qwj的博客

YOLOv8来啦！YOLO内卷期模型怎么选？9+款AI硬件如何快速部署？

转载自 https://zhuanlan.zhihu.com/p/352348349新视角：用图像分类来建模文字识别也可以SOTA深度学习（Deep Learning）话题下的优秀答主我们最近做了一个文字识别的工作：CSTR: A Classification Perspective on Scene Text Recognition，简单介绍如下。当前文字识别有两种建模视角：seq2seq-based和segmentation-based。seq2seq-based的方法首先将图.

转载自https://blog.youkuaiyun.com/qq_15698613/article/details/112469087持续更新Github：https://github.com/Sophia-11/...CVPR 2021致力于计算机视觉和模式识别包括颜色检测、跟踪、运动、物体识别、音响和目标检测。Image-to-image Translation via Hierarchical Style Disentanglement Xinyang Li,Shengchuan Zha..

链接：https://www.zhihu.com/question/453203448/answer/1826367462认真的读了一下论文，还是对He表示大大的钦佩，非常细致的工作。首先MoCo v3不应该是这篇论文的重点，这篇论文的重点应该是将目前无监督学习最常用的对比学习应用在ViT上。MoCo v3相比v2去掉了memory queue，转而像SimCLR那样采用large batch来取得稍好一点的结果，从结构上encoder借鉴BYOL那样增加了一个prediction head，..

近年来在生成图像建模中，生成对抗网络（GAN）的应用越来越多。基于样式（style-based）的 GAN 可以生成不同层次的细节，大到头部形状、小到眼睛颜色，它在高保真图像合成方面实现了 SOTA，但其生成过程的计算复杂度却非常高，难以应用于智能手机等移动设备。近日，一项专注于基于样式的生成模型的性能优化的研究引发了大家的关注。该研究分析了 StyleGAN2 中最困难的计算部分，并对生成器网络提出了更改，使得在边缘设备中部署基于样式的生成网络成为可能。该研究提出了一种名为 MobileStyl.

转载自 https://www.it610.com/article/1296586736012435456.htm2D姿态估计整理：从DeepPose到HRNet2D姿态估计2D姿态估计（2 Demensional Human Pose Estimation）的目标是定位人体解剖学上的关键点（如肘部、腕部等）或部位。现阶段人体姿态识别主流的通常有2个思路：1）Top-Down（自上而下）方法：将人体检测和关键点检测分离，在图像上首先进行人体检测，找到所有的人体框，对每个人体框图再使用

转载自：https://mp.weixin.qq.com/s/shVXTUst65Hoe2dj_Jy1-g先上几个计算机视觉应用的案例：6月6日至8日，在第23届圣彼得堡国际经济论坛上，新华社、俄罗斯塔斯社和搜狗公司联合推出了全球首个俄语AI合成主播，未来它将被应用于塔斯社的新闻报道中。塔斯社是俄罗斯的国家通讯社，作为全球五大通讯社之一，对外向115个国家和地区提供新闻信息，在全...

转自：http://blog.youkuaiyun.com/peaceinmind/article/details/51387367本文写成时主要参考了[1,2], 后面加了一些自己收集的，不过大家都在更新，所以区别不是很大~综述[2015-PAMI-Overview]Text Detection and Recognition in Imagery: A Survey[paper] [2014-Front....

转载自http://blog.youkuaiyun.com/u010167269/article/details/52563573Preface这是今年 ECCV 2016 的一篇文章，是 UNC Chapel Hill（北卡罗来纳大学教堂山分校） 的 Wei Liu 大神的新作，论文代码：https://github.com/weiliu89/caffe/tree/ssd https://handong15...

