机器学习/计算机视觉/ NLP的论文及笔记

Wang_AI Wang_AI 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 4.3k累计阅读 4.3k平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄12年
关注
转载 最新推荐文章于 2026-10-08 12:28:18 发布 4.3k 阅读 AI 写同款· GEO 优化 ›
《Discriminative Unsupervised Feature Learning with Exemplar Convolutional Neural Networks》阅读笔记 《Discriminative Unsupervised Feature Learning with Exemplar Convolutional Neural Networks》阅读笔记 文章: 1406.6909v2 [cs.LG] 摘要 事实证明，深度卷积网络在学习任务特定功能方面非常成功，这些功能可在各种计算机视觉任务上实现前所未有的性能。此类网络的训练主要遵循有监督的学习范式，其中培训需要足够多的输入输出对。在完成一项新任务时，获取大量培训内容是关键挑战之一。在本文中，我们旨在进行通用特征学习，并 阅读详情

来源：专知

【导读】这个仓库包含了一些机器学习论文与笔记，主题包括自监督学习、半监督学习、无监督学习、语义分割、弱监督、半监督语义分割、信息检索、图神经网络等。

github链接：https://github.com/yassouali/ML_paper_notes

Self-Supervised Learning

  • Selfie: Self-supervised Pretraining for Image Embedding (2019):

    • Paper https://arxiv.org/abs/1906.02940

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/76_selfie_pretraining_for_img_embeddings.pdf

  • Self-Supervised Representation Learning by Rotation Feature Decoupling (2019):

    • Paper https://github.com/philiptheother/FeatureDecoupling

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/73_SSL_by_rotation_decoupling.pdf

  • Revisiting Self-Supervised Visual Representation Learning (2019):

    • Paper https://arxiv.org/abs/1901.09005

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/72_revisiting_SSL.pdf

  • AET vs. AED: Unsupervised Representation Learning by Auto-Encoding Transformations rather than Data (2019):

    • Paper https://arxiv.org/abs/1901.04596

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/74_AFT_vs_AED.pdf

  • Boosting Self-Supervised Learning via Knowledge Transfer (2018):

    • Paper https://arxiv.org/abs/1805.00385

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/67_boosting_self_super_via_trsf_learning.pdf

  • Self-Supervised Feature Learning by Learning to Spot Artifacts (2018):

    • Paper https://arxiv.org/abs/1806.05024

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/69_SSL_by_learn_to_spot_artifacts.pdf

  • Unsupervised Representation Learning by Predicting Image Rotations (2018):

    • Paper https://arxiv.org/abs/1803.07728

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/68_unsup_img_rep_learn_by_rot_predic.pdf

  • Cross Pixel Optical-Flow Similarity for Self-Supervised Learning (2018):

    • Paper https://arxiv.org/abs/1807.05636

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/75_cross_pixel_optical_flow.pdf

  • Multi-task Self-Supervised Visual Learning (2017):

    • Paper https://arxiv.org/abs/1708.07860

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/64_multi_task_self_supervised.pdf

  • Split-Brain Autoencoders: Unsupervised Learning by Cross-Channel Prediction (2017):

    • Paper https://arxiv.org/abs/1611.09842

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/65_split_brain_autoencoders.pdf

  • Colorization as a Proxy Task for Visual Understanding (2017):

    • Paper https://arxiv.org/abs/1703.04044

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/66_colorization_as_a_proxy_for_viz_under.pdf

  • Unsupervised Learning of Visual Representations by Solving Jigsaw Puzzles (2017):

    • Paper https://arxiv.org/abs/1603.09246

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/63_solving_jigsaw_puzzles.pdf

  • Unsupervised Visual Representation Learning by Context Prediction (2016):

    • Paper https://arxiv.org/abs/1505.05192

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/62_unsupervised_learning_with_context_prediction.pdf

  • Colorful image colorization (2016):

    • Paper https://richzhang.github.io/colorization/

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/59_colorful_colorization.pdf

  • Learning visual groups from co-occurrences in space and time (2015):

    • Paper https://arxiv.org/abs/1511.06811

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/61_visual_groups_from_co_occurrences.pdf

  • Discriminative unsupervised feature learning with exemplar convolutional neural networks (2015):

    • Paper https://arxiv.org/abs/1406.6909

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/60_exemplar_CNNs.pdf

Semi-Supervised Learning

  • Dual Student: Breaking the Limits of the Teacher in Semi-supervised Learning (2019):

