paper_reading
weixin_44576543
QQ 1154957554 欢迎交流探讨
展开
-
飞桨的工业应用_baidu
link:原创 2021-12-24 16:40:25 · 621 阅读 · 0 评论 -
Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering 论文阅读
Convolutional Neural Networks on Graphs with Fast Localized Spectral FilteringCode link:https://github.com/mdeff/cnn_graph目录目录1引言... 12 提出的方法... 12.1 学习快速定位谱过滤器... 22.2图的粗化... 33相关工...原创 2019-12-18 16:37:03 · 3150 阅读 · 3 评论 -
Spectral Networks and Deep Locally Connected Networks on Graphs 论文阅读
Spectral Networks and Deep Locally Connected Networks on GraphsCode link:摘要:CNN在图片识别与语音等任务上取得很大的成功,由于其具有局部转变不变性,在本文中,探索一种可能的CNN应用于更多的领域,特别的,我们提出一种基于层次聚类的框架,另外是基于图拉普拉斯谱图的,展示了低维图上使用少量参数来运用卷积层,表现很好的性...原创 2019-12-17 10:42:43 · 1797 阅读 · 1 评论 -
Hybrid LSTM and Encoder–Decoder Architecture for Detection of Image Forgeries论文阅读
Hybrid LSTM and Encoder–Decoder Architecture for Detection of Image ForgeriesCode link:https://github.com/jawadbappy/forgery_localization_HLED1 摘要随着图像修改工具的进步,图像内容的修改日益严重,包含复制克隆、物体拼接、移动等操作的检测变得很具...原创 2019-12-09 15:32:15 · 2636 阅读 · 8 评论 -
HOW POWERFUL ARE GRAPH NEURAL NETWORKS? 论文阅读
HOW POWERFUL ARE GRAPH NEURAL NETWORKS?Code link: https://github.com/weihua916/powerful-gnns摘要:GNN对于图形的特征很有效,其可以通过不断汇聚领节点的信息,GNN的变体在节点还是图形分类方面都取得很多的成就,然后即便GNN革命性的特征表达,然后还是存在属性的理解限制,因此提出了能够从不同的GNN...原创 2019-11-28 15:57:25 · 1217 阅读 · 1 评论 -
FEW-SHOT LEARNING WITH GRAPH NEURAL NETWORK
FEW-SHOT LEARNING WITH GRAPH NEURAL NETWORK使用图神经网络的小样本学习代码:github.com/vgsatorras/few-shot-gnn摘要:我们提出研究一种基于部分观察图形模型的三棱镜推理的小样本学习问题,建立一组图片(标记或者不标记),通过同化消息传递推理算法使用深度学习框架,定义了可以泛化的小样本学习图神经网络框架,我们的框架很...原创 2019-11-16 13:44:32 · 619 阅读 · 0 评论 -
Rethinking Knowledge Graph Propagation for Zero-Shot Learning
Rethinking Knowledge Graph Propagation for Zero-Shot Learning(零样本的知识图谱传播再思考)代码: https://github.com/cyvius96/adgpm.摘要:图卷积神经网络对于零样本学习上有很大的潜力,模型能够很强的泛化能力生成新类,当缺少样本的时候,然而,多层架构需要在图中传播,传播的过程中使用拉普拉斯光滑会相...原创 2019-11-15 16:42:38 · 653 阅读 · 0 评论 -
二Cross-lingual Knowledge Graph Alignment via Graph Matching Neural Network
二、Cross-lingual Knowledge Graph Alignment via Graph Matching Neural Network摘要:先前的跨语言的知识图谱对齐研究依赖于实体嵌入的思想,,其不能够在两个知识图谱上;此文介绍一种方法,表示其上下文信息的特征实体,主体实体图(局部实体子图),从这个角度来看,知识库的对齐工作可以看做图匹配问题,进一步提出 注意力机制的解决方案...原创 2019-11-12 16:48:02 · 2334 阅读 · 4 评论 -
一、 Knowledge Transfer for Out-of-Knowledge-Base Entities: A Graph Neural Network Approach
Knowledge Transfer for Out-of-Knowledge-Base Entities: A Graph Neural Network Approach摘要:知识库补全目的是预测知识库中缺少的信息,在本文中,作者提出用于解决知识库之外的实体问题:如何回答在训练时未观测到的信息;现存的基于嵌入的知识库补全不能解决知识库之外的信息,解决这个问题的方法是再训练,但是此方法缺少灵...原创 2019-11-12 13:14:44 · 1248 阅读 · 0 评论 -
