文章
ESPNet
ESPNet:EfficientSpatialPyramidofDilatedConvolutionsforSemanticSegme(https://link.segmentfault.com/?enc9ENnZhSlJmAuQ3ocIHWA5w%3D%3D.Z9kfNHX
MobileNetV2 + ShuffleNetV2
_Author:YuZhang_2019.03.04MobileNetV2ShuffleNetV2漂移卷积实验跑完了,IoU只有66%,降了7个百分点,下面把漂移去掉换成普通卷积,再对比看一下,如果有一点提升,那么在之后论文中也可以用到。感觉今天没看
DANet&CCNet
_Author:YuZhang_两篇文章都是将selfattention机制应用到分割当中,扩大感受野。第二篇文章采用了更巧妙的方法来减少参数。DANetDualAttentionNetworkforSceneSegmentation(https://lin
AutoML:自动设计自动驾驶机器学习模型
译者说本人介绍了谷歌自动驾驶子公司Waymo在AutoML领域的研究成果。自动驾驶对神经网络模型的准确性和延迟要求,这要求工程师手动调优不同的神经网络架构,这不仅花费了大量的时间,而且能够调优的数量是有限的。因此,Waymo和GoogleAI的研究员合作,自动生成神经网络架构并训练评估
基于Nvidia GPU和Docker容器的深度学习环境搭建
基于NvidiaGPU和Docker容器的深度学习环境搭建GPU云主机:操作系统:Ubuntu16.0464位GPU:1xNvidiaTeslaP401.安装CUDADriver1.1PreinstallationA
Graph Embedding学习笔记(3):Graph Convolution Networks
笔记!clipboard.png(/img/bVbhqeT?w945&h472)从Graph的视角看CNN,上图左右两个部分是等价的。左子图每个网格的通道,对应右子图每个节点的一个属性,左子图卷积核的参数相当于右子图边的权重。所谓3x3卷积就是右子图9个节点属性的加权
Graph Embedding学习笔记(2):Laplacian Eigenmaps
论文信息M.BelkinandP.Niyogi,“Laplacianeigenmapsandspectraltechniquesforembeddingandclustering,”inNIPS,vol.14,no.14,2001,pp.585–5
Graph Embedding学习笔记(1):Locally Linear Embedding (LLE)
论文信息Roweis,SamT.andLaurenceK.Saul(2000).“NonlinearDimensionalityReductionbyLocallyLinearEmbedding.”Science,290:2323–2326.doi:10.
神经风格迁移原理
1.举个栗子!clipboard.png(/img/bVbgFQH?w999&h268)(上图是使用VGG19学习200次后的结果)2.原理简单说就是通过给的内容图片中学习内容,从风格图片中学习风格特征,最后将学习到的内容特征和风格特征按比例凑在
局部相应归一化(Local Response Normalization)
在深度学习中有一个不常用的方法:LRN,首次提出于AlexNet论文,但现在一般会被Dropout等方法给替代1.作用在深度学习训练时提高准确度。2.LRN原理仿造生物学上活跃的神经元对相邻神经元的抑制现象(侧抑制(个人认为类似于生物学上的顶端优势))。通过对局部
已加载文章中没有匹配内容,试试其他关键词或清空搜索。