    • Paper https://arxiv.org/abs/1909.01804

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/79_dual_student.pdf

  • S4L: Self-Supervised Semi-Supervised Learning (2019):

    • Paper https://arxiv.org/abs/1905.03670

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/83_S4L.pdf

  • Semi-Supervised Learning by Augmented Distribution Alignment (2019

    • Paper https://arxiv.org/abs/1905.08171

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/80_SSL_aug_dist_align.pdf

  • MixMatch: A Holistic Approach toSemi-Supervised Learning (2019):

    • Paper https://arxiv.org/abs/1905.02249

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/45_mixmatch.pdf

  • Unsupervised Data Augmentation (2019):

    • Paper https://arxiv.org/abs/1904.12848

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/39_unsupervised_data_aug.pdf

  • Interpolation Consistency Training forSemi-Supervised Learning (2019):

    • Paper https://arxiv.org/abs/1903.03825

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/44_interpolation_consistency_tranining.pdf

  • Deep Co-Training for Semi-Supervised Image Recognition (2018):

    • Paper https://arxiv.org/abs/1803.05984

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/46_deep_co_training_img_rec.pdf

  • Unifying semi-supervised and robust learning by mixup (2019):

    • Paper https://openreview.net/forum?id=r1gp1jRN_4

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/42_mixmixup.pdf

  • Realistic Evaluation of Deep Semi-Supervised Learning Algorithms (2018):

    • Paper https://arxiv.org/abs/1804.09170

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/37_realistic_eval_of_deep_ss.pdf

  • Semi-Supervised Sequence Modeling with Cross-View Training (2018):

    • Paper https://arxiv.org/abs/1809.08370

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/38_cross_view_semi_supervised.pdf

  • Virtual Adversarial Training:A Regularization Method for Supervised andSemi-Supervised Learning (2017):

    • Paper https://arxiv.org/abs/1704.03976

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/40_virtual_adversarial_training.pdf

  • Mean teachers are better role models (2017):

    • Paper https://arxiv.org/abs/1703.01780

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/56_mean_teachers.pdf

  • Temporal Ensembling for Semi-Supervised Learning (2017):

    • Paper https://arxiv.org/abs/1610.02242

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/55_temporal-ensambling.pdf

  • Semi-Supervised Learning with Ladder Networks (2015):

    • Paper https://arxiv.org/abs/1507.02672

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/33_ladder_nets.pdf

Unsupervised Learning

  • Invariant Information Clustering for Unsupervised Image Classification and Segmentation (2019):

    • Paper https://arxiv.org/abs/1807.06653

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/78_IIC.pdf

  • Deep Clustering for Unsupervised Learning of Visual Feature (2018):

    • Paper https://arxiv.org/abs/1807.05520

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/70_deep_clustering_for_un_visual_features.pdf

Semantic Segmentation

  • DeepLabv3+: Encoder-Decoder with Atrous Separable Convolution (2018):

    • Paper https://arxiv.org/abs/1802.02611

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/26_deeplabv3+.pdf

  • Large Kernel Matter, Improve Semantic Segmentation by Global Convolutional Network (2017):

    • Paper https://arxiv.org/abs/1703.02719

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/28_large_kernel_maters.pdf

  • Understanding Convolution for Semantic Segmentation (2018):

    • Paper https://arxiv.org/abs/1702.08502

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/29_understanding_conv_for_sem_seg.pdf

  • Rethinking Atrous Convolution for Semantic Image Segmentation (2017):

    • Paper https://arxiv.org/abs/1706.05587

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/25_deeplab_v3.pdf

  • RefineNet: Multi-path refinement networks for high-resolution semantic segmentation (2017):

    • Paper https://arxiv.org/abs/1611.06612

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/31_refinenet.pdf

  • Pyramid Scene Parsing Network (2017):

    • Paper http://jiaya.me/papers/PSPNet_cvpr17.pdf

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/22_pspnet.pdf

  • SegNet: A Deep ConvolutionalEncoder-Decoder Architecture for ImageSegmentation (2016):

    • Paper https://arxiv.org/pdf/1511.00561

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/21_segnet.pdf

  • ENet: A Deep Neural Network Architecture for Real-Time Semantic Segmentation (2016):

    • Paper https://arxiv.org/abs/1606.02147

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/27_enet.pdf

  • Attention to Scale: Scale-aware Semantic Image Segmentation (2016):

