机器学习
文章平均质量分 79
ZZE15832206526
这个作者很懒,什么都没留下…
展开
-
PIX2SEQ: A LANGUAGE MODELING FRAMEWORK FOR OBJECT DETECTION
PIX2SEQ: A LANGUAGE MODELING FRAMEWORK FOR OBJECT DETECTION原创 2022-11-15 21:27:38 · 2507 阅读 · 1 评论 -
D2ETR: Decoder-Only DETR with Computationally Efficient Cross-Scale Attention
D2ETR原创 2022-11-09 10:46:45 · 548 阅读 · 1 评论 -
DN-DETR: Accelerate DETR Training by Introducing Query DeNoising
DN-DETR: Accelerate DETR Training by Introducing Query DeNoising原创 2022-10-31 10:33:55 · 761 阅读 · 0 评论 -
L-DETR: A Light-Weight Detector for End-to-End Object Detection With Transformers
L-DETR学习原创 2022-10-24 17:08:02 · 907 阅读 · 0 评论 -
Text Spotting Transformers
Text Spotting Transformers原创 2022-10-07 10:52:58 · 1533 阅读 · 0 评论 -
SPTS: Single-Point Text Spotting阅读笔记
SPTS:single-point text spotting原创 2022-10-03 15:19:20 · 1519 阅读 · 0 评论 -
Attentional Feature Fusion
AFF原创 2022-08-05 11:01:17 · 2003 阅读 · 0 评论 -
EPSANet: An Efficient Pyramid Split Attention Block on Convolutional Neural Network
EPSANet: An Efficient Pyramid Split Attention Blockon Convolutional Neural Network原创 2022-07-29 10:38:33 · 2060 阅读 · 1 评论 -
计算机视觉的顶刊顶会(转载)
国内:共同点:都是EI核心来源期刊;中国计算机学会参与主办是会刊;科学出版社出版发行;可接受8000-10000字左右的长文;稿量大,处理流程大多缓慢,应早投;国内众星捧月zzz《计算机学报》 http://cjc.ict.ac.cn/,月刊,中国计算机学会与中国科学院计算技术研究所主办,网站好像最近改版了,但功能有所欠缺。投稿方式: 网页登记然后Email投稿,中英文均可;初审后通知编号,邮寄打印稿二份及投稿声明等,审理费:150元。审稿周期:4个月左右。被拒的或录用的文章给出的原创 2022-05-20 16:46:50 · 1856 阅读 · 0 评论 -
A Text-context-aware CNN Network for Multi-oriented and Multi-language Scene Text Detection
提示:写完文章后,目录可以自动生成,如何生成可参考右边的帮助文档文章目录前言A Text-context-aware CNN Network for Multi-oriented and Multi-language Scene Text Detection摘要I. INTRODUCTIONII. RELATED WORKA. Scene Text DetectionB. Attention ModelIII. THE PROPOSED METHODA. Network DesignB. Text-Co.原创 2022-05-11 16:22:26 · 150 阅读 · 0 评论 -
Real-Time Scene Text Detection with Differentiable Binarization and Adaptive Scale Fusion
文章目录Real-Time Scene Text Detection with Differentiable Binarization and Adaptive Scale FusionAbstract1 INTRODUCTION2 RELATED WORK2.1 Text Detection2.2 Attention Mechanisms for Image Classification2.3 Multi-Scale Feature Fusion and Context Enhancement for S原创 2022-05-08 10:38:47 · 1353 阅读 · 3 评论 -
Learning to Predict Context-adaptive Convolution for Semantic Segmentation
文章目录Learning to Predict Context-adaptive Convolution for Semantic SegmentationAbstract1 Introduction2 Related Work3 Method3.1上下文自适应卷积核预测3.2空间变化的权重产生3.3全局池化和多头集成4 Experiments4.1 Implementation DetailsResultsConclusionLearning to Predict Context-adaptive C原创 2022-05-05 15:30:23 · 362 阅读 · 2 评论 -
