<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[weixin_45440065的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/weixin_45440065</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; weixin_45440065]]></copyright><item><title><![CDATA[论文整理（陈怡然团队）]]></title><link>https://blog.youkuaiyun.com/weixin_45440065/article/details/106574197</link><guid>https://blog.youkuaiyun.com/weixin_45440065/article/details/106574197</guid><author>weixin_45440065</author><pubDate>Fri, 05 Jun 2020 20:44:52 +0800</pubDate><description><![CDATA[1.Cheng H, Zhang T, Yang Y, et al. SwiftNet: Using Graph Propagation as Meta-knowledge to Search Highly Representative Neural Architectures[J]. arXiv: Learning, 2019.




主要方法
解决问题




提出了基于GRAM的一种起名为SwiftNet的网络模型，使用结构级修剪以实现更高的精度密度，而不是使用通道深度缩放在资源和精度之间进行权衡
]]></description><category></category></item><item><title><![CDATA[聚类总结：分类、优缺点、适用场景总结]]></title><link>https://blog.youkuaiyun.com/weixin_45440065/article/details/106358007</link><guid>https://blog.youkuaiyun.com/weixin_45440065/article/details/106358007</guid><author>weixin_45440065</author><pubDate>Tue, 26 May 2020 23:11:50 +0800</pubDate><description><![CDATA[一.聚类的概念
1.定义
聚类指的是按照某个特定标准(如距离准则)把一个数据集分割成不同的类或簇，使得同一个簇内的数据对象的相似性尽可能大，同时不在同一个簇中的数据对象的差异性也尽可能地大。即聚类后同一类的数据尽可能聚集到一起，不同数据尽量分离。
（注：聚类方法是属于无监督的分类方式。）
2.聚类的分类
聚类方法主要划分为五大类：
（1）基于层次的聚类
原理：试图在不同层次上对数据集进行划分，从而形成树形的聚类结构。数据集的划分可采用“自底向上”的聚合策略和“自顶向下”的拆分策略。
（2）基于分割（划分）的]]></description><category></category></item><item><title><![CDATA[论文笔记：（微表情综述）Analysis on Emotion Detection and Recognition Methods using Facial Microexpressions.]]></title><link>https://blog.youkuaiyun.com/weixin_45440065/article/details/106231607</link><guid>https://blog.youkuaiyun.com/weixin_45440065/article/details/106231607</guid><author>weixin_45440065</author><pubDate>Thu, 21 May 2020 10:33:12 +0800</pubDate><description><![CDATA[1.面部表情的自动分析包括三个步骤：获取面部图像，提取并表示感兴趣的数据并识别表情。
2.面部表情计算分析的局限性
表情包含有关人脸身份和表情变化的信息，因此提取的特征通常是表情变化和身份特征的混合体。
（1）光照影响。 从不同方向和不同强度照亮面部的方式对特征提取有重大影响。 如果关键区域（例如眼睛或嘴巴）的光线昏暗，这会影响特征提取并干扰面部表情识别。
（2）只关注于姿势。 心理学家将这些表情按姿势或自发性进行分类，在外观和时间特征方面彼此不同。而自动化检测的面部表情识别系统专注于姿势表情，而我们的日常]]></description><category></category></item><item><title><![CDATA[论文笔记（微表情识别）：Micro-Attention for Micro-Expression Recognition]]></title><link>https://blog.youkuaiyun.com/weixin_45440065/article/details/105693972</link><guid>https://blog.youkuaiyun.com/weixin_45440065/article/details/105693972</guid><author>weixin_45440065</author><pubDate>Sat, 25 Apr 2020 18:36:18 +0800</pubDate><description><![CDATA[限制微表情识别准确性的两个方面：
(1) 面部小局部区域微表情的存在
(2) 可用数据集大小的局限性（目前许多微表情数据集都远小于喂入网络的其他数据集，这可能会导致眼中的过拟合问题）
为此，本文提出了一种微注意力与残差网络想结合的新的注意力机制。
（此种整合可以减少参数数量）
特征工程的方法更适合离线，端到端的方法更适合快速、实时、线上的场合。
（本文运用的是基于深度学习思想的用于微表情识别的端到...]]></description><category></category></item><item><title><![CDATA[Memory Network----------李宏毅视频笔记]]></title><link>https://blog.youkuaiyun.com/weixin_45440065/article/details/105508317</link><guid>https://blog.youkuaiyun.com/weixin_45440065/article/details/105508317</guid><author>weixin_45440065</author><pubDate>Tue, 14 Apr 2020 12:09:16 +0800</pubDate><description><![CDATA[1.Attention model

2.memory network model
(1)做attention的vector和提取information的vector是不一样的两组(用不同的DNN一起训练得到)
(2)可以做hopping这件事：就是把得到的Extracted Information回过来再与Query做summation后继续再算新的attention scores(原始的做的工...]]></description><category></category></item><item><title><![CDATA[论文阅读笔记：Recurrent Model of Visual attention（2014Deepmind）]]></title><link>https://blog.youkuaiyun.com/weixin_45440065/article/details/105289831</link><guid>https://blog.youkuaiyun.com/weixin_45440065/article/details/105289831</guid><author>weixin_45440065</author><pubDate>Tue, 07 Apr 2020 18:23:48 +0800</pubDate><description><![CDATA[总述：该论文在RNN模型上使用了attention机制来进行图像分类
Model
1.Sensor部分
在每个步骤t，从输入xt中提取感兴趣的部分（给定一个location坐标lt-1周围处提取部分图像信息）
对l更远处的信息采用低分辨率，使图像维度降低
使用glimpse network fg产生向量gt

三个θg分别是给定一个坐标提取的n个子图下采样后的表达p(xt,lt-1)线性回归后所得...]]></description><category></category></item><item><title><![CDATA[基于tensorflow的简单神经网络的实现（慕课网人工智能实践：tensorflow笔记-学习记录）]]></title><link>https://blog.youkuaiyun.com/weixin_45440065/article/details/97774847</link><guid>https://blog.youkuaiyun.com/weixin_45440065/article/details/97774847</guid><author>weixin_45440065</author><pubDate>Tue, 30 Jul 2019 13:30:52 +0800</pubDate><description><![CDATA[例子如下：

本例有2个输入（x1,x2,x3），3个神经元（a11,a12,a13），1个输出（y）。
wi,j表示输入到神经元的权重。

（1）从输入到神经元，输入2个，神经元3个，因此是2×3的矩阵；
（2）从神经元到输出，神经元3个，输出1个，因此是3×1的矩阵；
（3）matmul是tensorflow中进行矩阵乘法运算的函数。
实现代码如下：
1.直接向神经网络喂入一组常量：
#cod...]]></description><category></category></item></channel></rss>