<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[asd1234bbbb的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/asd1234bbbb</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; asd1234bbbb]]></copyright><item><title><![CDATA[RTL代码生成相关论文]]></title><link>https://blog.youkuaiyun.com/asd1234bbbb/article/details/141002437</link><guid>https://blog.youkuaiyun.com/asd1234bbbb/article/details/141002437</guid><author>asd1234bbbb</author><pubDate>Wed, 07 Aug 2024 22:13:07 +0800</pubDate><description><![CDATA[RTL代码生成相关论文]]></description><category></category></item><item><title><![CDATA[基于城市感知的公共交通多源异构数据融合的应用研究申请书]]></title><link>https://blog.youkuaiyun.com/asd1234bbbb/article/details/140757923</link><guid>https://blog.youkuaiyun.com/asd1234bbbb/article/details/140757923</guid><author>asd1234bbbb</author><pubDate>Sun, 28 Jul 2024 22:44:43 +0800</pubDate><description><![CDATA[这三个研究方向旨在解决公共交通中的核心问题，利用前沿的深度学习技术，实现数据的深度融合，更准确地分析乘客行为，并高效地进行异常检测，为公共交通的高效、安全运营提供有力支持。总之，这三年的研究计划旨在从基础研究到实际应用的完整过程中，系统地研究公共交通的数据融合、乘客行为分析与异常检测，并期望形成具有实际应用价值的研究成果。综上所述，基于城市感知的公共交通多源异构数据融合的应用研究不仅对于公共交通本身，对于整个城市的智能化、绿色化、安全化和经济化建设都具有重要的意义。]]></description><category></category></item><item><title><![CDATA[深度学习高效性网络]]></title><link>https://blog.youkuaiyun.com/asd1234bbbb/article/details/140757706</link><guid>https://blog.youkuaiyun.com/asd1234bbbb/article/details/140757706</guid><author>asd1234bbbb</author><pubDate>Sun, 28 Jul 2024 22:34:09 +0800</pubDate><description><![CDATA[TRT-ViT（Transformer-based Vision Transformer）是一个结合了Transformer和ViT的模型，旨在同时利用CNN和Transformer的优点，以实现更高的性能和效率。TRT-ViT的核心思想是将CNN的局部性和Transformer的全局性相结合。为了减轻Transformer笨重的计算成本，一系列工作重点开发了高效的Vision Transformer，如Swin Transformer、PVT、Twins、CoAtNet和MobileViT。]]></description><category></category></item><item><title><![CDATA[显著性目标检测SOD论文大盘点]]></title><link>https://blog.youkuaiyun.com/asd1234bbbb/article/details/106765758</link><guid>https://blog.youkuaiyun.com/asd1234bbbb/article/details/106765758</guid><author>asd1234bbbb</author><pubDate>Thu, 18 Mar 2021 14:11:44 +0800</pubDate><description><![CDATA[显著性目标检测SOD论文大盘点

2020/6/15

图像SOD

Hierarchical Saliency Detection cvpr2013
	salient detection by multi-context deep learning 2015
	Saliency Unified A Deep Architecture for simultaneous Eye Fixation Prediction and salient object detection CVPR 2016
	Deeply]]></description><category></category></item><item><title><![CDATA[Rethinking the Value of Transformer Components]]></title><link>https://blog.youkuaiyun.com/asd1234bbbb/article/details/114392262</link><guid>https://blog.youkuaiyun.com/asd1234bbbb/article/details/114392262</guid><author>asd1234bbbb</author><pubDate>Fri, 05 Mar 2021 13:26:35 +0800</pubDate><description><![CDATA[一个完整的transformer结构可以切分成

Encoder-self attention(“E:SA”)，

Encoder-Feed Forward(“E:FF”)，

Decoder-Self Attention(“D:SA”)，

Decoder-Encoder Attention(“D:EA”) ，

Decoder-Feed Forward(“D:FF”)

5个sub-layer结构。文中作者采用了两种度量方式确认这些sub-layer的重要程度。

实验结果表明：


	Decoder ]]></description><category></category></item><item><title><![CDATA[图神经网络GNN加速方法]]></title><link>https://blog.youkuaiyun.com/asd1234bbbb/article/details/114391453</link><guid>https://blog.youkuaiyun.com/asd1234bbbb/article/details/114391453</guid><author>asd1234bbbb</author><pubDate>Fri, 05 Mar 2021 13:07:30 +0800</pubDate><description><![CDATA[ICLR2021