微软研究人员在ICLR 2018发表了一种新的GAN（对抗网络生成）训练方法，boundary-seeking GAN（BGAN），可基于离散值训练GAN，并提高了GAN训练的稳定性。对抗生成网络首先，让我们温习一下GAN（对抗生成网络）的概念。简单来说，GAN是要生成“以假乱真”的样本。这个“以假乱真”，用形式化的语言来说，就是假定我们有一个模型G（生成网络），该模型的参数为θ，我们要找...

https://blog.youkuaiyun.com/kangyi411/article/details/78969642如果不用激励函数，每一层输出都是上层输入的线性函数，无论神经网络有多少层，输出都是输入的线性组合，这种情况就是最原始的感知机（Perceptron）。如果使用的话，激活函数给神经元引入了非线性因素，使得神经网络可以任意逼近任何非线性函数，这样神经网络就可以应用到众多的非线性模型中...

一、多元回归 1、概述： 在研究变量之间的相互影响关系模型时候，用到这类方法，具体地说：其可以定量地描述某一现象和某些因素之间的函数关系，将各变量的已知值带入回归方程可以求出因变量的估计值，从而可以进行预测等相关研究。  2、分类  分为两类：多元线性回归和非线性线性回归；其中非线性回归可以通过一定的变化转化为线性回归，比如：y=lnx 可以转化为y=u    u=ln...

https://blog.youkuaiyun.com/fuqiuai/article/details/79482487   

转载自： https://blog.youkuaiyun.com/kancy110/article/details/72763276在scikit-learn中，提供了3中朴素贝叶斯分类算法：GaussianNB(高斯朴素贝叶斯)、MultinomialNB(多项式朴素贝叶斯)、BernoulliNB(伯努利朴素贝叶斯)1、高斯朴素贝叶斯：sklearn.naive_bayes.GaussianNB(...

文章转自https://www.cnblogs.com/xuanyuyt/p/7447111.htmlhttp://www.cnblogs.com/xuanyuyt/p/7222867.html一. 算法概述本文提出的SSD算法是一种直接预测目标类别和bounding box的多目标检测算法。与faster rcnn相比，该算法没有生成 proposal 的过程，这就极大提高了检测速度。针对不同大...

大家貌似都叫Recurrent Neural Networks为循环神经网络。我之前是查维基百科的缘故，所以一直叫它递归网络。递归神经网络（RNN）是两种人工神经网络的总称。一种是时间递归神经网络（recurrent neural network），另一种是结构递归神经网络（recursive neural network）。下面我所提到的递归网络全部都是指Recurrent Ne

局部敏感哈希(Locality-Sensitive Hashing, LSH)方法介绍本文主要介绍一种用于海量高维数据的近似最近邻快速查找技术——局部敏感哈希(Locality-Sensitive Hashing, LSH)，内容包括了LSH的原理、LSH哈希函数集、以及LSH的一些参考资料。一、局部敏感哈希LSH在很多应用领域中，我们面对和需要处理的数

机器学习算法太多了，分类、回归、聚类、推荐、图像识别领域等等，要想找到一个合适算法真的不容易，所以在实际应用中，我们一般都是采用启发式学习方式来实验。通常最开始我们都会选择大家普遍认同的算法，诸如SVM，GBDT，Adaboost，现在深度学习很火热，神经网络也是一个不错的选择。假如你在乎精度（accuracy）的话，最好的方法就是通过交叉验证（cross-validation）对各个算法一个个地

LSTM和递归网络基础教程目录前馈网络递归网络沿时间反向传播梯度消失与梯度膨胀长短期记忆单元（LSTM）涵盖多种时间尺度资源本页旨在帮助神经网络学习者了解递归网络的运作方式，以及一种主要的递归网络，即LSTM的功能和结构。递归网络是一类人工神经网络，用于识别诸如文本、基因组、手写字迹、语音等序列数据的模式，或用于识别传感器、股票市场、政府机构产生的数值型时间序列数据

