[Sep 2015 ~ Oct 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 · 3.1k 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。

本文探讨了视觉与视频理解领域的最新进展，包括规模感知的行人检测、深度卷积特征聚合、多域卷积神经网络在视觉跟踪的应用、利用层次递归神经网络进行视频描述生成，以及带有意图注意力机制的对话模型等。这些技术不仅展示了深度学习的强大能力，还为视觉理解提供了新的解决方案。

Scale-awareFast R-CNN for Pedestrian Detection



AggregatingDeep Convolutional Features for Image Retrieval



这种特征aggregate的方式，在几个数据集上有一定增长


LearningMulti-Domain Convolutional Neural Networks for Visual Tracking



multitask在视觉跟踪中的应用



VideoParagraph Captioning using Hierarchical Recurrent Neural Networks



度长在视频段落描述方面的一个力作



Attention with Intention for a Neural Network Conversation Model




EmpiricalStudy on Deep Learning Models for QA




IBM Watson





【CS324】LLM（大模型的能力、数据、架构、分布式训练、微调等）
发现问题，并解决问题，批判性思维
09-12 2581
语言模型最初是在信息理论的背景下研究的，可以用来估计英语的熵。 熵用于度量概率分布：熵实际上是一个衡量将样本 � ∼ � x∼p 编码（即压缩）成比特串所需要的预期比特数的度量。举例来说，“the mouse ate the cheese” 可能会被编码成 “0001110101”。熵的值越小，表明序列的结构性越强，编码的长度就越短。直观地理解N-gram模型在计算上极其高效，但在统计上效率低下。 神经语言模型在统计上是高效的，但在计算上是低效的。 大模型的参数发展：随着深度学习在2010年代的兴起和主要硬
遥感-Deep Covariance Alignment for Domain Adaptive Remote Sensing Image Segmentation域自适应遥感图像分割中深度协方差对齐
ssshyeong的博客
05-06 2105
本文中，我们提出了一种新的深度协方差对齐（DCA）模型，用于UDA RSI分割。DCA可以显式地对齐类别特征，学习共享域不变的判别特征表示，从而增强模型泛化能力。具体来说，类别特征池（CFP）模块首先用于通过组合粗输出和深度特征来提取类别特征。然后，我们利用一种新的协方差正则化（CR）来加强类别内特征的更紧密性和类别间特征的进一步分离。
Deep Learning Meets SAR
weixin_41697507的博客
07-16 8842
Deep Learning Meets SAR Abstract Deep learning in remote sensing has become an international hype, but it is mostly limited to the evaluation of optical data. Although deep learning has been introduced in SAR data processing, despite successful first attemp
【时序异常检测翻译】1.DeepAnT: A Deep Learning Approach for Unsupervised Anomaly Detection in Time Series
yy1158047452的博客
02-25 5726
DeepAnT：一种用于时间序列中无监督异常检测的深度学习方法 摘要 传统的基于距离和密度的异常检测技术无法检测流数据中常见的周期性和季节性点异常，在当前物联网时代，时间序列异常检测存在很大差距。为了解决这个问题，我们提出了一种新的基于深度学习的时间序列数据异常检测方法（DeepAnT），该方法同样适用于非流情况。DeepAnT能够检测范围广泛的异常，即时间序列数据中的点异常、上下文异常和不一致。与学习异常的异常检测方法不同，DeepAnT使用未标记的数据来捕获和学习用于预测时间序列正常行为的数据分布。De
[论文解读] DeepCruiser: Automated Guided Testing for Stateful Deep Learning Systems
年糕的博客
05-08 1670
DeepCruiser: Automated Guided Testing for Stateful Deep Learning Systems 文章目录DeepCruiser: Automated Guided Testing for Stateful Deep Learning Systems简介摘要背景RNNAutomated Speech Recognition覆盖率制导的测试框架Deep...
Why Deep Learning Works – Key Insights and Saddle Points
weixin_34081595的博客
11-04 189
Why Deep Learning Works – Key Insights and Saddle Points A quality discussion on the theoretical motivations for deep learning, including distributed representation, deep architecture, and the easily...
论文翻译：2021_Towards model compression for deep learning based speech enhancement
www_xuhss_com的博客
04-08 1777
Python微信订餐小程序课程视频 https://edu.youkuaiyun.com/course/detail/36074 Python实战量化交易理财系统 https://edu.youkuaiyun.com/course/detail/35475 目录 摘要1  引言2  算法描述A  基于DNN的语音增强B  迭代非结构化和结构化剪枝C  稀疏正则化D  基于聚类的量化3  实验步骤A  数据处理B&nbsp
论文翻译：2021_语音增强模型压缩_Towards model compression for deep learning based speech enhancement...
凌逆战的博客
04-08 1218
论文地址：面向基于深度学习的语音增强模型压缩 论文代码：没开源，鼓励大家去向作者要呀，作者是中国人，在语音增强领域 深耕多年 引用格式：Tan K, Wang D L. Towards model compression for deep learning based speech enhancement[J]. IEEE/ACM transactions on audio, speech, ...
TGRS2020/云检测：Deep Matting for Cloud Detection in Remote Sensing Images深度抠图在遥感图像云检测中的应用
ssshyeong的博客
11-17 1990
本文从云图像的遥感成像机制出发，从一个完全不同的角度重新审视云检测，即将云检测定义为前景和背景图像的混合能量分离。这一过程可以在基于深度学习的图像抠图框架下进一步等效地实现，具有明确的物理意义。更重要的是，该方法能够在统一的框架下处理三个不同但相关的任务，即“云检测”、“云去除”和“云量评估”。在三个卫星图像数据集上的实验结果证明了我们的方法是有效的，特别是对遥感图像中较复杂但常见的例子，如薄云和卷云。
Awesome Reinforcement Learning
a1424262219的博客
08-16 814
Awesome Reinforcement Learning A curated list of resources dedicated to reinforcement learning. We have pages for other topics:awesome-rnn,awesome-deep-vision,awesome-random-forest Maintain...
Pyramid With Super Resolution for In-The-Wild Facial Expression Recognition
qq_45786703的博客
02-20 1806
论文翻译摘要一、介绍新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 摘要 人脸表情识别是提高自然人机交互的一项具有挑战性的任务。本文主要研究的是一张在野外(ITW)图像上的自动表情识别。ITW图像在姿态、方向和输入分辨率方
[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。
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