勋章
我关注的人
粉丝
技术能力
暂时未有相关云产品技术能力~
暂无个人介绍
-
发表了文章 2023-05-12
深度学习论文阅读目标检测篇（一）：R-CNN《Rich feature hierarchies for accurate object detection and semantic...》
过去几年，在经典数据集PASCAL上，物体检测的效果已经达到 一个稳定水平。效果最好的方法是融合了多种低维图像特征和高维上 下文环境的复杂集成系统。在这篇论文里，我们提出了一种简单并且 可扩展的检测算法，可以在VOC2012最好结果的基础上将mAP值提 高30%以上——达到了53.3%。
-
发表了文章 2023-05-12
深度学习经典网络解析图像分类篇（七）：ResNet
如果说你对深度学习略有了解，那你一定听过大名鼎鼎的ResNet，正所谓ResNet 一出，谁与争锋？现如今2022年，依旧作为各大CV任务的backbone，比如ResNet-50、ResNet-101等。ResNet是2015年的ImageNet大规模视觉识别竞赛（ImageNet Large Scale Visual Recognition Challenge, ILSVRC）中获得了图像分类和物体识别的冠军，是中国人何恺明、张祥雨、任少卿、孙剑在微软亚洲研究院（AI黄埔军校）的研究成果。
-
发表了文章 2023-05-12
深度学习论文阅读图像分类篇（六）：SENet《Squeeze-and-Excitation Networks》
卷积神经网络建立在卷积运算的基础上，通过融合局部感受野内 的空间信息和通道信息来提取信息特征。为了提高网络的表示能力， 许多现有的工作已经表明增强空间编码的好处。
-
发表了文章 2023-05-12
深度学习论文阅读图像分类篇（五）：ResNet《Deep Residual Learning for Image Recognition》
更深的神经网络更难训练。我们提出了一种残差学习框架来减轻 网络训练，这些网络比以前使用的网络更深。我们明确地将层变为学 习关于层输入的残差函数，而不是学习未参考的函数。我们提供了全 面的经验证据说明这些残差网络很容易优化，并可以显著增加深度来 提高准确性。在 ImageNet 数据集上我们评估了深度高达 152 层的残 差网络——比 VGG[40]深 8 倍但仍具有较低的复杂度。这些残差网络 的集合在 ImageNet 测试集上取得了 3.57%的错误率。这个结果在 ILSVRC 2015 分类任务上赢得了第一名。我们也在 CIFAR-10 上分析 了 100 层和 1000 层的残差网络。
-
发表了文章 2023-05-12
深度学习经典网络解析图像分类篇（六）：GoogLeNet
GoogLeNet是2014年Christian Szegedy提出的一种全新的深度学习结构，在这之前的AlexNet、VGG等结构都是通过增大网络的深度（层数）来获得更好的训练效果，但层数的增加会带来很多负作用，比如过拟合、梯度消失、梯度爆炸等。
-
发表了文章 2023-05-12
深度学习论文阅读（四）：GoogLeNet《Going Deeper with Convolutions》
我们在 ImageNet 大规模视觉识别挑战赛 2014（ILSVRC14）上 提出了一种代号为 Inception 的深度卷积神经网络结构，并在分类和 检测上取得了新的最好结果。这个架构的主要特点是提高了网络内部 计算资源的利用率。通过精心的手工设计，我们在增加了网络深度和 广度的同时保持了计算预算不变。为了优化质量，架构的设计以赫布 理论和多尺度处理直觉为基础。我们在 ILSVRC14 提交中应用的一个 特例被称为 GoogLeNet，一个 22 层的深度网络，其质量在分类和检 测的背景下进行了评估。
-
发表了文章 2023-05-12
深度学习实战（一）：LeNet实现CIFAR-10图像分类
利用torchvision.datasets函数可以在线导入pytorch中的数据集，包含一些常见的数据集如MNIST、CIFAR-10等。本次使用的是CIFAR10数据集，也是一个很经典的图像分类数据集，由 Hinton 的学生 Alex Krizhevsky 和 Ilya Sutskever 整理的一个用于识别普适物体的小型数据集，一共包含 10 个类别的 RGB 彩色图片。
-
发表了文章 2023-05-12
深度学习经典网络解析图像分类篇（五）：VGG
VGGNet是在ImageNet Challenge 2014在定位和分类过程中分别获得了第一名和第二名的神经网络架构。VGGNet是牛津大学计算机视觉组和DeepMind公司的研究员一起研发的深度卷积神经网络。VGG主要探究了卷积神经网络的深度和其性能之间的关系，通过反复堆叠3×3的小卷积核和2×2的最大池化层，VGGNet成功的搭建了16-19层的深度卷积神经网络。
-
发表了文章 2023-05-12
深度学习论文阅读图像分类篇（三）：VGGNet《Very Deep Convolutional Networks for Large-Scale Image Recognition》
