文章
OREPA:阿里提出训练也很快的重参数策略,内存减半,速度加倍 | CVPR 2022
<blockquote论文提出了在线重参数方法OREPA,在训练阶段就能将复杂的结构重参数为单卷积层,从而降低大量训练的耗时。为了实现这一目标,论文用线性缩放层代替了训练时的BN层,保持了优化方向的多样性和特征表达能力。从实验结果来看,OREPA在各种任务上的准确率和效率都很不错<br/
SiamRPN++:深层网络连体视觉跟踪的演变
原文地址(https://link.segmentfault.com/?enceFSGPiYzpctkLO5FEJH69g%3D%3D.wSltZb6umZWunKTQINiS5rqc67Pb2dhw8c%2BEP4qRwj6y%2F%2FwVA6SskcsfPGGCS5fy3gIN7ydJy
深入浅出 Yolo 系列之 Yolov7 基础网络结构详解
从2015年的YOLOV1,2016年YOLOV2,2018年的YOLOV73,到2020年的YOLOV4、YOLOV5,以及最近出现的YOLOV76和YOLOV7可以说YOLO系列见证了深度学习时代目标检测的
使用Python和OCR进行文档解析的完整代码演示
在本文中将使用Python演示如何解析文档(如pdf)并提取文本,图形,表格等信息。文档解析涉及检查文档中的数据并提取有用的信息。它可以通过自动化减少了大量的手工工作。一种流行的解析策略是将文档转换为图像并使用计算机视觉进行识别。而文档图像分析(DocumentImageAnalysis)是
SiamRPN:孪生网络与RPN的结合
原文链接(https://link.segmentfault.com/?encnlp17QY4AmM2oOL7HwZ6pQ%3D%3D.7FK4JenYuyg8v2rwDTFK%2BW2rp%2BWkihx2fYar4ghJ4Yxc6blAgLq5GqI08Afxnvf621d5I67Q9no
SiamFC:用于目标跟踪的全卷积孪生网络
原文链接(https://link.segmentfault.com/?encWBqgP%2BRDKV5HUmdv39klBA%3D%3D.YVf8cECfzXYqezZBdhZebmxq4A%2FrGUmBV5PUuWCLDmeEFlxryPieBxUrQouJ1%2Fy83u1JAUqtR
GIT:斯坦福大学提出应对复杂变换的不变性提升方法 | ICLR 2022
<blockquote论文对长尾数据集中的复杂变换不变性进行了研究,发现不变性在很大程度上取决于类别的图片数量,实际上分类器并不能将从大类中学习到的不变性转移到小类中。为此,论文提出了GIT生成模型,从数据集中学习到类无关的复杂变换,从而在训练时对小类进行有效增强,整体效果不错<br/
MindSpore自动安装之CPU篇
参考链接为:https://www.mindspore.cn/install(https://link.segmentfault.com/?encFjd25l67el%2Fu444e3KmVZg%3D%3D.XekICMhSH1PDe3SswGwA5T%2FWFZnvhfEQ3fS8Vbw
MindSpore数据增强后,内存不足,自动退出
1报错描述1.1系统环境ardwareEnvironment(Ascend/GPU/CPU):AscendSoftwareEnvironment:–MindSporeversion(sourceorbinary):1.6.0–Pythonversion(e.g.,Pyt
目标跟踪相关知识总结
原文链接(https://link.segmentfault.com/?encS7thhyu5gXYCKbN%2Bxv8Slg%3D%3D.rNohc2EpF3V845JY5ItyRNypXpcqrLsINTGHIVEB2WOPiiAZMbqmXx04AZgMdWrbRnyIeqacd6lHb
已加载文章中没有匹配内容,试试其他关键词或清空搜索。