[Fri, 13 Nov 2015 ~ Mon, 23 Nov 2015] Deep Learning in arxiv

最新推荐文章于 2024-05-30 09:48:32 发布
原创 最新推荐文章于 2024-05-30 09:48:32 发布 · 3.5k 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。

本文探讨了深度强化学习在参数化行动空间中的应用，具体以足球游戏中的DQN算法为例进行深入研究，并涉及多模态语义嵌入、情感识别、匹配模型改进、深度特征融合等领域的最新进展。

DEEPREINFORCEMENT LEARNING IN PARAMETERIZED ACTION SPACE


dqn在足球游戏中的研究

代码：Complete source code for our agent isavailable at https://github.com/mhauskn/dqn-hfo and for the RoboCup 2D domainat https://github.com/mhauskn/HFO/.

 

 

DEEPMULTIMODAL SEMANTIC EMBEDDINGS FOR SPEECH AND IMAGES


 

HeterogeneousKnowledge Transfer in Video Emotion Recognition, Attribution and Summarization


 

 

WordEmbedding based Correlation Model for Question/Answer Matching



improvethe matching (word pair) accuracy

 

 

FeatureLearning based Deep Supervised Hashing with Pairwise Labels


1. 网络更深了

2. 前向fc8用了sign

3. 后向用了relex sign

 

 

DeepMetric Learning via Lifted Structured Feature Embedding


 

 

从pair wised-> triplet->(list, lifted structured)

cnn与metric learning更多更深入的结合

 

 

INTEGRATINGDEEP FEATURES FOR MATERIAL RECOGNITION


比较实用的工程技巧

 

 

WIDERFACE: A Face Detection Benchmark


TheWIDER FACE dataset consists of 393, 703 labeled face bounding boxes in 32, 203images

新的人脸数据集

 

Single-viewto Multi-view: Reconstructing Unseen Views with a Convolutional Network


可以在更多需要重构的场景中去尝试

 

TRAININGCNNS WITH LOW-RANK FILTERS FOR EFFICIENT IMAGE CLASSIFICATION


带效果损失的模型大小与前向时间优化

 

 

 

COMPRESSIONOF DEEP CONVOLUTIONAL NEURAL NETWORKS FOR FAST AND LOW POWER MOBILEAPPLICATIONS


模型运行时与大小优化 for 智能设备

 

 

 

 

ImagesDon’t Lie: Transferring Deep Visual Semantic Features to Large-Scale MultimodalLearning to Rank


 

Multimodal Listing Embedding+tuple方式Learning To Rank

目前看到的电商里的第一篇multimodal

 

 