    • Paper https://arxiv.org/abs/1511.03339

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/30_atttention_to_scale.pdf

  • Deeplab: semantic image segmentation with DCNN, atrous convs and CRFs (2016):

    • Paper https://arxiv.org/abs/1606.00915

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/23_deeplab_v2.pdf

  • U-Net: Convolutional Networks for Biomedical Image Segmentation (2015):

    • Paper https://arxiv.org/abs/1505.04597

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/20_Unet.pdf

  • Fully Convolutional Networks for Semantic Segmentation (2015):

    • Paper https://people.eecs.berkeley.edu/~jonlong/long_shelhamer_fcn.pdf

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/19_FCN.pdf

  • Hypercolumns for object segmentation and fine-grained localization (2015):

    • Paper http://home.bharathh.info/pubs/pdfs/BharathCVPR2015.pdf

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/24_hypercolumns.pdf

Weakly- and Semi-supervised Semantic segmentation

  • Box-driven Class-wise Region Masking and Filling Rate Guided Loss for Weakly Supervised Semantic Segmentation (2019):

    • Paper http://arxiv.org/abs/1904.11693

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/54_boxe_driven_weakly_segmentation.pdf

  • FickleNet: Weakly and Semi-supervised Semantic Image Segmentation using Stochastic Inference (2019):

    • Paper https://arxiv.org/abs/1902.10421

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/49_ficklenet.pdf

  • Weakly-Supervised Semantic Segmentation Network with Deep Seeded Region Growing (2018):

    • Paper http://openaccess.thecvf.com/content_cvpr_2018/papers/Huang_Weakly-Supervised_Semantic_Segmentation_CVPR_2018_paper.pdf

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/53_deep_seeded_region_growing.pdf

  • Learning Pixel-level Semantic Affinity with Image-level Supervision for Weakly Supervised Semantic Segmentation (2018):

    • Paper https://arxiv.org/abs/1803.10464

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/81_affinity_for_ws_segmentation.pdf

  • Object Region Mining with Adversarial Erasing: A Simple Classification to Semantic Segmentation Approach (2018):

    • Paper https://arxiv.org/abs/1703.08448

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/51_object_region_manning_for_sem_seg.pdf

  • Revisiting Dilated Convolution: A Simple Approach for Weakly- and Semi- Supervised Semantic Segmentation (2018):

    • Paper https://arxiv.org/abs/1805.04574

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/52_dilates_convolution_semi_super_segmentation.pdf

  • Tell Me Where to Look: Guided Attention Inference Network (2018):

    • Paper https://arxiv.org/abs/1802.10171

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/50_tell_me_where_to_look.pdf

  • Semi Supervised Semantic Segmentation Using Generative Adversarial Network (2017):

    • Paper https://arxiv.org/abs/1703.09695

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/82_ss_segmentation_gans.pdf

  • Decoupled Deep Neural Network for Semi-supervised Semantic Segmentation (2015):

    • Paper https://arxiv.org/abs/1506.04924

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/47_decoupled_nn_for_segmentation.pdf

  • Weakly- and Semi-Supervised Learning of a DCNN for Semantic Image Segmentation (2015):

    • Paper https://arxiv.org/abs/1502.02734

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/48_weakly_and_ss_for_segmentation.pdf

Information Retrieval

  • VSE++: Improving Visual-Semantic Embeddings with Hard Negatives (2018):

    • Paper https://arxiv.org/abs/1707.05612

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/77_vse++.pdf

Visual Explanation & Attention

  • Attention Branch Network: Learning of Attention Mechanism for Visual Explanation (2019):

    • Paper https://arxiv.org/abs/1812.10025

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/57_attention_branch_netwrok.pdf

  • Attention-based Dropout Layer for Weakly Supervised Object Localization (2019):

    • Paper http://openaccess.thecvf.com/content_CVPR_2019/papers/Choe_Attention-Based_Dropout_Layer_for_Weakly_Supervised_Object_Localization_CVPR_2019_paper.pdf

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/58_attention_based_dropout.pdf

  • Paying More Attention to Attention: Improving the Performance of Convolutional Neural Networks via Attention Transfer (2016):

    • Paper https://arxiv.org/abs/1612.03928

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/71_attention_transfer.pdf

Graph neural network & Graph embeddings

  • Pixels to Graphs by Associative Embedding (2017):

    • Paper https://arxiv.org/abs/1706.07365

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/36_pixels_to_graphs.pdf

  • Associative Embedding: End-to-End Learning forJoint Detection and Grouping (2017):