组合忽略图结构的浅层模型和利用标签结构相关性的两个简单后处理步骤，来获得GNN性能的提升

提出了包含三个主要部分的简单管道，如图1所示

（1）使用节点特征（忽略图结构）做出基本预测（例如MLP或线性模型）

（2）校正步骤，其将训练数据中的不确定性传播到整个图上，以校正基本预测

（3）平滑图上的预测



左群集用橙色表示，右群集用蓝色表示。我们忽略图结构使用MLP进行基本预测，我们假设在此示例中的所有节点上都得到了相同的预测。然后，通过在训练数据中传播错误来校正基本预测。最后，用]]></description><category></category></item><item><title><![CDATA[2020RGBD显著性目标检测论文32篇]]></title><link>https://blog.youkuaiyun.com/asd1234bbbb/article/details/114388774</link><guid>https://blog.youkuaiyun.com/asd1234bbbb/article/details/114388774</guid><author>asd1234bbbb</author><pubDate>Fri, 05 Mar 2021 12:44:30 +0800</pubDate><description><![CDATA[Is Depth Really Necessary for Salient Object Detection?
显著目标检测(SOD)是许多计算机视觉应用的一个重要和初步的任务，随着深度cnn的发展，其研究已经取得了一定的进展。现有的方法大多依靠RGB信息来区分显著性目标，在一些复杂的场景中存在困难。为了解决这一问题，近年来许多基于RGB的网络被提出，它们采用深度图作为独立的输入，并将特征与RGB信息融合。借鉴RGB方法和RGBD方法的优点，提出了一种新的深度感知显著目标检测框架，该框架具有以下优点:1)只]]></description><category></category></item><item><title><![CDATA[人工智能 2021年指数报告3]]></title><link>https://blog.youkuaiyun.com/asd1234bbbb/article/details/114371869</link><guid>https://blog.youkuaiyun.com/asd1234bbbb/article/details/114371869</guid><author>asd1234bbbb</author><pubDate>Thu, 04 Mar 2021 16:48:00 +0800</pubDate><description><![CDATA[报告首先概述了人工智能(AI)的研发工作，因为研发是人工智能发展的基础。自上世纪50年代这项技术首次引起计算机科学家和数学家的关注以来，人工智能已发展成为一门具有重要商业应用意义的主要研究学科。人工智能出版物的数量在过去20年里急剧增加。人工智能会议和预印本档案的兴起扩大了研究和学术交流的传播。包括中国、欧盟和美国在内的主要大国都在竞相投资人工智能研究。研发章的目标是在这个日益复杂和竞争激烈的领域中取得进展。

本章首先使用Elsevier/Scopus和Microsoft Academic Graph (]]></description><category></category></item><item><title><![CDATA[人工智能 2021年指数报告2]]></title><link>https://blog.youkuaiyun.com/asd1234bbbb/article/details/114367864</link><guid>https://blog.youkuaiyun.com/asd1234bbbb/article/details/114367864</guid><author>asd1234bbbb</author><pubDate>Thu, 04 Mar 2021 14:38:21 +0800</pubDate><description><![CDATA[REPORT HIGHLIGHTS

第一章:研究与发展

2019 - 2020年，人工智能期刊发文量增长34.5%，增速远高于2018 - 2019年(19.6%)。
	在每个主要国家和地区，同行评议的人工智能论文来自学术机构的比例最高。但第二重要的发起者有所不同:在美国，企业附属研究占全部出版物的19.2%，而在中国(15.6%)和欧盟(17.2%)政府是第二重要的。
	2020年，中国在人工智能期刊的全球引用份额上首次超过美国，2004年在人工智能期刊的总发表数量上短暂超过美国，然后在2017年重新]]></description><category></category></item><item><title><![CDATA[人工智能 2021年指数报告1]]></title><link>https://blog.youkuaiyun.com/asd1234bbbb/article/details/114367434</link><guid>https://blog.youkuaiyun.com/asd1234bbbb/article/details/114367434</guid><author>asd1234bbbb</author><pubDate>Thu, 04 Mar 2021 14:29:50 +0800</pubDate><description><![CDATA[介绍2021年人工智能指数报告

欢迎来到第四版人工智能指数报告!今年，我们大大扩展了报告中可用的数据量，与更广泛的外部组织合作来校准我们的数据，并加深了我们与斯坦福大学人类研究所的联系
以人工智能(HAI)为中心。

