文章
深度学习中的数值计算
本文首发自公众号:RAIS(https://link.segmentfault.com/?enclVqUznVJu8ap5jDQbbH6%2Bw%3D%3D.MQc9diwxv6fG55pWYkh5KzZ64PA0P8u6QlY8li57E1A%3D)前言本系列文章为
深度学习中的信息论
本文首发自公众号:RAIS(https://link.segmentfault.com/?encKDaSij0sc%2BDnzXk96dV1eQ%3D%3D.WtBHd0jZoiRimQBuDjGpTuMLpYu8Ht4Ktb%2FBqZ0wdh0%3D),欢迎关注。前言
残差收缩网络:从删除冗余特征的灵活度进行探讨
本文介绍了一种新的深度学习方法——残差收缩网络(ResidualShrinkageNetwork(https://link.segmentfault.com/?encm%2B7BAKlPO8yGVJ%2F8W9LqfQ%3D%3D.2R1er4HEC0FBCV4HhDLTweyGhUs
深度学习基础:为什么神经网络的感知机中的神经元需要偏置项?
!(https://imghelloworld.osscnbeijing.aliyuncs.com/imgs/468edb8ab6a6c58f5190fc8d5e3ce9e0.png)<blockquote作者|CaioDavi</blockquote每个人都知道神经
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
已加载文章中没有匹配内容,试试其他关键词或清空搜索。