    • Paper https://arxiv.org/abs/1611.05424

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/35_associative_emb.pdf

  • Interaction Networks for Learning about Objects , Relations and Physics (2016):

    • Paper https://arxiv.org/abs/1612.00222

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/18_interaction_nets.pdf

  • DeepWalk: Online Learning of Social Representation (2014):

    • Paper http://www.perozzi.net/publications/14_kdd_deepwalk.pdf

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/deep_walk.pdf

  • The graph neural network model (2009):

    • Paper https://persagen.com/files/misc/scarselli2009graph.pdf

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/graph_neural_nets.pdf

Regularization

  • Manifold Mixup: Better Representations by Interpolating Hidden States (2018):

    • Paper https://arxiv.org/abs/1806.05236

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/43_manifold_mixup.pdf

Deep learning Methods & Models

  • AutoAugment (2018):

    • Paper https://arxiv.org/abs/1805.09501

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/41_autoaugment.pdf

  • Stacked Hourgloass (2017):

    • Paper http://ismir2018.ircam.fr/doc/pdfs/138_Paper.pdf

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/34_stacked_hourglass.pdf

Document analysis and segmentation

  • dhSegment: A generic deep-learning approach for document segmentation (2018):

    • Paper https://arxiv.org/abs/1804.10371

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/dhSegement.pdf

  • Learning to extract semantic structure from documents using multimodal fully convolutional neural networks (2017):

    • Paper https://arxiv.org/abs/1706.02337

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/learning_to_extract.pdf

  • Page Segmentation for Historical Handwritten Document Images Using Conditional Random Fields (2016):

    • Paper https://www.researchgate.net/publication/312486501_Page_Segmentation_for_Historical_Handwritten_Document_Images_Using_Conditional_Random_Fields

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/seg_with_CRFs.pdf

  • ICDAR 2015 competition on text line detection in historical documents (2015):

    • Paper http://ieeexplore.ieee.org/abstract/document/7333945/

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/ICDAR2015.pdf

  • Handwritten text line segmentation using Fully Convolutional Network (2017):

    • Paper https://ieeexplore.ieee.org/document/8270267/

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/handwritten_text_seg_FCN.pdf

  • Deep Neural Networks for Large Vocabulary Handwritten Text Recognition (2015):

    • Paper https://tel.archives-ouvertes.fr/tel-01249405/document

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/andwriten_text_recognition.pdf

  • Page Segmentation of Historical Document Images with Convolutional Autoencoders (2015):

    • Paper https://ieeexplore.ieee.org/abstract/document/7333914/

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/segmentation_with_CAE.pdf

  • A typed and handwritten text block segmentation system for heterogeneous and complex documents (2012):

    • Paper https://www.researchgate.net/publication/275518176_A_Typed_and_Handwritten_Text_Block_Segmentation_System_for_Heterogeneous_and_Complex_Documents

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/a_typed_block_seg.pdf

  • Document layout analysis, Classical approaches (1992:2001):

    • Paper https://pdfs.semanticscholar.org/5392/90b571b918da959fabaae7f605bb07850518.pdf

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/old_classical_approaches.pdf

  • Page Segmentation for Historical Document Images Based on Superpixel Classification with Unsupervised Feature Learning (2016):

    • Paper https://ieeexplore.ieee.org/document/7490134

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/seg_with_superpixels.pdf

  • Paragraph text segmentation into lines with Recurrent Neural Networks (2015):

    • Paper http://ieeexplore.ieee.org/abstract/document/7333803/

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/textlines_srg_with_RNNs.pdf

  • A comprehensive survey of mostly textual document segmentation algorithms since 2008 (2017 ):

    • Paper https://hal.archives-ouvertes.fr/hal-01388088/document

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/survey_doc_segmentation.pdf

  • Convolutional Neural Networks for Page Segmentation of Historical Document Images (2017):

    • Paper  https://arxiv.org/abs/1704.01474

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/CNNs_chen.pdf

  • ICDAR2009 Page Segmentation Competition (2009):

    • Paper https://ieeexplore.ieee.org/document/5277763

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/ICDAR2009.pdf

  • Amethod for combining complementary techniques for document image segmentation (2009):

    • Paper https://www.researchgate.net/publication/220600948_A_method_for_combining_complementary_techniques_for_document_image_segmentation

    • Notes https://github.com/yassouali/ML_paper_notes/blob/master/notes/a_method_for_combining_complementary_techniques.pdf

