图像识别
文章平均质量分 97
Momodel平台
Momodel,专注人工智能的教学实训平台,依托于浙江大学致力提供最优质的AI教育资源与在线一站式开发环境。来 Mo,体验由浙江大学计算机科学学院专家教授搭建的课程,以及全新教学模式 Mo-Tutor,更有海量 AI 项目、数据集分享,以及Python 在线编程、模型训练服务和赛事信息。更多内容敬请关注官方网站。
展开
-
【Mo 人工智能技术博客】现在流行的图神经网络库 pytorch geometric 上手教学
简介Graph Neural Networks 简称 GNN,称为图神经网络。近年来 GNN 在学术界受到的关注越来越多,与之相关的论文数量呈上升趋势,GNN 通过对信息的传递,转换和聚合实现特征的提取,类似于传统的 CNN,只是 CNN 只能处理规则的输入,如图片等输入的高、宽和通道数都是固定的,而 GNN 可以处理不规则的输入,如点云等。 可查看【GNN】万字长文带你入门 GCN。而 PyTorch Geometric Library (简称 PyG) 是一个基于 PyTorch 的图神经网络库,地原创 2020-12-22 13:18:32 · 1559 阅读 · 0 评论 -
【Mo 人工智能技术博客】图卷积网络概述及其在论文分类上的应用
近年来,深度学习在计算机视觉、自然语言处理等领域大放异彩。这些领域所面对的数据都是结构化的,如图像、音频、文本等,它们内部都有明确的排列规则。结构化的数据由于具有这些确定的规则而方便处理,但是在现实生活中,非结构化的关系数据才是主流。我们无时无刻不在面临着关系数据:构成物质的分子是一种由各种原子组成的关系网络;人类社会是一种以人为节点组成的社交网络;整个宇宙更是一种异质、非均匀的大型网络。有实体的地方一定有关系,关系中同样蕴藏着丰富的信息。与一般的深度学习方法不同,图神经网络(GNN)是一种可用来从网络(图原创 2020-12-08 21:40:04 · 868 阅读 · 0 评论 -
【Mo 人工智能技术博客】浅谈联邦半监督学习及FedMatch算法
【技术博客】浅谈联邦半监督学习及FedMatch算法作者:余敏君1 前言以往的联邦学习工作往往仅专注于对监督学习任务的研究,即要求所有的数据都必须包含相应的标签。但是,在现实场景中,考虑到大数据量标注任务所需要的人力和物力开销是非常大的,因此本地客户端所包含的数据常常大部分甚至全部都是没有相应标签信息的。为了解决上述问题,大量新的学习范式应运而生。这其中,半监督学习作为一种解决标签数据量小问题的有效方法,被广大机器学习研究者所偏爱。本博客将从联邦半监督学习入手,为大家介绍其相关的基本概念,并详细讲解一原创 2020-12-01 21:16:36 · 2213 阅读 · 1 评论 -
【Mo 人工智能技术博客】当蒸馏遇上GAN
什么是知识蒸馏我们知道在深度学习的大部分网络中,有很多神经元是冗余的,所以很多网络的参数量是巨大的,但是在很多移动端,比如手机上,是跑不动这么大的网络的。所以知识蒸馏的一开始的目标是做模型压缩,它的目标就是让一个更小的网络去拟合甚至是超越教师网络的性能。在通常情况下,学生网络的在蒸馏阶段的目标可以用这样的一个函数来表示,这里的损失函数L根据算法对知识的定义不同也会有不同的函数表示。![](https://img-blog.csdnimg.cn/img_convert/e8069c45f98ddb4452原创 2020-11-24 16:23:48 · 837 阅读 · 1 评论 -
【Mo 人工智能技术博客】持续学习浅谈
【技术博客】持续学习浅谈作者:陈文儒1. 摘要人在学习新知识的时候,能根据之前的知识很快的学习相似的知识,并且能不遗忘从前的知识。而机器,或者更准确一点说神经网络,在学习新任务的同时会出现一些问题——灾难性遗忘问题(catastrophic forgetting)。解决这个问题的方法我们称之为持续学习(continual learning)。本文重点探讨了近年来的持续学习的一些经典方法,旨在能够更好的了解这个问题,能够深入解决这个问题,能够为未来工作带来便利。关键词:灾难性遗忘, 持续学习2. 引原创 2020-10-27 09:54:09 · 1290 阅读 · 2 评论 -
