细粒度知识补充

最新推荐文章于 2024-11-08 23:59:09 发布
最新推荐文章于 2024-11-08 23:59:09 发布
阅读量149 收藏
点赞数
分类专栏： 机器学习 文章标签： 机器学习 分类
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yasminec/article/details/123890325
版权

不是做细粒度方向的，这里只是简单补充一点直觉知识，不深究

Mixup+CutMix

两种经典的图像增广方式（下图说明一切）
在这里插入图片描述
看图的直观感觉：
Mixup的问题根本就是凑出一个四不像，语义上没有什么含义，这样凑出的样本真的有意义吗？
CutMix，加了狗图像的那一小块，根本就无关痛痒，并没有给整个图像的识别增加太大难度

SnapMix

针对细粒度图像分类的一种图像增广方法，主要动机是细粒度图像分类比较关注细节，而上面两种方式可能正好就会覆盖掉关键细节，从而生成无效的训练图片

反科研pua所所长
关注
专栏目录
基于大语言模型隐含语义增强的细粒度虚假新闻检测方法
罗伯特技术屋
06-02 161
随着生成式人工智能技术的发展，许多领域都得到了帮助与发展，但与此同时虚假信息的构建与传播变得更加简单，虚假信息的检测也随之难度增加. 先前的工作主要聚焦于语法问题、内容煽动性等方面的特点，利用深度学习模型对虚假新闻内容进行建模. 这样的方式不仅缺乏对内容本身的判断，还无法回溯模型的判别原因.
稳定提点的Mixup
u012526436的博客
12-29 3798
前言 俗话说想训练好一个模型，3分靠模型，7分靠数据，然而真实情况往往是缺少数据，高额的标注成本、极为常见的长尾问题都限制了模型的效果。因此数据增强在AI领域基本上是必不可少，在CV中有图片的旋转、裁剪偏移等等，但是在nlp领域中想做好数据增强就有一点麻烦了，一些采样的方法例如smote在深度学习领域更是基本没啥效果。那么有没有什么好的方法，能在各种不同的领域都能做到数据增强并且稳定提升效果呢？ Mixup Mixup是近几年提出来的一种新的数据增强的方法，它的核心思想是采用线性插值的方式从训练集生成新的数
mixup--学习笔记
oneself的博客
11-08 1046
mixup--学习笔记
【pytorch】使用mixup技术扩充数据集进行训练
种一棵树最好的时间是十年前，其次是现在
03-06 6488
mixup是一种数据增强技术，它可以通过将多组不同数据集的样本进行线性组合，生成新的样本，从而扩充数据集。mixup的核心原理是将两个不同的图片按照一定的比例进行线性组合，生成新的样本，新样本的标签也是进行线性组合得到。比如，对于两个样本x1和x2，它们的标签分别为y1和y2，那么mixup生成的新样本x’和标签y’如下：其中，λ为0到1之间的一个随机数，它表示x1和x2在新样本中的权重。
细粒度图像分类模型（含实战代码）
学姐带你玩AI的博客
12-24 4482
细粒度图像分类模型
图像分类中如何使用 CutMix
qq_39845931的博客
09-22 2437
使用数据集以及运行源代码: PyTorch 图像分类与图像分割中使用 CutMix. 概述 CutMix 是效果比较好的一类数据增强，常混迹于各大视觉比赛。 那么有小伙伴问了， CutMix 是什么呢？混砍？这我知道，我最近看的扫黑风暴里就有。。。也太暴力了。 我说的是 CutMix: Regularization Strategy to Train Strong Classifierswith Localizable Features 这篇论文！ CutMix增强策略： 在训练图像中剪切和粘贴补丁，.
序列标注_EMNLP 19论文：基于细粒度知识融合的序列标注领域适应
weixin_30915399的博客
01-12 402
背景介绍序列标注任务，例如中文分词(CWS)，词性标注(POS)，命名实体识别(NER)等是自然语言处理中的基础任务。最近，随着深度学习的发展，神经序列标注方案已经达到了很好的性能，同时也依赖于大规模的标注数据。然而大部分的规范标注数据来自于新闻领域，将在这些数据集上训练的模型应用到其他领域时，模型的性能往往会大幅下降。领域适应(domain adaptation)利用源领域(sourc...
面向细粒度识别的场景文本知识挖掘
4624面向细粒度识别的场景文本知识挖掘王浩1*，廖俊超1 *，陈天恒1*，高泽文1*，李浩2*，任波2 *，向柏1 *，刘文宇1 *，华中科技大学2 *，腾讯优图实验室{wanghao4659，liaojc，thch，gaozw，xbai，liuwy} @ hust....
"基于细粒度特征模拟的目标检测知识蒸馏方法
4933利用细粒度特征模拟王涛1李远1张晓鹏1、2冯佳石11新加坡国立大学电子与计算机工程系，新加坡2华为诺亚twangnh@gmail.comylustcnus@gmail.comzhangxiaopeng12@huawei.comelefjia@nus.edu.sg摘要最先进的基于CNN的...
联合多细粒度特征实现车辆重识别