论文学习-Segmenter: Transformer for Semantic Segmentation
目录一、Segmenter: Transformer for Semantic SegmentationAbstract1. Introduction一、Segmenter: Transformer for Semantic SegmentationAbstract图像分割在单个图像块的水平上往往是模糊的,需要上下文信息来达到标签的共识。本文介绍了一种用于语义分割的transformer模型。与基于卷积的方法相比,我们的方法允许已经在第一层和整个网络中对全局上下文进行建模。我们建立了最近的视觉转换器原创 2022-04-26 16:58:08 · 2209 阅读 · 0 评论 -
论文学习-SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers
目录一、SegFormer: Simple and Efficient Design for Semantic Segmentation with TransformersAbstract1 Introduction2 Related Work3 Method3.1分级Transformer编码器3.2 轻量级 All-MLP 解码器一、SegFormer: Simple and Efficient Design for Semantic Segmentation with TransformersA原创 2022-04-16 09:59:43 · 1540 阅读 · 0 评论 -
DBnet阅读笔记
文章目录一、Real-Time Scene Text Detection with Differentiable BinarizationAbstractIntroductionRelated WorkMethodologyBinarizationDifferentiable binarizationAdaptive thresholdLabel generation提示:以下是本篇文章正文内容,下面案例可供参考一、Real-Time Scene Text Detection with Differe原创 2022-04-06 09:43:46 · 1045 阅读 · 0 评论 -
图与网络汇报 scaled_dot_product_attention
具体来说,给定节点特征H(l)=h1(l)、h2(l)、...,hn(l)H^{(l)}={h^{(l)}_1、h^{(l)}_2、...,h^{(l)}_n}H(l)=h1(l)、h2(l)、...,hn(l),我们计算从jjj到iii的每条边的multi-head attention如下:对于第C个head attention,,我们首先使用不同的可训练参数,将源特征hi(l)h^{(l)}_ihi(l)、终点特征hj(l)h^{(l)}_jhj(l)转换为query vector qc,原创 2022-04-05 21:29:33 · 421 阅读 · 0 评论 -
BiSeNet+BiSeNetv2论文笔记
目录一、BiSeNet: Bilateral Segmentation Network for Real-time Semantic SegmentationAbstract1 Introduction2 Related Work3 双边分割网络3.1空间路径3.2 上下文路径3.3网络架构4 实验结果BiSeNet V2: Bilateral Network with Guided Aggregation for Real-time Semantic SegmentationAbstract2 Relat原创 2022-03-22 16:55:48 · 4428 阅读 · 0 评论 -
深入浅出Pytorch Task02
6.1 自定义损失函数PyTorch在torch.nn模块为我们提供了许多常用的损失函数,比如:MSELoss,L1Loss,BCELoss… 但是随着深度学习的发展,出现了越来越多的非官方提供的Loss,比如DiceLoss,HuberLoss,SobolevLoss… 这些Loss Function专门针对一些非通用的模型,PyTorch不能将他们全部添加到库中去,因此这些损失函数的实现则需要我们通过自定义损失函数来实现。以函数方式定义事实上,损失函数仅仅是一个函数而已,因此我们可以通过直接以函数原创 2022-03-19 20:12:17 · 88 阅读 · 0 评论 -
深入浅出学PyTorch-task01
PyTorch模型定义的方式Module 类是 torch.nn 模块里提供的一个模型构造类 (nn.Module),是所有神经网络模块的基类,我们可以继承它来定义我们想要的模型;PyTorch模型定义应包括两个主要部分:各个部分的初始化(init);数据流向定义(forward)5.1 Sequential ModuleList和ModuleDict1.Sequential方法当模型的前向计算为简单串联各个层的计算时, Sequential 类可以通过更加简单的方式定义模型。它可以接收一个子模块原创 2022-03-16 20:32:42 · 421 阅读 · 0 评论 -
零基础学python-Task07
学习内容:Python 是一门“面向对象的编程语言”(Object Oriented Programming)。这是指 Python 中有一个叫做 类(class)的结构,能够让你用一种特定的方式结构化你的软件。通过使用类,你可以让你的程序保持连贯性,使用起来更清晰。1 class Song(object): #class表示要创建类,Song是类的名称,23 def __init__(self, lyrics): #称为构造方法,根据类创建对象时自动执行4原创 2022-03-03 20:54:01 · 480 阅读 · 0 评论 -