【Mo 人工智能技术博客】神经网络分布式训练中参数优先传播方法
技术博客神经网络分布式训练中参数优先传播方法作者:倪昊这篇论文来自 2019 年 SysML 会议中 Parallel & Distributed Learning 的部分。数据并行训练(Data parallel training) 已经广泛地运用在在深度神经网络的分布式计算中,但是,分布式计算带来的性能提升经常受限于参数同步性能的瓶颈。作者等人提出了一种新的参数同步机制:Priority-based Parameter Propagation (P3),提高了模型的训练集群对网络带宽的利用原创 2020-10-06 10:26:37 · 490 阅读 · 1 评论 -
【Mo 人工智能技术博客】面向大规模的联邦学习:系统设计
摘要联邦学习是一种分布式的机器学习方法,可以对大量分散在移动设备上的数据进行训练,而在实现时,则会遇到许多问题。因此,如何设计一个系统这个问题就会自然而然产生。本文基于 Tensorflow ,介绍基于移动设备的联邦学习的系统设计,概述一些挑战和解决方法,并探讨一些未解决的问题和未来的方向。1 简介联邦学习基础设施建设的基本设计真正的重点还是在于异步与同步训练算法。虽然之前在深度学习中使用了异步算法,达到了非常不错的效果—— DistBelief ,但是现在有着一个持续的面向同步、大批次的训练趋势。原创 2020-09-22 12:31:14 · 755 阅读 · 1 评论 -
【Mo 人工智能技术博客】纵向联邦学习简介及实现
案例引入某银行A与某互联网公司B达成了企业级的合作。互联网公司A与银行B有着一大部分重合的用户,A有着客户上网行为等特征信息。B有着客户的存贷情况等特征信息以及客户的标签信息——客户的还贷情况(Y)。B希望能够将他所独有的特征信息与A所独有的特征信息相结合,训练出一个更强大的识别客户信用风险的模型,但由于不同行业之间的行政手续,用户数据隐私安全等因素,企业A,B无法直接互通数据,联邦学习应运而生。联邦学习概述联邦学习的定义联邦学习旨在建立一个基于分布数据集的联邦学习模型。在模型训练的过程中,模型相关原创 2020-09-15 14:21:47 · 5583 阅读 · 6 评论 -
【Mo 人工智能技术博客】基于AlexNet网络的垃圾分类
【技术博客】基于AlexNet网络的垃圾分类AlexNetAlexNet模型来源于论文-ImageNet Classification with Deep Convolutional Neural Networks,作者Alex Krizhevsky,Ilya Sutskever,Geoffrey E.Hinton.AlexNet在ImageNet LSVRC-2012比赛中,达到最低的15.3%的Top-5错误率,比第二名低10.8个百分点。网络结构AlexNet包含八层,前五层是卷积层,最后三原创 2020-09-08 20:22:02 · 1084 阅读 · 1 评论 -
【Mo 人工智能技术博客】目标检测算法R-CNN介绍
目标检测算法R-CNN介绍作者:高雨茁目标检测简介目标检测(Object Detection)的任务是找出图像中所有感兴趣的目标(物体),确定它们的类别和位置。计算机视觉中关于图像识别有四大类任务:1.分类-Classification:解决“是什么?”的问题,即给定一张图片或一段视频判断里面包含什么类别的目标。2.定位-Location:解决“在哪里?”的问题,即定位出这个目标的的位置。3.检测-Detection:解决“是什么?在哪里?”的问题,即定位出这个目标的的位置并且知道目标物是什么原创 2020-08-18 21:53:05 · 1082 阅读 · 3 评论 -