什么是 NLP (自然语言处理） 这又和我们拥有的标注数据与计算资源有关，如果不差钱，想标多少数据，想训练多大模型都不在乎，上神经网络自然可以追求高准确率，但如果资源捉襟见肘，可能机器学习模型更加实用。不过一直到 1980 年代，NLP 系统是以一套复杂的人工订制规则为基础，计算机只是机械地执行这些规则，或者做一些诸如字符匹配，词频统计之类的简单计算。或者，了解其中提到了哪些人事物，以及它们之间的关系如何，等等。在工作中，当我们遇到问题的时候，往往需要先将其对应到一个或多个任务，再在该任务的常用实现方法中选取一种适合我们使用的来执行任务。 阅读详情

相关推荐

机器学习——NLP

机器学习的几个基本概念 在机器学习和模式识别等领域中，一般需要将样本分成独立的三部分训练集（train set），验证集（validation set ) 和测试集（test set）。其中训练集用来估计模型，验证集用来确定网络结构或者控制模型复杂程度的参数，而测试集则检验最终选择最优的模型的性能如何。一个典型的划分是训练集占总样本的50%，而其它各占25%，三部分都是从样本中随机抽取。 训练集：...

Mr_fengzi的博客 5108

[半监督学习] Deep Co-Training for Semi-Supervised Image Recognition

Deep Co-Training(DCT), 通过最小化两个网络在 $\mathcal{U}$ 上的预测之间的 JS 散度来模拟 Co-Training 假设. 为了避免 collapsed neural networks, 通过训练对抗样本来施加视图差异约束(View Difference Constraint).

不定期更新 Web 开发及机器学习相关博客 4329

别再凭感觉选电容了！手把手教你计算电机控制器里的母线电容（附Excel计算工具）

本文详细解析了电机控制器中母线电容的选型方法，从理论计算到工程实践，帮助工程师避免常见误区。通过精确计算纹波电压、电容容量等关键参数，并结合薄膜电容与电解电容的性能对比，提供实用的选型建议。附带的Excel计算工具可快速完成参数计算，适用于工业伺服驱动和电动车电机控制器设计。

weixin_28720573的博客 524

半监督分割：从数据增强到学习范式

图像分割应用的最大阻碍是缺乏高质量标注的训练数据。深度分割模型的泛化能力依赖大规模和高质量的像素级标注数据。 事实上，图像分割标注是一个昂贵且耗时的过程。对于新的任务或是需要快速应用的场景，数据稀缺问题更为严重。因此，数据标注的高成本降低了模型在新任务和扩展性，从而阻碍了深度分割模型在现实中的应用。 为了缓解数据标注压力，当前已有大量的工作来进行半监督和弱监督的图像分割。例如，利用少量精确标注的数据、稀疏的标注、带噪声的标注、分类标注或者以上几种组合实现半监督图像分割模型。 然而，半监督图像分割具有其天然的

m0_61899108的博客 1765

AI智能体Codex实战：外贸客户开发自动化，85家精准客户深度分析

如果你在外贸行业，特别是工业品领域，一定遇到过这样的困境：想开发海外客户，但不知道从何下手。Google搜索出来的要么是B2B平台上的老面孔，要么是信息残缺的过时黄页。手动筛选、整理、验证，一个客户信息就要花上半小时，效率低得让人抓狂。 更头疼的是，好不容易找到一些公司名称，却不知道他们的采购决策人是谁、公司规模如何、业务是否匹配。传统的客户开发就像大海捞针，投入大量时间成本，回报却充满不确定性。 今天要介绍的这个工具，可能会彻底改变你的工作流。它不是另一个CRM软件，而是一个基于AI的智能客户开发与情报分

weixin_29054399的博客 349

23.网工入门篇--------介绍一下园区网典型组网架构及案例实践

园区网典型组网架构主要分为小型、中型、大型三种类型，以下是详细介绍及相关案例实践：

qq_31450765的博客 967

Uncertainty-aware deep co-training for semi-supervised medical image segmentation

监督损失为啥需要不确定性图呢，这里很奇怪。

qq_46221910的博客 183

Flutter SDK的删除与重装：一步步教你如何轻松搞定

在Flutter开发过程中，我们可能会遇到一些需要重新安装Flutter SDK的情况，例如升级Flutter版本、解决依赖冲突等。本文将详细介绍如何删除并重新安装Flutter SDK，让你轻松应对各种问题。

理论都是虚的，代码才是王道。 2247

自监督-论文笔记（一）Discriminative Unsupervised Feature Learning with Convolutional Neural Networks

