：Real-time Scene Text Detection with Differentiable Binarization又是白翔老师组的产出。tql这篇文章仍然是基于语义分割的文本检测算法。文章目录概述方法Differentiable binarizationlabel generation损失函数Inference概述目前，基于语义分割的方法很多，它们可以更准确地描述不同形状的文本。但是一般这些方法都会配有二值化的post processing，将概率的分割图转化为文本或者非文本

2021-08-13 11:15:10 319

原创 CRAFT

论文地址：Character Region Awareness for Text Detection文章目录方法总述训练产生ground truth弱监督学习Inference在处理具有挑战性的文本时，字符级意识有许多优势，可以通过自下而上的方式链接连续的字符。但目前大多数存在的文本数据集并没有提供字符级别的标注，因为这个工作代价非常大。方法总述由卷积神经网络产生字符region score和affinity score。region score用于定位图片中的单个字符，affinity score

2021-08-12 21:10:27 102

原创 PSE_简记

论文地址：Shape Robust Text Detection with Progressive Scale Expansion Network。文章目录摘要算法概述具体算法pipelineprogressive scale expansionlabel generationloss function摘要目前的文本检测有两个挑战：大多数的bounding box based文本检测器很难定位任意尺寸的文本，这些文本本身就很难用长方形完美地包围；大多数segmentation based文本检测

2021-08-12 14:49:23 178

原创 EAST_简记

论文地址：https://arxiv.org/abs/1704.03155，这篇文章发表于2017年。文章目录摘要贡献方法总体网络设计标签生成score map几何map损失函数score mapgeometry map摘要目前的文字检测算法在遇到一些具有挑战性的场景时，往往检测效果会大大降低，因为总体的效果需要依赖于整个pipeline的多个阶段和组件。而作者提到，这篇论文本身很简单但是非常高效，这个pipeline直接预测任意方向和四边形形状的单词或者文本行。贡献提出了一个场景文字检测的方法

2021-08-12 09:35:36 78

原创 Boltzmann machines and energy-based models

Boltzmann machines and energy-based modelsEBMEBMs简单的说，就是用一个标量——energy 来描述某个变量配置的好坏。在统计力学中，一般认为低能量值的状态比高能量值的状态发生的概率高，所以一般也会认为在EBMs中，真实的样本对应着低能量值，也对应着高的概率值。P(x)=e−E(x)ZP(x)=\frac{e^{-E(x)}}{Z}P(x)=Ze−E(x)其中Z=∫xe−E(x)dxZ=\int_x e^{-E(x)}dxZ=∫xe−E(x)dx

2021-06-14 16:33:01 173

原创 Contrastive Divergence

参考文献：[1] Training Products of Experts by Minimizing Contrastive Divergence[2] Training Restricted Boltzmann Machines using Approximations to the Likelihood Gradient[3]Training Products of Experts by Minimizing Contrastive Divergence阅读笔记Contrastive Dive

2021-05-26 13:18:38 191

原创论文翻译和解读 A Tutorial on Energy-Based Learning （四）

这篇博客是上篇博客的后续，主要是原文6、7、8章。目录6. Efficient Inference: Non-Probabilistic Factor Graphs6.1 EBMs versus Internally Normalized Models7. EBMs for Sequence Labeling and Structured Outputs7.1 Linear Structured Models: CRF, SVMM, and MMMN7.1.1 Perceptron Loss7.1.2 M

2021-05-13 13:56:20 292 1

原创论文翻译和解读 A Tutorial on Energy-Based Learning （三）

这篇博客是上篇博客的后续，主要是原文5章。目录5. Analysis of Loss Functions for Energy-Based Models5.1 "Good" and "Bad" Loss Functions5.2 Sufficient Conditions for Good Loss Functions5.3 Conditions on the Energy5.4 Suffient Conditions on the Loss Functional5.5 Which Loss are Go

2021-05-12 22:33:43 240

原创论文翻译和解读 A Tutorial on Energy-Based Learning （二）

这篇博客是上篇博客的后续，主要是原文2.2节。目录Examples of Loss FunctionsEnergy LossGeneralized Perceptron LossGeneralized Margin LossesHinge LossLog lossLVQ2 LossMCE LossSquare-Square LossSquare-ExponentialNegative Log-Likelihood LossMininum Empirical Error LossExamples of L

2021-05-06 10:20:25 372

原创论文翻译和解读 A Tutorial on Energy-Based Learning （一）

论文地址这篇论文提出了一个概念Energy-based Models（EBMs）。由于原文篇幅较多，将分成多篇博客进行学习。目录摘要1.简介1.1 Energy-Based Inference（基于能量的推断）1.2 这样一个模型可以回答什么问题呢1.3 Decision Making versus Probabilistic Modeling2.Energy-Based Training: Architecture and Loss FunctionDesigning a Loss Functiona

