[Fri, 3 Jul 2015 ~ Tue, 7 Jul 2015] Deep Learning in arxiv

最新推荐文章于 2022-12-16 10:00:00 发布
原创 最新推荐文章于 2022-12-16 10:00:00 发布 · 1.7k 阅读 · 0 ·
CC 4.0 BY-SA版权
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文探讨了使用基于注意力的编码解码网络在不同照明条件下的图像颜色一致性问题，介绍了端到端卷积网络用于前景预测的实现代码，并讨论了深度神经网络并行训练的多GPU解决方案及稀疏编码的线性方法。

Convolutional Color Constancy

can this be used for training cnn to narrow the gap between different lighting conditions?

 

Describing Multimedia Content using Attention-based Encoder–Decoder Networks

lots of machine translation, speech recognition, image caption related reference

 

End-to-end Convolutional Network for Saliency Prediction

theano based code: https://imatge.upc.edu/web/resources/end-end-convolutional-networks-saliency-prediction-software

 

EXPERIMENTS ON PARALLEL TRAINING OF DEEPNEURAL NETWORK USING MODEL AVERAGING

mpi for multi-gpu solution

 

A linear approach for sparse coding by atwo-layer neural network


[文献阅读] Sparsity in Deep Learning: Pruning and growth for efficient inference and training in NN
jokerxsy的博客
06-29 2229
论文地址：https://arxiv.org/abs/2102.00554sparse model的精确度和计算性能随稀疏程度的变化，分别如下图的绿\红所示。 实现模型稀疏化需要存储的数据格式，如下面的bitmap就是存储一个模型参数个数大小的0/1矩阵，作为mask。 前三种如下图所示。 略略模型的稀疏模式视输入样本而定略computers和brains的不同：略《Soft Threshold Weight Reparameterization for Learnable Sparsity》......
【人脸识别~采样策略】Sampling Matters in Deep Embedding Learning
Lingyun
08-10 1529
Paper：Sampling Matters in Deep Embedding Learning 论文链接：https://arxiv.org/abs/1706.07567 开源代码：https://github.com/chaoyuaw/incubator-mxnet/tree/master/example/gluon/embedding_learning 在embedding lear...
JS 把 Wed Jul 15 2015 00:00:00 GMT+0800 转换成2015-07-15
a245090971的博客
07-16 982
function strlen(str) { var len = 0; for (var i = 0; i < str.length; i++) { var c = str.charCodeAt(i); //单字节加1 if...
java将Fri Feb 02 18:18:49 CST 2018转换为2018-01-30 22:22:24、date类型的数据
zhang sir的博客
02-02 2万+
源码：http://download.youkuaiyun.com/download/mufei4886/10237581 采用拼接字符串的方法，最简单也最粗暴也是最实用：  /**      * 标准化时间显示      * yyyy-MM-dd HH:mm:ss      * @param dateStr      * @return      */     public static S
(Weight) Sparsity in Deep Learning
maxzcl的博客
04-20 3903
SOTA* Overview *[Submitted on 31 Jan 2021] Sparsity in Deep Learning: Pruning and growth for efficient inference and training in neural networks https://arxiv.org/abs/2102.00554 The growing energy and performance costs of deep learning have driven th.
【点云系列】Point-Voxel CNN for Efficient 3D Deep Learning
weixin_43882112的博客
05-06 2148
文章目录1. 概要2. 动机3.方法3.1 Point分支3.2 Voxel分支3.2.1 正则化 （Normalization）3.2.2 体素化（Voxelization）3.2.3 特征聚合（Feature Aggregation）3.2.4 去体素化（Devoxelization）3.3 融合4. 效果4.1 部件分割对比4.2 场景分割 比对4.3 目标检测4.4 可视化分析4.5 效率分析5. 思考6. 参考 1. 概要 会议：NIPS19 spotlight 论文：https://arxiv.
基于深度学习的3D目标检测综述-Deep Learning-Based 3D Detection: A Review
dsoftware的博客
08-22 6537