零基础学Python-task06
(一) IF语句:为什么 if 下面的代码要缩进 4 个空格?if语句和缩进部分是完整的代码块,如果不缩进的话程序不会正常运行通过一行代码结尾的冒号告诉 Python 你在创建一个新的代码块,然后缩进四个空格告诉Python 这个代码块中都有些什么。这就跟本书前半部分中你学的函数是一样的。如果没有缩进会发生什么?报错:bash IndentationError: expected an indented blockif、elif、else有什么区别?1.单分支结构(if语句)if:2原创 2022-03-01 15:20:34 · 446 阅读 · 0 评论 -
零基础学Python-Task04
学习内容:(一)函数的定义def 函数名 (参数1,参数2,…):首先,我们告诉 Python 我们想要用 def (即 define)来创建一个函数。在 def 的同一行我们给了函数一个名字名字没关系,不过最好简短一些,并且能够说明这个函数的作用。然后我们告诉它我们想要 *args ,它很像参数 args ,只不过是为函数设的,必须放在括号里面才能工作。然后我们以 : 结束这一行,另起一行开始缩进。1 # this one is like your scripts with arg原创 2022-02-23 22:39:47 · 504 阅读 · 0 评论 -
零基础学Python-Task03
学习内容:(一)字典字典(也叫 dict)是一种和列表类似的数据存储方式。但是不同于列表只能用数字获取数据,字典可以用任何东西来获取。读数据:字典能够把一个东西和另一个东西关联起来,不管它们是什么类型。stuff = {'name': 'Zed', 'age': 39, 'height': 6 * 12 + 2}print(stuff['name']) # Zedprint(stuff['age']) # 39print(stuff['height']) # 74stuff原创 2022-02-20 21:20:34 · 118 阅读 · 0 评论 -
零基础学Python-Task02
Task02:数学运算、字符串和文本列表学习内容:(1)注释注释是由# 加相关备注,但是不会在代码中运行,可以作为帮助理解的功能。(2)数学运算计算顺序为:先乘除后加减。///表示真除法 1/4 = 0.25,//////表示整除 1//4 = 0,%表示取余数 1%4 = 1。<,> 小于,大于 返回true或者falseprint("I will now count my chickens:")print("Hens", 25 + 30 / 6) #先算除法原创 2022-02-18 16:29:46 · 175 阅读 · 0 评论 -
学习汇报汇报
内容提示:这里可以添加系列文章的所有文章的目录,目录需要自己手动添加例如:第一章 Python 机器学习入门之pandas的使用文章目录内容论文一、DEFECTNET: MULTI-CLASS FAULT DETECTION ON HIGHLY-IMBALANCED DATASETS1.1 ABSTRACT1.2 INTRODUCTION1.3 DEFECTNET1.3.1 Dilated convolution1.3.2 Hybrid loss总结论文一、DEFECTNET: MULT原创 2022-02-18 11:14:48 · 1942 阅读 · 0 评论 -
零基础学Python-Task01
学习目标:Python环境安装(Anaconda+jupyter)Anaconda的安装与常用命令:Anaconda官网下载安装包下载之后,点击Anaconda3-2019.07-windwos-x86_64.exe这个安装文件进行安装,选择路径,勾选加入环境变量,等待安装完成即可(这些和普通软件安装一样,一路回车操作),这里面一定注意,不要把anaconda装到C盘。因为你后面会有好多个虚拟环境,安装很多包;另外,建议把conda命令加入到环境变量里面去。验证安装成功:打开命令行,输入co原创 2022-02-15 17:18:22 · 88 阅读 · 0 评论 -
学习汇报汇报
学习内容:1、 DefectGAN: Weakly-Supervised Defect Detection using Generative Adversarial Network(GAN的半监督方法进行缺陷检测)2、 Dual Attention Network for Scene Segmentation(一种引入时间注意力机制和空间注意力机制的实例分割方法)3、 PGA-Net: Pyramid Feature Fusion and Global Context Attention Netwo原创 2022-02-04 16:47:47 · 3889 阅读 · 2 评论 -
学习汇报汇报汇报
2022-01-17原创 2022-01-20 11:18:27 · 4059 阅读 · 2 评论 -
动手学数据分析task5
模型搭建和评估心得:task5讲的是模型的搭建和评估,这就用到了task2讲的处理缺失值和重复值的重要性,学到了逻辑函数模型、随机森林模型的构建模型方法和k-值交叉验证和混淆矩阵的评价方法。0.初始化首先,导入所需的包,并且初始化。import pandas as pdimport numpy as npimport seaborn as snsimport matplotlib.pyplot as pltfrom IPython.display import Image%matplotl原创 2021-12-20 20:23:52 · 482 阅读 · 0 评论 -
