论文阅读
文章平均质量分 94
海阔&天空742
这个作者很懒,什么都没留下…
展开
-
论文阅读5----“GrabCut” — Interactive Foreground Extraction using Iterated Graph Cuts
静态图像的高效、交互式前景/背景分割问题在图像编辑中具有重要的现实意义。经典的图像分割工具使用纹理(颜色)信息,如魔棒,或边缘(对比度)信息,如智能剪刀。最近,一种基于图割优化的方法成功地将这两种信息结合起来。本文从三个方面对图切方法进行了扩展。原创 2023-07-13 12:13:34 · 698 阅读 · 2 评论 -
论文阅读3--A Novel Memory-Efficient Deep Learning Training Frameworkvia Error-Bounded Lossy Compression
由于对预测精度和分析质量的要求越来越高,深度神经网络(DNN)正变得越来越深、越来越宽、越来越非线性。但训练宽深度神经网络需要大量的处理时间和计算资源,如内存、存储、I/O 等。在训练 DNN模型时,前向传播时必须先将中间激活数据保存在内存中,然后再恢复到后向传播。然而,由于硬件设计的限制,gpu等最先进的加速器只能配备非常有限的内存容量,这极大地限制了最大批处理大小(batch_size),因此在训练大规模 dnn时性能加速。传统的内存节约技术,如数据重计算和迁移。原创 2023-06-06 14:03:53 · 110 阅读 · 1 评论 -
图神经网络 Graph Neural Networks:Foundations, Frontiers, Applications &基于 node2vec 的电影推荐实验
近几年来,基于计算资源的快速发展以及大量训练数据的可获得性等原因,引发了神经网络的快速兴起与应用,并成功地推动了计算机视觉领域(Computer Vision, CV)与自然语言处理领域(Natural Language Processing, NLP)的发展与兴盛。原创 2023-08-29 12:40:25 · 748 阅读 · 0 评论 -
论文阅读9-----GLOBAL EXPLAINABILITY OF GNNS VIA LOGICCOMBINATION OF LEARNED CONCEPTS
Interpretability of CNN 即CNN的可解释性,研究者们希望看到CNN每一层所做的事情,截止目前,人们已经逐渐向CNN的可解释研究靠近,但没有完全解决;类似地,自然语言处理的重要模型RNN也存在没有完全解决可解释性的问题;深度学习是基于数据而驱动的,对比传统的算法,往往是基于各种判断条件,再依次执行计算;深度学习可以认为是数据归纳统计的结果,让机器在海量数据中学习分布,以概率形式输出结果,中间的计算过程犹如黑箱(Black Box)原创 2023-09-26 00:48:35 · 510 阅读 · 1 评论 -
论文阅读8-----Mining Summaries for Knowledge Graph Search
在响应时间等资源约束条件下,挖掘,搜索异构和大型知识图具有挑战性。 本文研究了一种基于发现的知识图搜索框架。原创 2023-07-31 16:58:56 · 214 阅读 · 1 评论 -
论文阅读4--CReST: A Class-Rebalancing Self-Training Frameworkfor Imbalanced Semi-Supervised Learning
知识补充不平衡学习最常用的方法是根据类别样本量重新平衡培训目标。其中两种方法具有代表性: a)重新加权,其通过将相对较高的成本分配给次要类别的示例来影响损失函数 b)重新采样,其通过对少数类的过采样或对多数类的过采样,或两者都直接调整标签分布,以获得平衡的采样分布。然而,天真地重新平衡目标通常会导致过度适应少数群体。最近,通过将特征从多数类转移到代表性不足的少数类,也提出了基于转移学习的方法。但是,这些方法假定所有标签都可用,并且不能直接应用于SSL方案。原创 2023-06-08 09:35:46 · 751 阅读 · 0 评论 -
论文阅读2--Video text localization based on Adaboost(基于Adaboost的视频文本定位)阅读笔记
如何从视频图像中准确、快速地提取文本是十分必要的。本文提出了一种基于Adaboost 的视频文本定位方法。原创 2023-06-01 00:17:46 · 531 阅读 · 0 评论 -
论文阅读1--A Survey on Incomplete Multi-view Clustering(不完全多视图聚类的调查)阅读笔记
传统的多视图聚类基于所有视图都被完全观察到的假设,试图将数据划分到各自的组中。然而,在疾病诊断、多媒体分析和推荐系统等实际应用中,通常会观察到在许多情况下并非所有样本视图都可用,这导致了传统的多视图聚类方法的失败。原创 2023-05-20 20:21:01 · 2150 阅读 · 3 评论