人工智能指数报告对与人工智能相关的数据进行跟踪、整理、提炼和可视化。它的使命是为政策制定者、研究人员、高管、记者和公众提供公正、严格审查和全球来源的数据，以发展对人工智能复杂领域的直觉。该报告旨在成为全球最可信、最权威的人工智能数据和见解来源。

COVID和人工智能

2021年报告从多个]]></description><category></category></item><item><title><![CDATA[Transformer用于图像分类]]></title><link>https://blog.youkuaiyun.com/asd1234bbbb/article/details/112724611</link><guid>https://blog.youkuaiyun.com/asd1234bbbb/article/details/112724611</guid><author>asd1234bbbb</author><pubDate>Sat, 16 Jan 2021 22:55:42 +0800</pubDate><description><![CDATA[对应论文：An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale

直接看代码

首先看Transformer 类


class Transformer(nn.Module):
    def __init__(self, dim, depth, heads, dim_head, mlp_dim, dropout):
        super().__init__()
        self.layers =]]></description><category></category></item><item><title><![CDATA[transformer代码解释]]></title><link>https://blog.youkuaiyun.com/asd1234bbbb/article/details/112711308</link><guid>https://blog.youkuaiyun.com/asd1234bbbb/article/details/112711308</guid><author>asd1234bbbb</author><pubDate>Sat, 16 Jan 2021 20:17:53 +0800</pubDate><description><![CDATA[1 self attention实现代码


class ScaledDotProductAttention(nn.Module): 
    ''' Scaled Dot-Product Attention '''

    def __init__(self, temperature, attn_dropout=0.1):
        super().__init__()
        self.temperature = temperature
        self.dropout = nn]]></description><category></category></item><item><title><![CDATA[Review of Recent Deep Learning Based Methods for Image-Text Retrieval 通读]]></title><link>https://blog.youkuaiyun.com/asd1234bbbb/article/details/112679412</link><guid>https://blog.youkuaiyun.com/asd1234bbbb/article/details/112679412</guid><author>asd1234bbbb</author><pubDate>Fri, 15 Jan 2021 17:26:33 +0800</pubDate><description><![CDATA[综述真的能帮助读者全面了解一个领域吗？ no

综述只是让内行人看着是那回事，正确。进入领域还是很难。

综述也没有为小白考虑，从小白看的角度整理思路。

摘要

这是一篇图文检索的摘要

1 introduction

分为4种方法：成对、对抗、互动、属性学习

分4部分介绍

2 方法分类

2.1

2.2

2.3

2.4

3 数据和评价

3.1数据规模为30K 和12K

3.2用recall评价

3.3效果有各种情况

4结论展望

需要更多的评价指标

5中国自然科学基金支持

参考文]]></description><category></category></item><item><title><![CDATA[Visual Semantic Reasoning for Image-Text Matching通读]]></title><link>https://blog.youkuaiyun.com/asd1234bbbb/article/details/112675354</link><guid>https://blog.youkuaiyun.com/asd1234bbbb/article/details/112675354</guid><author>asd1234bbbb</author><pubDate>Fri, 15 Jan 2021 16:58:54 +0800</pubDate><description><![CDATA[摘要

有源码 可跑通

1 introduction

图文检索很重要

2 related work

属于图文检索中通过提高图像表示改善效果；

注意力机制使用了faster RCNN

关系推理用graph

3 本文方法

分4块介绍

3.1图像表示

使用的另外两篇论文的方法

3.2区域关系推理

以物体特征为节点建graph，以边表示的亲和力高的区域语义关联性强，被关联起来。

计算方式是矩阵乘，更新节点特征

使用了残差联连接，就是加上没有处理前的自己

3.3 全局关系推理

3.4联]]></description><category></category></item><item><title><![CDATA[语义信息在图像视频中的应用]]></title><link>https://blog.youkuaiyun.com/asd1234bbbb/article/details/112672134</link><guid>https://blog.youkuaiyun.com/asd1234bbbb/article/details/112672134</guid><author>asd1234bbbb</author><pubDate>Fri, 15 Jan 2021 15:58:16 +0800</pubDate><description><![CDATA[语义代表着经验信息