阵列14（2022）100152联合多细粒度特征用于车辆重识别徐艳*，荣雷雷 **，周晓磊，潘旭光，刘山东科技大学电子信息工程学院，山东青岛266590&A R T I C L EI N FO保留字：图像检索深度学习车辆再识别细粒度特征特征...
BoxCars：交通监控场景利用3Dbbox进行车辆细粒度分类
abrams90的专栏
07-31 3325
BoxCars：Improving Fine-Grained Recognition of Vehicles using 3D Bounding Boxes in Traffic Surveillance Abstract 本文中我们专注于交通应用中的细粒度车辆识别研究。本文提出了一种与当前细粒度识别（自动部件识别，bilinear pooling）发展方向一致的算法。此外，与其它专注于细粒度...
MIXUP理解
行云
06-14 6412
论文：Bag of Freebies for Training Object Detection Neural Networks 论文链接：https://arxiv.org/abs/1902.04103 网上有很多对该论文的介绍，请自行百度： 尽管mixup给人更合理一些的感觉，但它们都没有回答一个很重要的问题：两幅图像相加后，结果已经不是一幅合理的图像了，这跟我们通常说...
数据增强mixup技术
热门推荐
sophicchen的专栏
09-23 2万+
目录 一. mixup 1. mixup方法 2. mixup的讨论 2.1 mixup效果如何 2.2 为什么使用Beta分布 2.3 参数有何影响，如何选择 2.4 是否可以使用多个样本混合 2.5 为什么要使用凸组合 二. mixup的改进 1.多种改进方法简介 1.1 cutMix 1.2 manifold mixup 1.3 patchUp 1.4 puzzleMix 1.5 saliency Mix 1.6 fMix 1.7 co-Mix 2.改进方法对比 .
AI Challenger 2018 农作物病害细粒度分类-----Pytorch 深度学习实战
一只小包子的博客
11-12 2万+
AI Challenger 2018 农作物病害细粒度分类 比赛地址 数据集地址 密码： 4ac2 1 前言 2 代码组织结构 3 完整流程解析    &amp
【机器学习】平均绝对误差（MAE：Mean Absolute Error）
IT古董
11-08 602
平均绝对误差 (Mean Absolute Error, MAE) 是一种衡量预测值与实际值之间平均差异的统计指标。它在机器学习、统计学等领域中广泛应用，用于评估模型的预测精度。与均方误差 (MSE) 或均方误差根 (RMSE) 不同，MAE 使用误差的绝对值，因此它在处理异常值时更加稳定。
对比：生成对抗网络（GANs）和变分自编码器（VAEs）
weixin_67075116的博客
11-08 336
以下是生成对抗网络（GANs）和变分自编码器（VAEs）的详细介绍、区别、优缺点的对比表：总结：
使用多种机器学习调参模型进行二分类建模的全流程教程，代做分析
最新发布
qq_40073899的博客
11-08 584
我开发的本地零代码全能生信软件在github上的zihaoxingstudy1/OmicsTools仓库中，大家可以下载安装进行各种生信分析和可视化作图。 大家想使用我的零代码生信软件在自己电脑分析或者想要找人代做生信分析和科研课题项目都可以跟我联系。
大数据新视界 -- 大数据大厂之 Impala 性能优化：融合机器学习的未来之路（上 （2-1））（11/30）
【青云交】荣登原力全国前三，作者周榜前四，苏州均榜首，全网领军人物前列。
11-08 656
本文聚焦于大数据大厂中 Impala 性能优化，重点阐述 Impala 与机器学习融合这一关键路径。从数据处理演变说起，剖析融合的背景意义。深入介绍数据交互接口（格式、传输等）和计算资源管理（GPU/CPU、内存）的技术要点，并附代码。以电商、广告、金融案例展示应用效果，探讨其在医疗、物流等多行业的拓展潜力，为 Impala 性能优化和机器学习融合发展提供思路，助力企业数字化转型与创新。
从0开始学习机器学习--Day19--学习曲线
Chef_Chen的博客
11-08 684
一般来说，如果一个算法的表现不理想，那么多半是因为出现了欠拟合或过拟合问题，这种时候我们要做的就是搞清楚出现的是偏差问题还是方差问题，亦或是二者皆有，这有助于我们精准定位问题所在。之前，我们发现假设函数多项式的次数越高，代价函数的误差就越小，假设我们把多项式的次数作为横坐标，训练集代价函数的误差为纵坐标画图，呈现出来的应该是随着横坐标增大纵坐标不断减小的图像：随着多项式次数增加两种代价函数的变化情况但如果换做是验证集的假设函数，图像又有所不同。可以看到在。
知识图谱构建：概念图谱详解
只有当图谱的规模足够大，概念足够准确，粒度足够细，机器才能有效地理解并处理大量实体和概念的关系。概念图谱的作用包括实例化（列出一个概念下的典型实体）和推理（推断实体所属的概念）。例如，可以识别“Brazil...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值