tbw5201的博客

原创 跨域语义分割CrDoCo

跨域语义分割1.介绍主要是讲一个域（源域）中学习到的知识应用到另外一个域（目标域）中。由于由于域移位问题（即源和目标数据集之间的域间隙），所学习的模型通常无法概括到新数据集。本文贡献：1）提出了一种对无监督域适应的对抗学习方法，其适用于广泛的密集预测任务；2）提出了跨域一致性损失，为网络训练提供了额外的监控信号，从而进行更准确和一致的任务预测；3）性能目前最强。源代码：https://yunchunchen.github.io/CrDoCo/2.模型结构主要有两个模块：1）图像-图像翻译网络；2）

原创 手推前向与后向传播

原创 集成学习之Bagging

集成学习之Bagging① Bagging又叫自助聚集，是一种根据均匀概率分布从数据中重复抽样（有放回）的技术。② 每个抽样生成的自助样本集上，训练一个基分类器；对训练过的分类器进行投票，将测试样本指派到得票最高的类中。③ 每个自助样本集都和原数据一样大④ 有放回抽样，一些样本可能在同一训练集中出现多次，一些可能被忽略过程：输入：训练集 D={(x1, y1), (x2, y2), (x3, y3), …(xm, ym)};基学习算法#（网络模型net）;训练轮数T.过程：1：f

原创 GoogLeNet阅读笔记

论文地址摘要提出了一种名为GoogLeNet的深度神经网络，该神经网络共有22层。在保证预算不变的情况下，增加了网络的深度和广度，架构设计时基于Hebbian principle和多尺度处理。引言目前该领域大部分的进步不仅仅是更强大的硬件、更大的数据集和更大的模型的结果，而是新思想、算法和改进的网络架构的结果。相关工作 从LeNet-5开始，CNN已经有了标准的结构----堆叠的卷积层后面加一或多个全连接层。对于一些大型数据集，一种趋势是增加层的数量和层的大小，而用dropout处理过拟合

原创 阅读文献AlexNet笔记

论文AlexNet笔记原文地址：http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf