![](https://img-blog.csdnimg.cn/20201014180756918.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习
文章平均质量分 90
想太多!
点个赞关注一波再走呗!QWQ
展开
-
CV——day84 多尺度变形注意与多层特征聚合遥感目标检测
在本文中,我们提出了一种MSDAM和一种MLFAM,并将它们插入FPN中,以提高不同形状和大小的遥感目标的检测性能。在DIOR和RSOD数据集上进行的大量实验表明,本文提出的方法在检测精度方面优于目前最先进的基线方法。原创 2023-03-18 11:00:45 · 1354 阅读 · 0 评论 -
神经网络——day67:Residual Network
表征的深度对于许多视觉识别任务来说是至关重要的。仅由于我们的极深表示,我们获得了28%的相对改进的COCO对象检测数据集。深度残差网络是我们提交给ILSVRC & COCO 2015竞赛1的基础,我们还在ImageNet检测、ImageNet定位、COCO检测和COCO分割任务中获得了第一名。原创 2023-01-19 16:56:23 · 412 阅读 · 0 评论 -
可信度分析——day61 读论文: 目标检测模型的决策依据与可信度分析
在用 LIME 直接对目标检测模型进行解释时, 发现局部线性回归模型的忠诚度与权重值过小这两个问题. 我们通过实验分析, 揭示了目标检测模型在预测时关注物体整体这一性质, 并将问题的原因定位在图像分割方法不合理. 本文通过将图像分割方法替换为语义分割模型 DeepLab, 并对解释内容作出定义, 成功解决 LIME 存在的问题, 并将其应用于解释目标检测模型. 通过实验证明, 采用 DeepLab+LIME, 可以得到可信度较高且直观的决策依据分析结果.另一方面, 基于 IoU、模型解释结果、基准原创 2023-01-11 10:27:48 · 852 阅读 · 0 评论 -
交通流预测——day59 交通网络动态性与多权重交通图卷积(MW-TGC)网络的交通预测
在本文中,我们提出了一种新的交通预测模型,在交通图卷积框架内结合交通网络的各种结构特征来建模时空相关性。 该模型能够将多种类型的权重或信息输入到单个图卷积网络中。在今后的工作中,我们计划在网络科学的基础上进一步评估交通网络的结构动力学。 节点中心性度量,如中间性和贴近中心性,可能比原始的结构信息更有助于增强模型的学习能力。未来的工作可能会扩展到交通领域的应用,如出租车需求预测和旅行时间估计。原创 2022-12-02 15:31:56 · 670 阅读 · 0 评论 -
交通流预测——day58 T-GCN:一种用于流量预测的时态图卷积网络
本文提出了一种新的基于神经网络的交通预测方法T-GCN,该方法将GCN和GRU相结合。 利用图网络对城市道路网络进行建模,图上的节点表示道路,边表示道路之间的连接关系,道路上的交通信息被描述为图上节点的属性。 一方面,利用GCN捕获图的空间拓扑结构,获得图的空间相关性; 另一方面,引入GRU模型来捕捉节点属性的动态变化,以获得节点的时间依赖性。 最后将T-GCN模型应用于时空流量预测任务。 在两个真实的交通数据集上,通过与HA模型、ARIMA模型、SVR模型、GCN模型和GRU模型的比较,T-GCN模型在不原创 2022-12-02 11:10:46 · 2340 阅读 · 0 评论 -
轨迹预测——day 57 基于车道交叉和考虑驾驶方式的终点生成模型的前目标车辆轨迹预测
本文提出了一种基于车道交叉和最终点生成(CFPG)模型的前车轨迹预测方法,以获得未来目标车辆的精确位置。 我们设计了一个基于LSTM的模型来识别PTV的机动和阶段。 然后采用基于CGM的方法对车道交叉点进行预测,该方法将基于物理的模型与深度条件生成模型相结合。 这种组合考虑了历史轨迹信息和PTV的潜在驾驶风格。 此外,通过基于机动的模型对最终点进行了预测,并使用基于车道中心线的正态分布来考虑其不确定性。 最后采用曲线拟合法得到预测轨迹。原创 2022-12-01 23:19:05 · 817 阅读 · 0 评论 -
残差网络——day54 Res2Net_A_New_Multi-Scale_Backbone_Architecture
我们提出了一个简单而有效的块,即Res2Net,以在更精细的水平上进一步探索cnn的多尺度能力。Res2Net公开了一个新的维度,即 “比例”,这是除了深度,宽度和基数的现有维度之外,一个重要且更有效的因素。我们的Res2Net模块可以毫不费力地与现有的最先进方法集成在一起。原创 2022-11-03 15:22:10 · 433 阅读 · 0 评论 -
深度学习——day48 Deep Regionlets: 用于通用对象检测的混合表示和深度学习
在本文中,我们提出了一种新颖的基于深度区域的目标检测方法。所提出的区域选择网络可以在检测边界框内选择非矩形区域,从而可以更好地对具有刚性形状和可变形部件的对象进行建模。我们还设计了深度区域学习模块,以便可以同时学习所选区域和区域。此外,无需额外的努力,就可以以完全端到端的方式对拟议的系统进行培训。最后,我们在通用对象检测的两个检测基准上广泛评估了我们的方法。实验结果表明,竞争性能优于最新技术。原创 2022-10-28 15:47:09 · 397 阅读 · 0 评论 -
目标检测——day44 用于水下物体检测与颜色转换联合学习的轻量级深度神经网络
在本文中,我们提出了一种基于颜色转换和目标检测联合学习的端到端轻质水下目标检测深度神经网络。学习图像颜色转换模块旨在将彩色图像转换为相应的灰度图像,以解决水下颜色吸收的问题,以较低的计算复杂度提高目标检测性能。所提出的消融研究表明,所提出的颜色转换网络的有效性,有助于整体物体检测性能。与最先进的方法相比,在低功耗Raspberry Pi设备上进行的实验结果证明了所提出的轻量级联合学习模型用于水下物体检测的有效性。原创 2022-10-20 18:30:00 · 264 阅读 · 0 评论 -