2021-05-02 16:01:52 1806

原创马尔可夫的各种模型 Markov chain HMM CRF

文章目录一览马尔可夫模型HMM什么时候可能会用到HMM相关定义举例观测序列的生成为什么HMM是生成模型HMM的3个基本问题MRF什么是随机场概率无向图（MRF）表示的随机变量之间存在的三个性质概率无向图（MFC）的因子分解CRF（条件随机场）什么时候可能会用到CRF线性链条件随机场（Linear-CRF）相关定义和参数化形式简化形式矩阵形式CRF的3个基本问题参考列表马尔可夫模型马尔可夫模型是用来描述状态之间随时间变化的模型。随机过程：假设随机变量XXX（可以是连续变量或离散变量）在时刻ttt时的状态

2021-04-29 23:00:17 1112

原创 Self-Supervised Graph Transformer on Large-Scale Molecular Data

相关资源论文：https://papers.nips.cc/paper/2020/file/94aef38441efa3380a3bed3faf1f9d5d-Paper.pdf代码：https://github.com/tencent-ailab/grover这篇文章发表于NIPS 2020，提出了一种借鉴Transformer的图神经网络，且涉及了两个自监督任务来预训练模型。整个模型称为GROVER。Motivation两个问题阻碍了GNNs在实际场景中的使用：带标签的分子数较少，远远不够用

2021-04-21 11:52:25 1211

原创 Graph-Bert: Only Attention is Needed for Learning Graph Representations

相关资源论文：http://www.ifmlab.org/files/paper/graph_bert.pdf代码：https://github.com/jwzhanggy/Graph-Bert这篇文章2020年发表于arXiv，借鉴了Transformer，提出一种仅使用注意力机制的图神经网络。Motivation主流的GNNs过度依赖图上的连接，导致了几个严重的性能问题：suspended animation problem：当模型深度到达一定上限时，网络将不会对训练数据相应；over-

2021-04-20 14:50:51 288

原创时序图神经网络（3）

2019论文5 DyREP: Learning Representation over Dynamic Graphs论文6 Attention Based Spatial-Temporal Graph Convolutional Networks for Traffic Flow Forecasting论文7 Variational Graph Recurrent Neural Networks论文8 Dynamic Graph Representation Learning via Self-attent

2021-02-07 21:16:14 1944 1

原创 No module named ‘torch_sparse‘ No module named ‘torch_scatter‘

直接pip install torch_sparse会失败解决办法：编译好的资源包网址：https://pytorch-geometric.com/whl/torch-1.5.0.html；先查看自己的cuda版本：print(torch.version.cuda)；去该网址中找到对应的资源包，比如我需要的torch_sparse：我需要的torch_scatter：下载后直接pip install name（name被替换为相应文件名字即可）...

2021-02-05 15:21:24 1528

原创时序图神经网络总结（2）

2018论文3 Spatial temporal graph convolutional networks for skeleton-based action recognition. AAAI 2018论文4 Diffusion Convolutional Recurrent Neural Network: Data-Driven Traffic Forecasting. ICLR 2018论文3 Spatial temporal graph convolutional networks for ske

2021-02-05 10:57:06 1073 2

原创时序图神经网络总结（1）

本系列是整理关于用图神经网络（特别是图卷积）来建模时序图数据的论文。2016-2017基本概念论文1 Structural Sequence Modeling with Graph Convolutional Recurrent NetworksMotivationMethodModel 1Model 2Result论文2 Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecast

2021-02-04 11:47:22 5738

原创异构图神经网络（5）Heterogeneous Graph Transformer

这篇文章发表在WWW2020，提出了动态异构图建模方法。HGTMotivation现在基于GNN来学习异构图的方法有以下几点问题：大多数方法，对于每一种异构图，都需要特定的领域知识来设计meta paths；他们有的简单假设节点/边的不同类别都共享着相同的特征空间，或者有的对于不同的类别，分别设置了权重，来让它们的特征向量被映射到同一特征空间中。作者认为这样不足以捕获异构图特性；大多数方法都忽略了异构图的动态特性。Contribution提出了依赖于边和节点类别的注意力机制，解决图的异

2021-02-02 13:43:41 2371 4

原创异构图神经网络（4）Graph Transformer Networks

Graph Transformer Networks这篇文章发表于NIPS 2019。Motivation最近关于异构图嵌入学习的方法都是设计meta-path，基于meta-path将异构图划分成多个同构图，然后再用传统的GNN处理同构图。这种two-stage的方法要求对于每个问题手动设计meta-paths，后续分析的准确性会因不同的meta-paths而受到影响。所以作者为了防止手动选择meta-paths不利于了模型效果，提出了自动学习meta-paths的方法。PreliminaryG=

2021-02-01 14:22:46 1587 2

原创异构神经网络（3）MAGNN: Metapath Aggregated Graph Neural Network for Heterogeneous Graph Embedding

