![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
paper
文章平均质量分 90
仙女修炼史
从入门到了解、到熟悉、到深入、到掌握,一步一个脚步,踏踏实实,不断进阶!
展开
-
论文阅读十一:BagofTricks-LT 解决数据不均衡的各种trick
下面的内容来自各个博客,这里主要是学习和理解1、 为什么会存在不平衡的现象?其实很好理解,一个通用的解释就是特定类别的数据是很难收集的。拿Species分类来说(参考大型数据集iNaturalist[1]),特定种类(如猫,狗等)非常常见,但是有的种类(如高山兀鹫,随便举的例子…)就非常稀有。再比如对自动驾驶,正常行驶的数据会占大多数,而真正发生异常情况/存在车祸危险的数据却极少。再比如对医疗诊断,患有特定疾病的人群数相比正常人群也是极度不平衡的。对于healthcare data来说另一个可能原因是和原创 2021-08-19 10:00:04 · 842 阅读 · 0 评论 -
mixup:神奇的正则项
SamplePairing和mixup是两种一脉相承的图像数据扩增手段,它们看起来很不合理,而操作则非常简单,但结果却非常漂亮:在多个图像分类任务中都表明它们能提高最终分类模型的精度。某些读者会困惑于一个问题:为什么如此不合理的数据扩增手段,能得到如此好的效果?而本文则要表明,它们看起来是一种数据扩增方法,事实上它们是对模型的一种正则化方案。正如周星驰的电影《国产凌凌漆》的一句经典台词:表面上看这是一个吹风机,其实它是一个刮胡刀。数据扩增让我们从数据扩增说起。数据扩增是指我们在对原始数据做一些简转载 2021-08-18 19:08:39 · 329 阅读 · 0 评论 -
论文阅读八: 通过SENet 和 CBAM 探索分类中的attention机制
涉及的论文是:SENet:《Squeeze-and-Excitation Networks》Code: https://github.com/hujie-frank/SENetCBAM:《CBAM: Convolutional Block Attention Module》Code : https://github.com/Jongchan/attention-moduleattention机制可以作为一种资源重新分配的手段,将计算资源分配给信息更丰富的信号分量上。...原创 2020-08-01 10:07:23 · 806 阅读 · 2 评论 -
论文阅读七:CAM,超好用的可视化工具
一、论文主要观点论文主要提出:1、GAP(global average pooling,全局平均池化)具有弱监督的目标定位功能;2、提出CAM(class activation mapping, 类别激活映射)用来指明图像中哪些关键区域是CNN用来识别该类的,并且可以通过热力图可视化出阿里。二、GAP vs GMPGMP(global max pooling, 全局最大池化),论文中提到,GAP损失鼓励CNN去识别目标类别的所有的标志性区域,这样平均池化之后的值才会更大,但是GMP并不关心目标类原创 2020-07-28 17:46:15 · 1951 阅读 · 2 评论