论文：Discriminative Unsupervised Feature Learning with Convolutional Neural Networks（NIPS-4） 链接：Discriminative Unsupervised Feature Learning with Convolutional Neural Networks (nips.cc) 摘要： 提出了一种只使用未标记数据训练卷积神经网络的方法。训练网络区分多组代理类，每一组代理类都是通过对随机采样的seed图像块应用各种变

transfer_ya的博客 1059

Claude Code（8）：使用 skill-creator 打造属于测试人员的 Skills

本文介绍了如何使用Claude Code的skill-creator工具快速创建测试相关的Skills。skill-creator是一个专门用于创建新Skills的Skill，相比手动创建更高效。文章详细演示了安装skill-creator的步骤，并通过创建"测试计划编写助手"的实战案例，展示了如何通过对话方式定义Skill名称、触发条件和功能需求。skill-creator会自动生成完整的SKILL.md文件和目录结构，用户只需确认即可完成Skill创建。

blues_C的博客 528

高性能C#上位机：多串口并发，百万数据不卡顿

去年做了一个环境监测项目，要对接32个串口传感器，每个传感器每秒发10条数据，一天下来就是2700多万条数据，之前的老程序跑起来UI直接卡死，数据丢包率高达10%，存到数据库要卡半天，客户要求数据丢包率为0，UI响应延迟≤100ms，百万级数据查询≤1s。这套多串口通信方案已经用在了我们公司10多个项目上，最多支持64个串口同时并发，每秒处理3000条数据，完全不卡顿，数据零丢包，客户非常满意，最近做的一个光伏监测项目，对接了48个串口传感器，稳定运行了6个月，没有出过任何问题。

这里只有干货：从 Modbus 通信到 MES 对接，从 YOLO 训练到工控机部署，带你搞定工业软件开发全流程。 427

Paper-Notes会议导航：CVPR、ICLR、NeurIPS、ACL等12大顶会论文笔记哪个适合你？

Paper-Notes 是一个收录 **23,867 篇顶会论文笔记**的开源项目，每篇笔记用 5 分钟帮你读懂一篇 AI 论文的核心思想。仓库覆盖 CVPR、ICLR、NeurIPS、ACL 等 12 大顶会、55 个研究领域，每篇笔记都包含一句话总结、背景动机、方法详解、实验数据与亮点洞察。面对如此庞大的论文笔记库，新手最容易迷路：**我该从哪个会议开始看？** 这份导航指南帮你按研究方向快速

gitblog_01068的博客 309

Dify知识库文档批量下载神器：一键导出所有文件到本地

在使用Dify进行知识库管理的过程中，我们经常遇到一个实际问题：如何将已上传到知识库中的文档批量下载到本地？目前Dify的管理界面虽然功能强大，但暂时没有提供直接的UI界面来批量导出或下载知识库内的文档。这意味着如果我们需要将知识库中的文件备份到本地或进行离线处理，只能通过API接口来实现。本文将详细介绍如何利用Dify的REST API构建一个完整的知识库文档下载解决方案，这也是目前实现知识库文件批量下载到本地的唯一可行路径。🎉进入大模型应用与实战专栏 | 🚀查看更多专栏内容首先，我们需要在Dify的

羊城迷鹿的博客 3474

自然语言处理（NLP）简介

简单地说，自然语言处理就是用计算机来处理、理解以及运用人类语言(如中文、英文等)，它属于人工智能的一个分支，是计算机科学与语言学的交叉学科，又常被称为计算语言学。由于自然语言是人类区别于其他动物的根本标志。没有语言，人类的思维也就无从谈起，所以自然语言处理体现了人工智能的最高任务与境界，也就是说，只有当计算机具备了处理自然语言的能力时，机器才算实现了真正的智能。

不凡不弃的博客 3万+

ET2012新版免狗免安装绿色软件

ET2012新版免狗免安祖昂绿色软件。，新界面，新视觉，

win10 跳过U8环境检测的IE WebControls.rar

win10 安装u8的时候 提示IE WebControls 不通过，这个工具可以欺骗u8的检查。 跳过U8环境检测的IE WebControls。提示导入失败后，重新检测通过。