MAGNN: Metapath Aggregated Graph Neural Network for Heterogeneous Graph Embedding这篇文章发表于WWW 2020。Motivation现在GNN（图神经网络）体系中先进的方法都假设输入是同构图，无法用于异构图的嵌入表示。现存的异构图嵌入方法都是基于meta-path的概念（具体概念可以参考前两篇异构神经网络论文），但这些方法都存在至少以下的一个问题：模型没有利用节点的内容信息特征，所以往往对于节点信息丰富的异构图，表现的

2021-02-01 11:54:50 1379

原创异构图神经网络（2）Heterogeneous Graph Neural Network

Heterogeneous Graph Neural Network是发表在KDD 2019的一篇文章，提出了HetGNN模型，采用LSTM进行节点级别的聚合，采用注意力机制进行语义级别的聚合。Motivation作者认为现在的网络几乎都没有同时考虑异构网络的结构信息以及每个节点的异构内容信息（大概就是属性的意思吧）。当前先进的GNNs并没有对异构图解决以下几个问题：很多异构图中节点也许并没有和其他所有类型的邻居节点，以及不同节点的邻居个数也许不同，这就有一个问题：C1：如何采样异构图中节点的邻居

2021-01-29 21:03:37 1623

原创异构图神经网络（1）Heterogenous Graph Attention Networks

Heterogenous Graph Attention Networks 这篇文章发表在WWW 2019会议上，主要是用了注意力机制来进行节点级别聚合和语义级别的聚合，从而提出了HAN模型。Motivation异构性和丰富的语义学信息对构建一个适用于异构图的图神经网络带来了挑战。目前虽然自注意力机制取得了很大的进步，但还没有将其应用于对异构图的建模。Introduction构建一个适用于异构图的带有注意力机制的图神经网络需要以下要求：异构图与生俱来的异构特性，图中有多种类型的节点和边，不同类型

2021-01-29 19:41:28 5340 1

原创机器学习（ML）学习教程（二）决策树原理及python实现

参考教程：https://github.com/apachecn/AiLearning/ 讲解的很详细。下面的篇幅包含我本人在学习期间学习的代码（参考了部分上述教程）Decision Tree这也是一个比较简单的机器学习算法，用于分类或回归（此处考虑的是分类）。其原理总结起来就是：根据训练数据构建一个用于分类的二叉树，对于测试数据，直接按照构造的二叉树来走到叶子节点（叶子节点表示类别信息）。所以现在分为下面几点介绍：结构决策树是一个类似于流程图的树结构：可以从图中看到，有三个要素：内部节点、分

2021-01-17 15:51:11 173

原创机器学习（ML）学习教程（一）KNN原理及python实现

参考教程：https://github.com/apachecn/AiLearning/ 内容添加链接描述很详细。KNN原理用一句话总结就是：当预测一个样本其label时，根据距离它最近的K个点的label来决定，如何决定呢：这K个点属于哪一个label最多，那这个被预测的样本就属于哪一类。所以其实就两个要素：1.K值 2.距离度量K值的选择：可以用交叉验证的方法确定距离度量的选择：欧式距离、曼哈顿距离等等KNN是很简单的一种方法，但需要和K-means算法区分：前者是分类算法（有监督

2021-01-15 20:53:02 259 1

原创记录一下从windows10 ubuntu双系统以及ubuntu16.04+nvidia455+cuda9.0+cudnn7.0+torch1.6.0

安装双系统的过程可谓是煎熬……（过了好几天居然已经忘了一些基本步骤了，所以下面就说说我想提醒的几点）1.下载ubuntu16.04的镜像（感觉这个版本用的人最多），点击这个可以获取。正常使用直接下载desktop就可以了，如果是做服务器就下载server版本的。2.磁盘分区要注意，虽然我已经装好了，我还是不太清楚网上哪个版本的说的对……有的直接在一个盘里分出100G左右分区，分别用来做\boot \home之类的，有的博主提醒要查看有几个，我主要依照这篇博客，讲的非常清楚呀，可以先过一遍流程再安装。

2020-10-28 09:34:08 312

原创 2020年（2021届计算机保研）（北航、国防科大、信工所、上科大、武大、哈深、哈工本部）

个人情况：本人本科华中地区中流985，排名7%上下（本院今年推免比例23%左右）。咸鱼一枚，科研经历无，只有少量比较水的比赛和项目，四六级550+。虽然从大一开始就打算保研，但一直对信息不够敏感，以至于在保研的时候没有充分复习更没有掌握好机会。经历过2020年计算机保研的应该都知道，保研形势严峻了很多。海王一堆，很多学校过初审的都是同一批人……所以，希望想要保研的计算机系学弟学妹们能记好以下几点：1.现在内卷化严重，可能有很多成绩高的人，但绩点排名超级超级重要，因为排名，华五的计院我在初审环节就凉了，

2020-10-02 19:06:06 4327 4

空空如也

空空如也