在这项工作中，我们研究了卷积网络深度在大规模的图像识别环境下对准确性的影响。我们的主要贡献是使用非常小的（3×3）卷积滤波器架构对网络深度的增加进行了全面评估，这表明通过将深度推到 16-19 加权层可以实现对现有技术配置的显著改进。这些发现是我们的 ImageNet Challenge 2014 提交论文的基础，我们的团队在定位和分类过程中分别获得了第一名和第二名。我们还表明，我们的表示对于其他数据集泛化的很好，在其它数据集上取得了最好的结果。
-
发表了文章 2023-05-12
深度学习经典网络解析图像分类篇（四）：DenseNet
DenseNet是CVPR2017年的Best Paper，它脱离了加深网络层数(ResNet)和加宽网络结构(Inception)来提升网络性能的定式思维，从特征的角度考虑,通过特征重用和旁路(Bypass)设置,既大幅度减少了网络的参数量，又在一定程度上缓解了gradient vanishing问题的产生.结合信息流和特征复用的假设，DenseNet当之无愧成为2017年计算机视觉顶会的年度最佳论文。
-
发表了文章 2023-05-12
深度学习经典网络解析图像分类篇（三）：ZFNet
ZFNet在2013年 ILSVRC 图像分类竞赛获得冠军，错误率11.19% ，比去年的AlexNet降低了5%，ZFNet是由 Matthew D.Zeiler 和 Rob Fergus 在 AlexNet 基础上提出的大型卷积网络。ZFNet解释了为什么卷积神经网络可以在图像分类上表现的如此出色，以及研究了如何优化卷积神经网络。ZFNet提出了一种可视化的技术，通过可视化，我们就可以了解卷积神经网络中间层的功能和分类器的操作，这样就就可以找到较好的模型。ZFNet还进行消融实验来研究模型中的每个组件，它会对模型有什么影响。
-
发表了文章 2023-05-12
深度学习论文阅读图像分类篇（二）：ZFNet《Visualizing and Understanding Convolutional Networks》
大型卷积网络模型最近在ImageNet基准测试Krizhevsky等[18]上表现出了令人印象深刻的分类性能。然而，人们还没有明确的理解他们为什么表现如此之好，或者如何改进它们。在本文中，我们将探讨这两个问题。我们介绍了一种新的可视化技术，可以深入了解中间特征层的功能和分类器的操作。
-
发表了文章 2023-05-12
深度学习相关概念：过拟合与欠拟合
是指学习时选择的模型所包含的参数过多，以至于出现这一模型对已知数据预测的很好，但对未知数据预测得很差的现象。这种情况下模型可能只是记住了训练集数据，而不是学习到了数据特征。
-
发表了文章 2023-05-12
深度学习论文阅读图像分类篇（一）：AlexNet《ImageNet Classification with Deep Convolutional Neural Networks》
我们训练了一个大型深度卷积神经网络来将 ImageNet LSVRC2010 竞赛的 120 万高分辨率的图像分到 1000 不同的类别中。在测试数据上，我们得到了 top-1 37.5%和 top-5 17.0%的错误率，这个结果比目前的最好结果好很多。
-
发表了文章 2023-05-12
深度学习相关概念：批量归一化
在训练过程中，每层输入的分布不断的变化，这使得下一层需要不断的去适应新的数据分布，这就会让训练变得非常复杂而且缓慢。为了解决这个问题，就需要设置更小的学习率、更严格的参数初始化。通过使用批量归一化(Batch Normalization, BN)，在模型的训练过程中利用小批量的均值和方差调整神经网络中间的输出
-
发表了文章 2023-05-12
深度学习经典网络解析图像分类篇（一）：LeNet-5
LeNet-5，这篇是由LeCun和Bengio在1998年撰写的论文（LeCun和Bengio和Hitton成被称为深度学习三巨头，在2018年一起获得图灵奖）。
-
发表了文章 2023-05-12
深度学习经典网络解析图像分类篇（二）：AlexNet
之所以叫AlexNet网络是因为这篇文章过于经典，后人们常常哪来在论文中比较，将论文的一作（Alex Krizhevsky）与Net结合，故称做AlexNet。AlexNet是在2010年ImageNet大赛获得冠军的一个神经网络，它引入图像增强，Dropout等技术，同时把网络分布在两个GPU进行计算，大大提高了运算效率，并且在ILSVRC-2012竞赛中获得了top-5测试的15.3%error rate， 获得第二名的方法error rate 是 26.2%，比第二名高了近10个点。
-
发表了文章 2023-05-12
深度学习相关概念：权重初始化
权重初始化（weight initialization）又称参数初始化，在深度学习模型训练过程的本质是对weight（即参数 W）进行更新，但是在最开始训练的时候是无法更新的，这需要每个参数有相应的初始值。在进行权重初始化后，神经网络就可以对权重参数w不停地迭代更新，以达到较好的性能
-
发表了文章 2023-05-12
深度学习相关概念：动量法与自适应梯度
在梯度下降的每一步中，我们都用到了所有的训练样本，我们需要进行求和运算，在梯度下降中，在计算微积随机梯度下降（SGD）