OpenAI 首批研究成果聚焦无监督学习，生成模型如何高效的理解世界引言：        这篇博文介绍了 OpenAI 的首批研究结果。研究人员分别从事的四个研究项目贯穿了一个共同的主题：在机器学习中提升或使用生成模型，无监督学习技术的一个分支。除了描述研究人员的研究工作，这篇博客也介绍了生成模型的基本知识：什么是生成模型，生成模型为什么重要，生产模型可能往哪个方向发展。       

[Machine Learning] 梯度下降法的三种形式BGD、SGD以及MBGD1. 批量梯度下降法BGD2. 随机梯度下降法SGD3. 小批量梯度下降法MBGD4. 总结　　在应用机器学习算法时，我们通常采用梯度下降法来对采用的算法进行训练。其实，常用的梯度下降法还具体包含有三种不同的形式，它们也各自有着不同的优缺点。　　下面我们以线性

CMT（Clustering of Static-Adaptive Correspondences for Deformable Object Tracking），是一套比较新的跟踪算法，诞生于2014年，原名叫Consensus-based Tracking and Matching of Keypoints for Object Tracking ，当时在计算机视觉应用（Applicati

EasyPREasyPR是一个开源的中文车牌识别系统，其目标是成为一个简单、高效、准确的车牌识别库。相比于其他的车牌识别系统，EasyPR有如下特点：它基于openCV这个开源库。这意味着你可以获取全部源代码，并且移植到opencv支持的所有平台。它能够识别中文。例如车牌为苏EUK722的图片，它可以准确地输出std:string类型的"苏EUK722"的结果。它的识别率较

下载opencv3.1 wget https://github.com/Itseez/opencv/archive/3.1.0.zip下载完了 放在 /usr/local用 unzip 解压刚才下载文件进入opencv-3.1.0创建build进入 build 接下来 就开始干cmake -D CMAKE_BUILD_TYPE=R

内容列表：结构概述用来构建卷积神经网络的各种层卷积层汇聚层归一化层全连接层将全连接层转化成卷积层卷积神经网络的结构层的排列规律层的尺寸设置规律案例学习（LeNet / AlexNet / ZFNet / GoogLeNet / VGGNet）计算上的考量拓展资源卷积神经网络（CNNs / ConvNets）卷积神经网络和上一章讲的常规神经网络非常相似

深度卷积网络CNN与图像语义分割转载请注明出处: http://xiahouzuoxin.github.io/notes/级别1：DL快速上手级别2：从Caffe着手实践级别3：读paper，网络Train起来级别4：Demo跑起来读一些源码玩玩熟悉Caffe接口，写Demo这是硬功夫分析各层Layer输出特征级别5：何不自己搭个CNN玩玩Train

本文主要介绍：统计学基本概念、数据的收集、数据的描述、回归和分类、多元分析，其中回归和分类、多元分析是学习重点。统计学中的其它概念如：概率及分布、参数估计、假设检验属于经典统计的内容，在此文略去，时间序列分析及指数是金融方面的应用，也一并略去，如有需要请查阅相关书籍。参考书籍：      贾俊平.《统计学》.第六版      王喜之.《统计学：从数据到结论》.第四版

引入Bagging算法中，通过bootstrapping得到不一样的数据，通过这些数据送到一个基本算法之后，得到不同的g，最后对这些g取平均得到G；决策树算法中，通过递归方式建立子树，最终得到一棵完整的树。这两种算法都有其鲜明的特点，决策树对于不同的数据相对会敏感一些，即其算法的variance很大，而Bagging的特点是通过投票和平均的方式来降低variance的效果。如果将这两种方法

关于特征工程（Feature Engineering），已经是很古老很常见的话题了，坊间常说：“数据和特征决定了机器学习的上限，而模型和算法只是逼近这个上限而已”。由此可见，特征工程在机器学习中占有相当重要的地位。在实际应用当中，可以说特征工程是机器学习成功的关键。纵观Kaggle、KDD等国内外大大小小的比赛，每个竞赛的冠军其实并没有用到很高深的算法，大多数都是在特征工程这个环节做出了出色的工作