![](https://img-blog.csdnimg.cn/20201014180756925.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
笔记
文章平均质量分 93
「已注销」
这个作者很懒,什么都没留下…
展开
-
BYOL(Bootstrap your own latent A new approach to self-supervised Learning)算法笔记
Bootstrap your own latent A new approach to self-supervised Learning引导你自己潜在的自我监督学习的新方法论文链接:https://arxiv.org/abs/2006.07733复现代码:https://github.com/HibikiJie/BYOL\为什么使用自监督学习网络更加庞大,难以训练,需要大量的标记数据来监督训练,成本过高。所以需要一种自监督学习,来训练网络,使网络更加泛化。网络没有预训练,直接使用在自己原创 2021-06-17 14:27:01 · 1197 阅读 · 6 评论 -
用于异常检测的多分辨率知识蒸馏
Unsupervised representation learning has proved to be a critical component of anomaly detection/localization in images. The challenges to learn such a representation are two-fold. Firstly, the sample size is not often large enough to learn a rich generaliz原创 2021-05-08 18:04:43 · 2179 阅读 · 1 评论 -
深入浅出自然语义处理原理并构建自然语义处理(NLP)模型GPT2
NLP自然语言处理,GPT2模型1、词向量在图像的处理中,我们无需对图像进行特殊的处理,因为图像本身就是由矩阵来表示的。而处理自然语言的时候,语言是由每一个字、词组成的。而字、词是通过编码存储在计算机当中的。所以我们可以通过将字、词编码成为向量的形式,如此就可以输入进深度学习网络模型中。但是我们应该如何去编码呢?像做图像分类那样,使用one—hot的形式编码?但是这样会存在一个问题,在自然语言中,存在着词和词之间的关系,字和字之间的关系。例如近义词,反义词,同属性的词语。例如:‘beijing’原创 2021-02-04 16:03:28 · 1497 阅读 · 0 评论 -
倾斜目标矩形框的目标侦测
1、倾斜目标框在构建led读数识别时,遇见如下图所示的倾斜的识别对象。在标注水平侦测框的时候,是如下图所示标注的。在识别led读数中,会将侦测到的图像部分,resize至具有同样高度的尺寸上,虽然在宽度W维度上,不受限制,但其高度H的信息压缩过多,对数字序列的识别是不利的。因此,给出这样的一个建议框才是合适的:那这样一个目标狂应该如何表示呢?2、c_x、c_y、w、h、theta很自然的就会首先想到这样的方案,但是这样表示一个倾斜的目标框是有问题的。首先是theta角度的周期性,会出现下原创 2021-02-03 10:18:46 · 2399 阅读 · 0 评论 -
深入浅出Alpha Zero技术原理
深入浅出Alpha Zero技术原理1、蒙特卡洛树搜索(1)蒙特卡洛方法蒙特卡罗法也称统法模拟法、统计试验法。是把概率现象作为研究对象的数值模拟方法。上图中,求中间曲线区域的面积。曲线区域的面积不易计算,而正方形面积易于计算。则可以进行随机地采样,将属于曲线内的点的数量记作NaN_{a}Na,一共采样了N次。则中间曲线区域的面积为:S=SsquareNaNS=S_{square} \frac{N_{a}}{N}S=SsquareNNaSSS -曲线区域面积SsquareS_{s原创 2020-11-02 15:23:55 · 7200 阅读 · 2 评论 -
风格迁移StyleTransfer和Pytorch实现
风格迁移及Pytorch实现风格迁移,就是利用算法学习一幅画的风格,然后再把这种风格应用到另外一张图片上。本篇文章会介绍其原理,并使用Pytorch实现。在卷积中,浅层特征越具体,深层特征则越抽象);从风格角度来说,浅层特征则记录着颜色纹理等信息,而深层特征则会记录更高级的信息。主要方式则是,随机一张图片,通过优化内容损失和风格损失,改变该图,使其内容接近内容图片,风格上接近风格图片。内容损失:直接计算特征图的欧式距离;风格损失:计算特征图的格拉姆矩阵的欧式距离格拉姆矩阵的计算方式:def原创 2020-10-13 09:55:50 · 1564 阅读 · 8 评论