【Mo 人工智能技术博客】GPU 编程之从零开始实现 MNIST-CNN
【技术博客】GPU 编程之从零开始实现 MNIST-CNN很多人最开始接触“ GPU ”想必都是通过游戏,一块高性能的 GPU 能带来非凡的游戏体验。而真正使GPU被越来越多人熟知是因为机器学习、深度学习的大热(也有人用于比特币挖矿),因为庞大的数据与计算量需要更快的处理速度,GPU 编程也因此越来越普遍。从事深度学习的工作者常常自嘲自己为“炼丹师”,因为日常工作是:搭网络,调参,调参,调参…作为刚入门深度学习的小白更是如此,虽然不停的复现着一个又一个的网络,但总有些迷茫。我想这个迷茫来源于深度学习的“原创 2020-08-04 19:38:11 · 466 阅读 · 0 评论 -
【Mo 人工智能技术博客】基于垃圾目标检测任务的YOLOv5初探
基于垃圾目标检测任务的YOLOv5初探作者:余敏君研究背景垃圾分类作为一种有效处理垃圾的科学管理方案,在提高资源利用率、缓解垃圾生产压力以及改善生态环境等方面具有重要意义,是我国社会主义现代化和城市化进程中所必须采取的策略,备受世界各国的迫切关注。2019年以来,随着上海市、杭州市等垃圾分类重点城市有关生活垃圾分类的立法、执法和监督等工作的顺利开展,人们对垃圾分类相关话题的关注度日渐提升,个人垃圾分类的意识也有了很大的提高。但与此同时,由于垃圾的种类极其丰富,个人对垃圾归类的模糊程度普遍较高,因此,垃原创 2020-07-28 19:36:34 · 9270 阅读 · 2 评论 -
【Mo 人工智能技术博客】生成式对抗网络模型综述
生成式对抗网络模型综述作者:张真源GANGAN简介生成式对抗网络(Generative adversarial networks,GANs)的核心思想源自于零和博弈,包括生成器和判别器两个部分。生成器接收随机变量并生成“假”样本,判别器则用于判断输入的样本是真实的还是合成的。两者通过相互对抗来获得彼此性能的提升。判别器所作的其实就是一个二分类任务,我们可以计算他的损失并进行反向传播求出梯度,从而进行参数更新。![](https://imgconvert.csdnimg.cn/aHR0cHM6Ly9原创 2020-07-21 17:02:27 · 2701 阅读 · 0 评论 -
【Mo 人工智能技术博客】基于LeNet网络的细胞识别
基于LeNet网络的细胞识别作者:陈玥背景目前,全球疫情仍处于严峻时刻,许多计算机相关领域工作者也都参与到研究病毒、疫情等工作中。足量的高质量的COVID-19 图像数据集能用有效地帮助医院加快筛选和检测新冠肺炎,但由于隐私保护,目前难以获得足量的数据集。因可以先通过疟疾数据集训练细胞检测模型,后面可以利用迁移学习来训练COVID-19。本文使用深度学习框架Keras 在疟疾数据集上训练感染病毒检测器,可以根据细胞图像有效地识别出是否受到感染,是一篇使用深度学习框架Keras 进行疾病诊断的完整入门教原创 2020-07-14 20:35:25 · 806 阅读 · 1 评论 -
【Mo 人工智能技术博客】数据挖掘入门——以二手车价格预测为例
数据挖掘入门——以二手车价格预测为例作者:张杰数据挖掘的步骤Data AnalysisFeature EngineeringFeature SelectionModel BuildingModel Deployment1. Data Analysis对于数据分析部分,需要探索以下几个点:1)Missing Values2)All The Numerical Variables3)Distribution of the Numerical Variables4)Categoric原创 2020-07-08 19:56:27 · 2313 阅读 · 1 评论