深度学习是大数据处理

将深度学习与语义关联是人工智能的进一步发展方向

对于特征处理，经典分类神经网络，被广泛用于backbone的Resnet提取的特征被划分为低级浅层特征、中层特征、高级语义特征。在显著性检测中，显著性检测输出的是二分割结果，因此需要使用到所有特征。在目标检测中，需要定位目标位置和类别，因此也用到了所有特征，如SSD算法。在图像检索中，两张图像相似表现为首先是语义相似，与分类的标准相近，其次再加上细节相似。图文检索也是主要关联语义信息，因此主要使用高层特征。

.]]></description><category></category></item><item><title><![CDATA[Latex写论文]]></title><link>https://blog.youkuaiyun.com/asd1234bbbb/article/details/112671637</link><guid>https://blog.youkuaiyun.com/asd1234bbbb/article/details/112671637</guid><author>asd1234bbbb</author><pubDate>Fri, 15 Jan 2021 15:40:06 +0800</pubDate><description><![CDATA[1 用到的软件

使用软件1：TeXworks。安装教程https://zhuanlan.zhihu.com/p/56982388?from_voters_page=true

使用软件2：Winedt。 软件下载地址http://www.winedt.com/download.html，使用教程https://jingyan.baidu.com/article/7e44095335ff172fc1e2ef11.html


...]]></description><category></category></item><item><title><![CDATA[pytorch的乘法]]></title><link>https://blog.youkuaiyun.com/asd1234bbbb/article/details/112656541</link><guid>https://blog.youkuaiyun.com/asd1234bbbb/article/details/112656541</guid><author>asd1234bbbb</author><pubDate>Fri, 15 Jan 2021 13:54:37 +0800</pubDate><description><![CDATA[1. 点乘

element-wise multiplication

可以用torch.mul(a, b)实现；

也可以直接用*实现。

2. 矩阵乘

torch.mm只针对二维矩阵

torch.matmul是tensor的矩阵乘法。当输入是都是二维时，就是矩阵乘法。

torch.bmm是tensor的矩阵乘法，两个tensor的维度必须为3。
...]]></description><category></category></item><item><title><![CDATA[计算机视觉期刊投稿网址-一般创新点]]></title><link>https://blog.youkuaiyun.com/asd1234bbbb/article/details/106899191</link><guid>https://blog.youkuaiyun.com/asd1234bbbb/article/details/106899191</guid><author>asd1234bbbb</author><pubDate>Mon, 22 Jun 2020 11:58:53 +0800</pubDate><description><![CDATA[PATTERN RECOGNITION

http://www.letpub.com.cn/index.php?journalid=6515&amp;page=journalapp&amp;view=detail

https://ees.elsevier.com/pr/default.asp

IEEE Transactions on Cybernetics

http://www.letpub.com.cn/index.php?journalid=9467&amp;page=journalapp&amp]]></description><category></category></item><item><title><![CDATA[中国计算机学会推荐国际学术会议(计算机图形学与多媒体)A类B类]]></title><link>https://blog.youkuaiyun.com/asd1234bbbb/article/details/106860427</link><guid>https://blog.youkuaiyun.com/asd1234bbbb/article/details/106860427</guid><author>asd1234bbbb</author><pubDate>Fri, 19 Jun 2020 17:17:54 +0800</pubDate><description><![CDATA[中国计算机学会推荐国际学术会议

(计算机图形学与多媒体)

A类

ACM MM

ACM International Conference on Multimedia

SIGGRAPH

ACM SIGGRAPH Annual Conference

VR

IEEE Virtual Reality

IEEE VIS

IEEE Visualization Conference

B类



ICMR

ACM SIGMM International Conference on Multimedi.]]></description><category></category></item><item><title><![CDATA[iCaRL: Incremental Classifier and Representation Learning]]></title><link>https://blog.youkuaiyun.com/asd1234bbbb/article/details/80423566</link><guid>https://blog.youkuaiyun.com/asd1234bbbb/article/details/80423566</guid><author>asd1234bbbb</author><pubDate>Wed, 23 May 2018 17:49:17 +0800</pubDate><description><![CDATA[增量分类与表示学习摘要只有一小部分类别的训练数据需要同时展示，新的类别能够逐步增加。可以同时学习强的分类器与数据表示。这与前人的工作区别是，前人受限于固定的数据表示，因此无法与深度学习结构相比较。 1 Introduction类别增加的三个属性：1数据流可训练，不同的时间出现不同的类别；2任意时间能够提供一个可比较的多分类器对于当前能够观察到的类别；3计算需求与内存空间保持在一定范围内，至少增加很...]]></description><category></category></item></channel></rss>