-
发表了文章 2023-05-12
深度学习部署：Windows安装pycocotools报错解决方法
pycocotools即python api tools of COCO。COCO是一个大型的图像数据集，用于目标检测、分割、人的关键点检测、素材分割和标题生成
-
发表了文章 2023-05-12
深度学习相关概念：梯度下降
在深度学习中，你一定听说过“梯度下降”，在绝大部分的神经网络模型里有直接或者间接地使用了梯度下降的算法。深度学习的核心：就是把数据喂给一个人工设计的模型，然后让模型自动的“学习”，通过反向传播进而优化模型自身的各种参数，最终使得在某一组参数下该模型能够最佳的匹配该学习任务。
-
发表了文章 2023-05-12
深度学习相关概念：计算图与反向传播
在深度学习分类问题中，反向传播是一个重要的环节，它决定着模型是否能被训练，反向传播相当于一个负反馈，当一件事做完之后，会寻找当前事件做的不好的问题，进行回传，当下次在做的时候，进行优化。
-
发表了文章 2023-05-12
深度学习相关概念：交叉熵损失
我在学习深度学习的过程中，发现交叉熵损失在分类问题里出现的非常的频繁，但是对于交叉熵损失这个概念有非常的模糊，好像明白又好像不明白，因此对交叉熵损失进行了学习。
-
发表了文章 2023-05-12
论文笔记：SpectralFormer Rethinking Hyperspectral Image Classification With Transformers_外文翻译
高光谱(HS)图像具有近似连续的光谱信息，能够通过捕获细微的光谱差异来精确识别物质。卷积神经网络(CNNs)由于具有良好的局部上下文建模能力，在HS图像分类中是一种强有力的特征提取器。然而，由于其固有的网络骨干网的限制，CNN不能很好地挖掘和表示谱特征的序列属性。
-
发表了文章 2023-05-12
11.1 迁移学习【李沐-斯坦福21秋季：实用机器学习中文版】
迁移学习就是能在一个任务上学习一个模型，然后用其来解决相关的别的任务，这样我们在一个地方花的时间，学习的一些知识，研究的一些看法可以在另外一个地方被使用到； 例如，如果你已经训练好一个神经网络，能够识别像猫这样的对象，然后使用那些知识，或者部分习得的知识去帮助您更好地阅读x射线扫描图，这就是所谓的迁移学习。
-
发表了文章 2023-05-12
Spatial-Spectral Transformer for Hyperspectral Image Classification_外文翻译
由于成像光谱学的进步，高光谱传感器倾向于以越来越高的空间和光谱分辨率捕获给定场景的反射强度[1]。获得的高光谱图像（HSI）同时包含空间特征和不同物体的连续诊断光谱[2]。因此，获得的丰富信息使HSI在许多领域有用，包括有效测量农业绩效[3]、植物病害检测[4]、矿物鉴定[5]、疾病诊断和图像引导手术[6]、生态系统测量[7]，和地球监测[8]。为了充分利用获得的HSI，已经探索了许多数据处理技术，例如解混合、检测和分类[8]。
-
发表了文章 2023-05-12
ML Visuals神经网络画图神器
ML Visuals 现在包含了 100 多个可用的自定义图形，使用者可以在任何论文、博客、PPT 中使用这些资源。
-
发表了文章 2023-05-12
2.4 特征工程【李沐-斯坦福21秋季：实用机器学习中文版】
因为机器学习的算法比较喜欢定义的比较好的、它能比较好的去处理的、固定长度的输入输出。
-
发表了文章 2023-05-12
2.3 数据变换【李沐-斯坦福21秋季：实用机器学习中文版】
通过算法使得均值变为0，方差变为1 。把一列的数据换成是-1到1之间的数据。
-
发表了文章
2023-05-15
CVPR 2023 点云系列 | Point-NN无需训练的非参数、即插即用网络
-
发表了文章
2023-05-15
深度学习实战（二）：AlexNet实现花图像分类
-
发表了文章
2023-05-15
每日学术速递5.12
-
发表了文章
2023-05-15
每日学术速递5.11
-
发表了文章
2023-05-15
每日学术速递5.10
-
发表了文章
2023-05-15
每日学术速递5.9
-
发表了文章
2023-05-15
每日学术速递5.8
-
发表了文章
2023-05-15
每日学术速递5.7
-
发表了文章
2023-05-15
每日学术速递5.6
-
发表了文章
2023-05-15
每日学术速递5.5
-
发表了文章
2023-05-15
每日学术速递5.4
-
发表了文章
2023-05-15
每日学术速递5.2
-
发表了文章
2023-05-15
每日学术速递5.3
-
发表了文章
2023-05-15
每日学术速递5.1
-
发表了文章
2023-05-15
每日学术速递4.30
-
发表了文章
2023-05-15
每日学术速递4.29
-
发表了文章
2023-05-15
每日学术速递4.28
-
发表了文章
2023-05-15
每日学术速递4.27
-
发表了文章
2023-05-15
每日学术速递4.26
-
发表了文章
2023-05-15
每日学术速递4.25