自然语言处理（NLP）

自然语言处理( Natural Language Processing, NLP)是计算机科学领域与人工智能领域中的一个重要方向。它研究能实现人与计算机之间用自然语言进行有效通信的各种理论和方法。自然语言处理是一门融语言学、计算机科学、数学于一体的科学。因此，这一领域的研究将涉及自然语言，即人们日常使用的语言，所以它与语言学的研究有着密切的联系，但又有重要的区别。自然语言处理并不是一般地研究自然语言，而在于研制能有效地实现自然语言通信的计算机系统，特别是其中的软件系统。因而它是计算机科学的一部分。

weixin_44733966的博客 8057

贝叶斯统计 [韦来生编]

贝叶斯（Bayes）统计是近几十年来迅速发展起来的数理统计的一个重要分支。贝叶斯方法与经典统计方法的主要不同之处是进行统计推断时除了利用样本信息外，还要利用参数的先验信息，因此可以提高统计推断或统计决策的效果。它在经济、金融、生物、医学、自然科学和社会科学等许多领域具有广泛的应用。贝叶斯方法的研究已渗透到了统计学的几乎所有领域。作者在给中国科学技术大学概率论与数理统计专业本科生开设的“数理统计”课程中有一章专门讲授“贝叶斯方法和统计决策理论”，近十年来也给中国科学技术大学概率统计专业研究生开设过几次“贝叶斯分析”课。本书是在对过去讲稿的内容作了适当的增减和调整的基础上完成的。　　本书共分六章。第1章是绪论，介绍了贝叶斯统计的若干基本概念，同时对必要的数理统计的基础知识有重点地作了回顾。第二章介绍了确定先验分布的若干可供选择的方法。第三章介绍了几类常见统计模型参数的后验分布的主要结果和计算方法。第四章和第五章分别介绍了“贝叶斯统计推断”和“贝叶斯统计决策”的内容。第六章介绍了贝叶斯统计计算的若干方法，包括蒙特卡洛方法和马尔可夫链蒙特卡洛（MCMC）方法以及相关统计软件的简介。本书的每一章附右大量的例题和习题，书末附有常用的几个表格和部分习题解答供读者查用。　　大约可在54学时内讲授本书的第1章至第六章的主要内容，教师可根据学时需要选讲本书第1章至第六章的部分内容。书中标“*”号的章节可略去不讲，留给读者作为阅读材料。第六章例题中的R代码和部分例题的数据文件等可从作者个人主页下载。　　作者在编写本书的过程中参考了J.O.Berger教授的《统计决策论及贝叶斯分析》和茆诗松教授编写的《贝叶斯统计》等书中的一些内容，以及《贝叶斯分析》一书中由张伟平博士编写的有关贝叶斯统计计算的一些内容。在此表示衷心感谢。　　本书编写准备过程中，中国科学技术大学统计与金融系的几个研究生帮助完成了本书部分中文的录入和排版，作者对他们的辛勤工作表示真诚的感谢。高等教育出版社为本书的出版给予了大力支持。在此一并致谢。

NLP：自然语言处理技术最强学习路线之NLP简介(岗位需求/必备技能)、早期/中期/近期应用领域(偏具体应用)、经典NLP架构(偏具体算法)概述、常用工具/库/框架/产品、环境安装(更新中)

​ NLP：自然语言处理技术最强学习路线之NLP简介(岗位需求/必备技能)、早期/中期/近期应用领域(偏具体应用)、经典NLP架构(偏具体算法)概述、常用工具/库/框架/产品、环境安装(更新中) 目录 NLP自然语言处理技术最强学习路线 ☆☆一、自然语言处理技术的简介 ☆☆二、自然语言处理技术相关概念简介 ☆☆四、NLP具体应用领域(

头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀 6万+

大中型超市收银系统(可直接运行)

光步前台收银系统系统功能：商品销售、商品退货、挂单、收银员权限、会员销售、单品取消、整单取消、商品查询、脱机销售、脱机数据上传，基本资料下载，开钱箱、小票打印、收款结算，支持多币种付款方式（现金、储值卡、礼券、微信等）,支持多种促销。运行环境：.net 4.0登陆信息用户名:1001 密码:123456内置商品信息，商品编码可输入00001000 - 00010000,测试效果相关功能键F5 结算 F9挂单 F11商品查询 F8退货 Insert单品取消 Del整单取消 F12开钱箱F2 会员 Ctrl+Z退出系统 Home 锁屏 相关源码待公开

机器学习、深度学习、自然语言处理、计算机视觉顶级期刊的论文资料分享(附CVPR2017-2019,ECCV 2018论文下载链接)

机器学习、深度学习、自然语言处理、计算机视觉顶级期刊的论文资料分享(附CVPR2017-2019,ECCV 2018论文下载链接) 目录 Object detection 目标检测最全论文集锦 Object detection deep_learning object detection A paper list of object detection using deep learnin...