An Attentive Survey of Attention Models 论文阅读
摘要:注意力模型应用于各个领域,这个研究提供了系统与完整的注意力模型的发展概述,我们提出来现有注意力模型的分类方法,展示了注意力模型在各个领域相结合的方法,提高了注意力模型的可解释性,最终讨论了一些注意力模型的实际应用;介绍AM模型最早被用于机器翻译领域,并占有一定的影响力,在AI 方面对于神经网络框架存在大量的应用,自然语言处理、统计学习、语音与计算机视觉方面;AM的背后的原理是可以被解释...原创 2019-10-28 16:26:08 · 697 阅读 · 0 评论 -
Deep Metric Learning for Visual Understanding(深度度量学习在视觉理解方面的发展)
度量学习旨在学习距离函数来测量相似样本距离,其在很多视觉理解上发挥很大的作用,一般的,最优视觉函数对于不同的理解任务是非常具体的,因为其数据分布在不同的任务中是不同的,普遍认为度量学习训练数据的效果要优于手工设计,比如说欧式距离与余弦距离,大量的度量学习被 提出,并且成功应用于人脸识别 图片分类 视觉跟踪 人体重识别 跨模态配对图片的几何定位。度量学习分为监督与非监督的,非监督度的度量学习尝...原创 2019-09-04 21:57:33 · 1389 阅读 · 0 评论 -
2019CVPR CrowdPose: Efficient Crowded Scenes Pose Estimation and A New Benchmark姿态估计02
代码:https://github.com/Jeff-sjtu/CrowdPose文章链接:https://arxiv.org/abs/1812.00324摘要:多人姿态估计最近几年取得很大的进展,在人群中的姿态估计仍然是个具有挑战性的不可避免的问题,并且对于这些场景目前的基准无法提供适当的评估。在此文章中,提出一种解决新的数据集去评估与在人群中的姿态估计方法,我们的模型包含两个部分:第一...原创 2019-08-31 19:16:40 · 514 阅读 · 0 评论 -
2019CVPR Deep High-Resolution Representation Learning for Human Pose Estimation 姿态估计01
代码:https://github.com/leoxiaobin/ deep-high-resolution-net.pytorch论文:arXiv:1902.09212v1题目:深度高分辨率特征学习的姿态估计摘要:在文章中,主要提出了从始至终维持着高分辨率的特征的深度学习网络,并对比了现存的高分辨率-低分辨率,低分辨率-高分辨率的深度网络框架,本文提出的高分辨率网络分为几个阶段,以高...原创 2019-08-21 20:23:44 · 510 阅读 · 0 评论 -
经典网络resnet(残差网络) 论文分析01
Deep Residual Learning for Image Recognition摘要:深度神经网络很难训练,我们提出一种残差学习物流框架比之前更深,我们显示重整作为网络的输入,提供了有利的证据表明这种残差网络更容易被训练与优化;在imagenet dataset里面深度是vgg的8倍,取得第一的名次,提出了网络的深度对于识别任务起到重要的作用;1、介绍:随着网络深度的增加,网络会出...原创 2019-08-21 19:28:00 · 3085 阅读 · 0 评论 -
Deep Residual Learning for Image Recognition论文阅读
更深层次的神经网络更难训练。我们提出了一个残差学习框架来简化网络的训练,这些网络比以前使用的网络要深入得多。我们显式地将层重新表示为参考层输入的学习剩余函数,而不是学习未引用的函数。我们提供了全面的经验证据表明,这些剩余网络更容易优化,并可以从大幅增加的深度获得精度。在ImageNet数据集上,我们对剩余网进行了评估,其深度可达152层,比VGG网[41]深8层,但仍然具有较低的复杂性。这些残差网...原创 2019-08-13 20:14:42 · 131 阅读 · 0 评论 -
语义分割的发展
思路:对每个像素进行标记,不需要区分实例,只关心像素大的方向是两个,一、对原始图片进行卷积,下采样,然后进行上采样,最终形成与原始图片大小的图片,产生 单通道图像二、直接对原始图片进行卷积 提取特征,然后经过一个 softmax分类器,进行分类,形成单通道的图像介绍几个技术:skip connection 残差连接 主要思想,对图片不同程度的抽取特征,对抽取的特征进行累加...原创 2019-07-16 16:58:35 · 278 阅读 · 0 评论 -
SegNet: A Deep Convolutional Encoder-Decoder Architecture for Image Segmentation 的理解
一、先来了解一下VGG16的网络结构VGG网络结构图片论文中的不同VGG的模型注释:输入层(input layer)224x224x3 即图像宽高为224,剩下的三个通道对应RGB第一层卷积层,conv1_1:由第一张图,第一层卷积层参数为224x224x64 代表第一层卷积层有224x224x64个神经元,其中,每224x224为一小层神经元,这一小层神经元参...原创 2019-05-27 09:55:22 · 1003 阅读 · 0 评论