动手学数据分析task4
数据可视化开始之前,导入numpy、pandas、matplotlib包和数据和trian.csv文件。1.自己创建一个数据项,对其进行基本可视化。基本的图:散点图:用来表征两个,数值型变量间的关系,每个点的位置(即x轴和y轴坐标)映射着两个变量的值。柱状图:表征分类型变量和数值型变量的关系。饼状图:各部分组成所占的比例。折线图:适合可视化某个属性值随时间变化的走势。2.用柱状图展示泰坦尼克号数据集中男女中生存人数分布情况sex = text.groupby('Sex')['Survive原创 2021-12-20 00:11:11 · 75 阅读 · 0 评论 -
动手学数据分析 task3
数据重构原创 2021-12-18 16:48:54 · 75 阅读 · 0 评论 -
动手学数据分析 Task02
第二章:数据清洗及特征处理学习目标:将学习缺失值、重复值、字符串和数据转换等操作,将数据清洗成可以分析或建模的样子。学习心得:可以看到Cabin列存在NaN,如何查看其他列有没有NaN的值?2.1 缺失值观察和处理查看缺失值df.info()df.isnull().sum()缺失值检查处理思路:先根据列值选出为空的行索引,然后把这一行设为空值。方法一:df[df['Age']== None]=0df.head(10) 用None处理无效,是因为数值列读取数据后,空缺值原创 2021-12-16 13:09:45 · 1484 阅读 · 0 评论 -
动手学数据分析 datawhale task1
参考的是datawhale的《动手学数据分析》链接是自己做完后,对照答案修改的结果心得:这次选动手学习数据分析,主要是跟大家一起学习数据分析的能力,这次笔记很详细,还有配套的视频发布,task1主要是学习了如何去载入数据和对数据进行一系列的基础操作,比如加减、排序、筛选制定行和列,还复习了读取csv文件,保存成csv文件的知识。1 数据载入及初步观察1.1 载入数据数据集下载 https://www.kaggle.com/c/titanic/overview1.1.1 任务一:导入numpy和p原创 2021-12-14 17:15:42 · 310 阅读 · 0 评论 -
Task05RNN
Task05[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-usMb8xNS-1638353242899)(https://c1.im5i.com/2021/12/01/cHfGG.jpg)][外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-wJNZFTVz-1638353242902)(https://c1.im5i.com/2021/12/01/cHVaW.jpg)][外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(原创 2021-12-01 18:09:28 · 171 阅读 · 0 评论 -
Task04卷积神经网络
卷积神经网络收获:这次的内容是比较多的,首先介绍了什么是卷积,什么是卷积层,什么是池化层,什么是感受野,然后介绍了几种网络模型:LeNet、AlexNet、VGG、NiN、ResNet、DesNet等,我学到了很多,比如在时序信号的卷积和图像的卷积运算是不相同的,卷积的原理是进行互相关运算;对于感受野,就是输入一个像素对于原图片的区域大小;对于LeNet,详细的学习了各个层的输入过程和处理过程,也感受到了神经网络的科学严谨。...原创 2021-11-27 17:38:43 · 1436 阅读 · 0 评论 -
Task03
Task03前馈神经网络原创 2021-11-22 22:26:24 · 730 阅读 · 0 评论 -
基于机器学习的车牌识别系统
基于机器学习的车牌识别系统本文设计的车牌处理系统主要用于通过手机、路口监视器拍到的车牌照片进行识别。由图像处理、车牌定位、字符分割和字符识别四个模块组成,该四部分需要依次执行,其中的每一模块需要利用上一模块的结果,并为下一模块提供服务。算法流程分为预处理、车牌定位、字符分割和字符识别四部分。在图像处理部分,主要通过高斯去噪、灰度变化、二值化等技术去除与车牌无关的背景因素,最后通过Canny算法找到各个图像的边缘。在车牌定位部分,首先通过findContours函数寻找可能存在车牌的矩形区域并且面积和长宽原创 2021-11-22 10:54:37 · 9390 阅读 · 4 评论 -
Task02
Task02[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-SNzp1GY4-1637378201042)(https://c1.im5i.com/2021/11/20/JkeEq.jpg)][外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-jmNllrIX-1637378201067)(https://c1.im5i.com/2021/11/20/JkD1s.jpg)]通过这次的第二阶段学习:首先对过拟合和欠拟合的定义和判断标准有了更准原创 2021-11-20 11:17:02 · 571 阅读 · 0 评论 -
机器学习与数学基础
task01机器学习与数学基础学习心得:通过对第一单元的学习,我对机器学习的历史和发展过程有了深刻的了解,同时对机器学习的分类和各自的领域有了认识;通过对第二单元的学习,我跟着教程复习了线性代数和概率论的相关知识,尤其是对矩阵的相似对角化和联合概率密度有了新的理解,对于熵的知识,之前没有系统的接触过,现在一步一步的推导出来,也是很有成就感的。...原创 2021-11-16 18:54:53 · 494 阅读 · 0 评论