引言 传统的2D目标检测，是得到目标物体的类别，以及图像平面内的包围盒，因此包含的参数为类别c，包围盒的中心(x,y)，长宽(length, width)。 而3D检测的任务是得到目标物体的类别(Classification)以及带朝向的3D包围盒(Oriented 3D Bounding Boxes)，因此，其包含类别c，位置(x, y, z)，size(length, widith, heig...
[caffe]深度学习之图像分类模型AlexNet解读
热门推荐
孙佰贵的专栏
10-09 17万+
在imagenet上的图像分类challenge上Alex提出的alexnet网络结构模型赢得了2012届的冠军。要研究CNN类型DL网络模型在图像分类上的应用，就逃不开研究alexnet，这是CNN在图像分类上的经典模型（DL火起来之后）。 在DL开源实现caffe的model样例中，它也给出了alexnet的复现，具体网络配置文件如下（https://github.com/BVLC/caff
[caffe]深度学习之图像分类模型VGG解读
孙佰贵的专栏
07-01 10万+
vgg和googlenet是2014年imagenet竞赛的双雄，这两类模型结构有一个共同特点是go deeper。跟googlenet不同的是，vgg继承了lenet以及alexnet的一些框架，尤其是跟alexnet框架非常像，vgg也是5个group的卷积、2层fc图像特征、一层fc分类特征，可以看做和alexnet一样总共8个part。根据前5个卷积group，每个group中的不同配置，vgg论文中给出了A~E这五种配置，卷积层数从8到16递增。从论文中可以看到从8到16随着卷积层的一步步加深，貌
深度学习之图像分类模型inception v2、inception v3解读
孙佰贵的专栏
03-05 7万+
inception v2与inception v3两种模型配置。 Inception v3单模型达到了21.2%的top1错误率，多模型达到了17.3%的top1错误率
ChatGPT理论分析
孙佰贵的专栏
12-08 5万+
ChatGPT让人看到了人类友好型对话的最先进水平，在此基础上将萌发出广泛的商业应用，它会渗透到各行各业。可能会让AI系统提前到来。本文做相应简单的原理介绍以及使用方法与相应惊艳的效果展示。
[caffe]深度学习之MSRA图像分类模型Deep Residual Network(深度残差网络)解读
孙佰贵的专栏
03-16 4万+
MSRA的深度残差网络在2015年ImageNet和COCO如下共5个领域取得第一名：ImageNet recognition, ImageNet detection, ImageNet localization, COCO detection, and COCO segmentation。文章：Deep Residual Learning for Image Recognition; 代码：https://github.com/KaimingHe/deep-residual-networks
[caffe]深度学习之图像分类模型Batch Normalization[BN-inception]解读
孙佰贵的专栏
03-05 2万+
一、简介 如果将googlenet称之为google家的inception v1的话，其Batch Normalization（http://arxiv.org/pdf/1502.03167v3.pdf）文章讲的就是BN-inception v1。 它不是网络本身本质上的内容修改，而是为了将conv层的输出做normalization以使得下一层的更新能够更快，更准确。 二、
[caffe]深度学习之图像分类模型googlenet[inception v1]解读
孙佰贵的专栏
03-05 2万+
googlenet和vgg是2014年imagenet竞赛的双雄，这两类模型结构有一个共同特点是go deeper。跟vgg不同的是，googlenet做了更大胆的网络上的尝试而不是像vgg继承了lenet以及alexnet的一些框架，该模型虽然有22层，但大小却比alexnet和vgg都小很多，差不多20m的样子。
ChatGPT+Midjourney实现儿童绘本故事及其插图（数字1~10的故事）
孙佰贵的专栏
12-16 2万+
近期AI对话技术与AI绘画技术突飞猛进。本文尝试结合AI对话与AI绘画进行儿童绘本内容的创作，发现AI对话技术已经超越大部分人类水平。但是AI绘画在精细的主体个数以及主体动作语义的理解上还远未达到人类水平。
[深度学习]暴走的残差深度学习网络家族！加深了网络还是隐式多网络叠加？
孙佰贵的专栏
06-17 2万+
在2015年残差网络Deep Residual Learning for Image Recognition出来之后，2016年出现了大批量的达到与之相应效果的加深网络的方法。加深网络会带来如下三大类问题：1. 后向传播梯度消失;2. 前向传播信息量减少;3. 训练时间加长。为了缓解以上三大类问题，2016上半年已经有各式各样的加深网络的方法，让我们来看下下面五篇文章，前四篇文章主要注重与如何去使用各种方法加深网络，最后一篇文章对最近出现的残差网络家族做了一个深入的分析与思考，指出残差与其说是加深网络不如说
人工智能内容生成元年—AI绘画原理解析
孙佰贵的专栏
12-03 2万+
AIGC元年达到了学术-商业共振，本文介绍现有AI绘画、AI作画背后的相应基本原理、应用、以及论文参考文献。
[caffe]深度学习之CNN检测object detection方法摘要介绍
孙佰贵的专栏
08-17 1万+
深度学习之CNN检测object detection领域算法发展的非常迅速；有overfeat, rcnn, spp, fast rcnn, faster rcnn等
PyTorch实现Deep Voice 3：文本转语音合成模型
该技术由Baidu硅谷人工智能实验室开发，并于2017年在arXiv上发表了名为“Deep Voice 3: Scaling Text-to-Speech with Convolutional Sequence Learning”的论文。 2. **PyTorch框架**： PyTorch是一个开源的机器...
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
 
红包 添加红包
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

打赏作者

AI记忆

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

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