Tiger数学之家的博客 2153

自然语言处理最新进展：ml-surveys中NLP领域重要综述论文推荐

想要快速了解自然语言处理领域的最新发展动态吗？🤔 ml-surveys项目汇集了深度学习、自然语言处理、计算机视觉等多个领域的权威综述论文，为研究人员和开发者提供了宝贵的学习资源。今天我们就来重点介绍该项目中NLP领域的核心综述论文，帮助你快速掌握前沿技术！ ## 📚 自然语言处理综述论文精选 ml-surveys项目中的Natural Language Processing部分收录了多篇

gitblog_01049的博客 1162

【杂物间3】AI，ML，RL，DL，NLP，CV…搞清了这些是啥

一文搞清（for me）AI-ML-RL-DL-NLP/CV/GNN之间的关系。

weixin_43594181的博客 9872

机器学习、计算机视觉与NLP：从基础到深度学习的综合指南

机器学习是一门涉及多个领域的交叉学科，它的核心在于使计算机模拟或实现人类的学习行为，以获取新知识和技能，并不断改善自身性能。机器学习的定义和目的是通过让计算机从数据中自主学习，无需明确编程即可做出决策或预测。这一领域的目标包括从数据中自动发现模式和规律，利用这些发现来预测未来数据或未知情况。机器学习的分类可以从不同的角度进行划分，如基于学习策略、学习方法、学习方式和数据形式等。这些分类方法有助于理解不同机器学习算法的特点和适用场景。

weixin_63740705的博客 1712

互联网大厂都在哪些顶会上发论文？AI/ML/CV/NLP/推荐系统全解析

本文将为你系统梳理 AI 各子领域的主流顶会，揭秘工业界的真实科研策略。

进一步有进一步的欢喜~ 1856

nlp 与计算机视觉_ai ml nlp深度学习计算机视觉入门指南

nlp 与计算机视觉 什么是人工智能？ (What is Artificial Intelligence?) Artificial Intelligence (AI) is the branch of computer science that focuses on giving machines or computers the ability to think as intelligently...

weixin_26719821的博客 780

机器学习与ML.NET–NLP与BERT

到目前为止，在我们的ML.NET之旅中，我们专注于计算机视觉问题，如图像分类和对象检测。在本文中，我们稍微改变一个方向，探索NLP（自然语言处理）以及我们可以通过机器学习解决的一系列问题。

寒冰屋的专栏 1416

第九课：机器学习与人工智能、计算机视觉、自然语言处理 NLP及机器人

从高层次总览一系列计算机话题，快速入门计算机科学。 第九课：机器学习与人工智能、计算机视觉、自然语言处理 NLP及机器人

hellow_xqs的博客 2541

AI之DS/CV/NLP：Python与人工智能相关的库/框架(数据可视化常用库、机器学习常用库、数据科学常用库、深度学习常用库、计算机视觉常用库、自然语言处理常用库)的简介、案例应用之详细攻略

​ AI之DS/CV/NLP：Python与人工智能相关的库/框架(数据可视化常用库、机器学习常用库、数据科学常用库、深度学习常用库、计算机视觉常用库、自然语言处理常用库)的简介、案例应用之详细攻略 目录 Python与人工智能相关的库/框架(数据可视化/机器学习&深度学习&数据科学/计算机视觉/自然语言处理)的简介、案例应用 Python与人工智能相关的库/框架(数据可视化/机器学习&深度学习&数据科学/计算机视觉/自然语言处理)的简介、案例应用 安装必要的package：Numpy、

头部AI社区如有邀博主AI主题演讲请私信—心比天高，仗剑走天涯，保持热爱，奔赴向梦想！低调，专注，谦虚，自律，反思，成长，还算比较正能量的博主，公益免费传播…内心特别想在AI界做出一些可以推进历史进程影响力的技术(兴趣使然，有点小情怀，也有点使命感呀 3742
上一篇： 如何通俗易懂地解释卷积？
下一篇： 惊叹 | 膜拜一下清华大学特等奖学金的学霸大佬们的简历！ -- 我们没有理由不努力！...
点赞 1
评论 0
书签 书签 4
Wang_AI
Wang_AI
博客等级 码龄12年 997粉丝 162原创
+ 关注
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值