目标检测论文：Recent Advances in Deep Learning for Object Detection
mingo_敏
10-01 1976
目标检测论文：Recent Advances in Deep Learning for Object Detection two-stage detection frameworks: one-stage detection frameworks:
Learning Structured Sparsity in Deep Neural Networks
h__ang的博客
04-18 3713
论文链接：https://arxiv.org/pdf/1608.03665.pdf 代码链接：https://github.com/wenwei202/caffe/tree/scnn 摘要 计算资源的高需求严重阻碍了大规模深度神经网络在资源受限设备上的部署。在这篇工作中，我们提出了一种结构稀疏化学习方法（SSL method）来规范DNNs的结构(filters，channels，filter s...
强化学习之混合动作空间
小吴同学的小屋
06-07 9311
在强化学习的动作空间设定中有连续动作空间，离散动作空间和混合动作空间。在大多数的论文中研究的都是连续动作空间和离散动作空间，而混合动作空间研究的比较少。在游戏ai，自动驾驶等一些领域中有时动作空间可以是混合动作空间，因此我阅读了一些相关的文献，资料和代码，计划整理一下混合动作空间中的一些基础知识（主要介绍parameterized action space）。考虑一个简单的场景，假设我们要写一个王者荣耀的游戏ai，我们需要控制英雄的走位，技能释放的方向，这些动作都是属于连续动作空间的。同时我们还需要选择不同
深度学习之Deep Image CTR Model
Minskyli
09-06 2600
DICM in AMS DICM in AMS 摘要 1 引言 2 相关工作 3 DEEP IMAGE CTR MODEL 3.1 展示广告系统 3.2 问题描述 3.3 利用图像建模 4 AMS 4.1 PS和其限制 4.2 AMS的体系结构 4.3 由AMS实现的DICM 4.4 测试和在线部署 5 基于用户建模的图像 5.1 图像embedding模型 5.2 用户行为图像聚...
探索虚拟绿茵场的智能：RoboCup 2D Half Field Offense深度解析与应用
最新发布
gitblog_00100的博客
05-30 475
探索虚拟绿茵场的智能：RoboCup 2D Half Field Offense深度解析与应用 在人工智能与机器学习的浪潮中，仿真环境成为了检验算法实力的重要舞台。今天，我们深入探索一个独特的开源项目——RoboCup 2D Half Field Offense（简称HFO），它不仅是一个模拟足球竞技的技术平台，更是AI研究者和开发者的乐园。 项目介绍 HFO是基于罗伯特世界杯（RoboCup）...
混合动作空间 | 创造人工智能的黑魔法(1)
m0_55289267的博客
05-30 1579
OpenDILab新开设了混合动作空间专栏，将从离散动作空间和连续动作空间入手，为大家介绍混合动作空间的起源和发展，并解读一系列学术界相关paper。 本文作为混合动作空间系列专题文章的第一篇，主要是介绍混合动作空间的类型以及经典环境，公式不多，可以放心食用~ 近年来，强化学习的混合动作空间（Hybrid Action Space) 逐渐成为热门话题。动作空间是强化学习问题里的一个重要设定。我们训练一个人工智能体，都离不开动作空间。 动作空间的重要性有以下两点，设计良好的动作空间，对于
HFO, 在 Robocup 2D 足球游戏中，半场进攻.zip
09-18
HFO, 在 Robocup 2D 足球游戏中，半场进攻 RoboCup 2D Field 在游戏中，第1 章是第三部分，模拟一组球队的进攻情况，以达到对目标进行攻击的情况。 这个库提供了快速和轻松的接口，使你的学习代理与HFO域。 接口是为 C 和 python 提供的。依赖
[文献阅读] Sparsity in Deep Learning: Pruning and growth for efficient inference and training in NN
jokerxsy的博客
06-29 2224
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 1528
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...
(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.
Robocup2D仿真足球02 - 在Ubuntu中编程
05-19
里面是对仿真平台安装的详细步骤。以及对Eclipse安装的步骤。很详细的啊！
ROBOCUP机器人足球初始AI
07-21
机器人足球的初始AI，包括各种模拟信息的获取，在其基础上加入逻辑判断即可编写球员。
【论文阅读IJCAI-19】Hybrid Actor-Critic Reinforcement Learning in Parameterized Action Space
quintus0505的博客
12-19 3619
论文调研笔记【IJCAI-19】Hybrid Actor-Critic Reinforcement Learning in Parameterized Action Space 标题 Hybrid Actor-Critic Reinforcement Learning in Parameterized Action Space 会议 IJCAI-19 论文地址 https://arxiv.org/pdf/1903.01344.pdf https://www.ijcai.org/Proceedings/201
强化学习论文(4): Deep Reinforcement Learning in Large Discrete Action Spaces
南阁风起的博客
03-05 4538
大规模离散动作空间内的深度强化学习 摘要 处理这样的任务需要：1. 在动作集合上的泛化能力； 2. 次线性查找复杂度。 本文提出方法，利用先验知识将动作嵌入连续空间使其可以泛化；采用近似最近邻算法达到log⁡(n)\log (n)log(n)查找复杂度。 背景知识介绍 强化学习方法可分为两类：value-based policy, action-based policy. value-based...
CVPR2017 all paper list
一亩半分地
07-26 3万+
本文给出了CVPR2017的最新的paperlist
（转）Awesome Knowledge Distillation
a1424262219的博客
07-19 444
Awesome Knowledge Distillation 2018-07-1910:38:40 Reference：https://github.com/dkozlov/awesome-knowledge-distillation Papers Combining labeled and unlabeled data with co-training, A. Blum...
【ICCV2019 论文列表】出炉论文持续更新
TomRen
09-25 4435
ICCV2019 放出论文持续更新
[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
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