文章
翻车现场:我用pytorch和GAN做了一个生成神奇宝贝的失败模型
前言神奇宝贝已经是一个家喻户晓的动画了,我们今天来确认是否可以使用深度学习为他自动创建新的Pokemon。!(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/0b4f6555eb4bfdc42382e4fd52e41
Chat with Milvus #5 回顾
!1073eb1f46047d7416b952ae27b0bf3ea2a00f05.jpg(/img/remote/1460000022181755)点击看视频:ChatwithMilvus线上问答5(https://link.segmentfault.com/?enc5vb
Chat with Milvus #4 回顾 - v0.7.0 的那些事儿
视频:新版本v0.7.0的一些主要更新(https://www.bilibili.com/video/BV1pE411A7BG/)<imgalt""title""/来看看大家都在这次的问答会上问了什么问题!不播放视频也可以看看以下的文字实录喔!部分Q&
从零开始构建:使用CNN和TensorFlow进行人脸特征检测
人脸检测系统在当今世界中具有巨大的用途,这个系统要求安全性,可访问性和趣味性!今天,我们将建立一个可以在脸上绘制15个关键点的模型。人脸特征检测模型形成了我们在社交媒体应用程序中看到的各种功能。您在Instagram上找到的面部过滤器是一个常见的用例。该算法将掩膜(mask)在图像上对齐
告别炼丹,Google Brain提出强化学习助力Neural Architecture Search | ICLR2017
<blockquote论文为GoogleBrain在16年推出的使用强化学习的NeuralArchitectureSearch方法,该方法能够针对数据集搜索构建特定的网络,但需要800卡训练一个月时间。虽然论文的思路有很多改进的地方,但该论文为AutoML的经典之作,为后面很多的研究提供了思
AAAI 2020 | 反向R?削弱显著特征为细粒度分类带来提升
<blockquote论文提出了类似于dropout作用的diversificationblock,通过抑制特征图的高响应区域来反向提高模型的特征提取能力,在损失函数方面,提出专注于topk类别的gradientboostingloss来优化训练过程,模型在ResNet50上提升3.2%
AAAI 2020 | DIoU和CIoU:IoU在目标检测中的正确打开方式
<blockquote论文提出了IoUbased的DIoUloss和CIoUloss,以及建议使用DIoUNMS替换经典的NMS方法,充分地利用IoU的特性进行优化。并且方法能够简单地迁移到现有的算法中带来性能的提升,实验在YOLOv3上提升了5.91mAP,值得学习</blockquot
【Deep Learning读书笔记】深度学习中的概率论
本文首发自公众号:RAIS(https://link.segmentfault.com/?enc41LCngBrdICCpcQUCEeC1Q%3D%3D.RngvAreWkiNOTxJzUHCvMlOWGzEutSVKOPpF8pB2jVI%3D),期待你的关注。前言本系
目标检测 | 经典算法 Cascade R-CNN
<blockquote作者从detector的overfittingattraining/qualitymismatchatinference问题入手,提出了基于multistage的CascadeRCNN,该网络结构清晰,效果显著,并且能简单移植到其它detector中,带来2
ECCV 2018 目标检测 | IoU-Net:将IoU的作用发挥到极致
<blockquote常见的目标检测算法缺少了定位效果的学习,IoUNet提出IoUpredictor、IoUguidedNMS和Optimizationbasedboundingboxrefinement,将IoU作为一个新分支融入到模型的学习和推理中,带来了新的性能优化方法,值
已加载文章中没有匹配内容,试试其他关键词或清空搜索。