qq_43152622的博客

deep domain adaptation论文专栏中的入门论文。包含了论文的核心思想和PyTorch简易实现

本篇博文依次用PyTorch代码实现了GAN、DCGAN、WGAN、WGAN-GP、Pix2Pix。完成的任务有手写数字的生成，人脸生成，以及图像风格转换

本篇博文包含了Object Detection的基础内容，简要概述了YOLOV1论文的相关内容。并对IOU，MAP，non max suppression以及YOLOV1的loss函数进行PyTorch实现。

本篇博文的内容是利用CGAN从零实现图像风格转换任务

本篇博文是学习attention is all you need这篇论文中的transfomer。探讨了其中的原理并对论文进行了复现

本篇博客的算法来源的论文是Neural Machine Translation of Rare Words with Subword Units，感兴趣的读者可以自行在Google学术上搜索。算法提出的问题背景2016年左右（改论文发表于2016）Neural machine translation(NMT)中有着一个众所周知的问题——稀有词与未知词的翻译问题。一般来说，神经网络中的词表被限制在30000-50000个词汇，但是对于翻译来说，各种词汇都可能出现（比如英语中的复合词汇，网络新词等），这种限

论文中的核心思想研究的问题—Image Caption为图片自动生成caption的任务类似于场景理解，这是cv领域的一个核心问题。要想解决这个问题，不仅要求你的模型能够识别出图片中有什么物体，还得能够将图片中出现的场景与自然语言相联系。问题的核心是模仿人类将大量重要的视觉信息压缩成一句抽象的描述性语言。解决问题的思路2014年左右由于AlexNet,VGGNet等深度卷积神经网络的出现，使得Image Caption成为了一项研究的热点。一种新的解决问题的范式是，利用CNN当作提取图像特征向量的E