目标检测——day44 Tiny Object Detection in Aerial Images
我们建立了一个用于航空图像中微小目标检测的数据集,其中图像的平均目标大小比现有的目标检测数据集要小得多。此外,我们提出了一种基于多中心点的学习网络(M-CenterNet)来提高微小目标检测的定位性能。原创 2022-10-20 08:30:00 · 1496 阅读 · 5 评论 -
深度学习——day43 ID-YOLO——基于驾驶员固定区域的实时突出目标检测
在本文中,我们提供了一种基于驾驶员眼睛跟踪的交通拥挤的驾驶视频对象检测数据集,称为ETOD。ETOD包含来自多个驾驶员的眼动跟踪信息,包括自下而上和自上而下的驾驶注意力信息。此外,提出了一种实时显着目标检测网络ID-YOLO,用于检测交通繁忙的驾驶场景中的驾驶员固定目标。拟议的网络经过ETOD培训,包括有关驾驶的自下而上和自上而下的视觉注意信息。定性和定量实验结果表明,ID-YOLO可以比现有模型更有效地预测驾驶员的固定对象。原创 2022-10-19 10:15:00 · 364 阅读 · 2 评论 -
深度学习——day8 读论文(2022 硕士毕业论文)大规模车辆路径问题的深度强化学习算法研究
本文以深度强化学习为基础,设计出一种适用于求解大规模车辆路径问题的模型架构。采用了预训练模型+基于相对位置的 Transformer网络+A2C强化学习训练框架,为后续研究大规模车辆路径问题的扩展问题和大规模组合优化问题提供了新的深度强化学习算法框架。原创 2022-09-02 15:01:20 · 3746 阅读 · 2 评论 -
深度学习——day7 计算机视觉中的对象检测(重要的YOLO算法)
Object Location 对象定位 localization and detection利用神经网络解决对象分类和定位问题Classification with localizationDefining the target label y !!!!非常重要Landmark detection 特征点检测Object Dtection 对象检测Turning FC layer into convolutional layers用卷积层代替全连接层通过卷积实现滑动窗口对象检测算法总结原创 2022-08-31 15:50:07 · 976 阅读 · 0 评论 -
深度学习——day5 读论文:(外)面向自动驾驶的深度强化学习:综述
这篇论文涉及的相关文献与术语非常多,主要是对自动驾驶AD和强化学习RL进行了归纳和总结,可以先看看思维导图这篇论文大概有什么内容,再细看自己感兴趣或了解的部分;反正我就看着挺痛苦,要学的东西也太多!!!!......原创 2022-08-29 14:38:23 · 1338 阅读 · 0 评论 -
深度学习——day4 读论文(外)深度学习定位真实故障的有效性研究
To understand the benefits of xxx in xxxfiled,this paper explores more about deep learning by studying the effectiveness of fault localizationusing deep learning for a set of real bugs reported in the widely used programs.为了了解深度学习在定位真实故障方面的优势,本文通过研究深度学习对广原创 2022-08-27 14:08:52 · 1083 阅读 · 0 评论 -
深度学习——day3 深度卷积网络的实用性建议(计算机视觉)
得到作者的开源实现是很方便的(从github下载)更改RGB数值改变颜色。原创 2022-08-26 16:52:02 · 119 阅读 · 0 评论 -
深度学习——day3 深度卷积网络之 1x1卷积 和 “盗梦空间”
这就是一个Inception module,解释一下最大池化,因为最大池化后信道数量仍然很大,所以用1x1卷积缩减信道。1x1卷积实现的功能是遍历并应用ReLu非线性函数,从根本上理解是各单元都应用了一个全连接神经网络。压缩nC的方法,压缩信道数量并 减少/增加 计算量。上图中5x5的filter,计算成本约120亿。接下来使用1x1卷积,构建瓶颈层,大量缩减计算。...原创 2022-08-26 15:56:49 · 156 阅读 · 0 评论 -
深度学习——day3 经典网络和残差网络
Plain指普通网络,随着网络层数增加,会产生越来越多的错误(左图蓝线),但理想情况应该是错误越来越少(左图绿线);有效利用残差网络就可以达到左图的理想效果,帮助我们在训练深层网络时保持良好的性能。,这些残差块学习恒等函数很容易,能确定网络性能不会受到影响,很多时候甚至可以提高效率。今天状态有点不太好 ,可能是上午找论文脑袋昏了,就到这儿吧~~通过捷径跳过一层或多层,从而将信息传递到神经网络的更深层。16的意思是包含了共16个 卷积层、池化层和全连接层。绿色字体的恒等函数使得a。VGG - 19 文献。.原创 2022-08-26 14:43:44 · 568 阅读 · 0 评论 -
深度学习——day2 看论文:基于深度学习的图像隐写方法研究
深度学习与图像隐写的有趣结合原创 2022-08-25 14:07:55 · 2985 阅读 · 4 评论 -
深度学习日记——Day1 卷积神经网络
深度学习是一种可以通过学习人类预先提供的训练数据与标签,通过自我学习训练样本和标签来对网络卷积层中的参数进行不断调整,自主学习输入和输出之间的潜在规律,达到预测效果的网络。原创 2022-08-24 16:07:43 · 643 阅读 · 0 评论