- 物体检测-Faster R-CNN物体检测是计算机视觉中的一个重要的研究领域，在人流检测，行人跟踪，自动驾驶，医学影像等领域有着广泛的应用。不同于简单的图像分类，物体检测旨在对图像中的目标进行精确识别，包括物体的位置和分类，因此能够应用于更多高层视觉处理的场景。例如在自动驾驶领域，需要辨识摄像头拍摄的图像中的车辆、行人、交通指示牌及其位置，以便进一步根据这些数据决定驾驶策略。上一期学习案例... 物体检测-Faster R-CNN物体检测是计算机视觉中的一个重要的研究领域，在人流检测，行人跟踪，自动驾驶，医学影像等领域有着广泛的应用。不同于简单的图像分类，物体检测旨在对图像中的目标进行精确识别，包括物体的位置和分类，因此能够应用于更多高层视觉处理的场景。例如在自动驾驶领域，需要辨识摄像头拍摄的图像中的车辆、行人、交通指示牌及其位置，以便进一步根据这些数据决定驾驶策略。上一期学习案例...
- 现在已经覆盖了图的介绍，图的主要类型，不同的图算法，在Python中使用Networkx来实现它们，以及用于节点标记，链接预测和图嵌入的图学习技术，最后讲了GNN分类应用以及未来发展方向！ 现在已经覆盖了图的介绍，图的主要类型，不同的图算法，在Python中使用Networkx来实现它们，以及用于节点标记，链接预测和图嵌入的图学习技术，最后讲了GNN分类应用以及未来发展方向！
- 这篇文章提出了动态记忆生成对抗网络（DM-GAN）来生成高质量的图像。该方法可以在初始图像生成不好时，引入动态存储模块来细化模糊图像内容，从而能够从文本描述中更加准确地生成图像。 文章被2019年CVPR（IEEE Conference on Computer Vision and Pattern Recognition）会议收录。 这篇文章提出了动态记忆生成对抗网络（DM-GAN）来生成高质量的图像。该方法可以在初始图像生成不好时，引入动态存储模块来细化模糊图像内容，从而能够从文本描述中更加准确地生成图像。 文章被2019年CVPR（IEEE Conference on Computer Vision and Pattern Recognition）会议收录。
- 这是一篇用GAN做文本生成图像（Text to Image、T2I）的论文，文章在2016年由Reed等人发布，被ICML会议录取。可以说是用GAN做文本生成图像的开山之作。 这是一篇用GAN做文本生成图像（Text to Image、T2I）的论文，文章在2016年由Reed等人发布，被ICML会议录取。可以说是用GAN做文本生成图像的开山之作。
- 基于GAN的文本生成图像，最早在2016年由Reed等人提出，最开始是Conditional GANs的扩展，仅在受限的数据集取得成果，小图像分辨率64*64。本系列是根据2021年的一篇论文《Adversarial Text-to-Image Synthesis: A Review》理解所写，主要在于总结和归纳基于GAN的“文本生成图像”（text to image）方向的研究情况 基于GAN的文本生成图像，最早在2016年由Reed等人提出，最开始是Conditional GANs的扩展，仅在受限的数据集取得成果，小图像分辨率64*64。本系列是根据2021年的一篇论文《Adversarial Text-to-Image Synthesis: A Review》理解所写，主要在于总结和归纳基于GAN的“文本生成图像”（text to image）方向的研究情况
- TransGAN是UT-Austin、加州大学、 IBM研究院的华人博士生构建了一个只使用纯 transformer 架构、完全没有卷积的 GAN，并将其命名为 TransGAN。该论文已被NeruIPS（Conference and Workshop on Neural Information Processing Systems，计算机人工智能领域A类会议）录用，文章发表于2021年12... TransGAN是UT-Austin、加州大学、 IBM研究院的华人博士生构建了一个只使用纯 transformer 架构、完全没有卷积的 GAN，并将其命名为 TransGAN。该论文已被NeruIPS（Conference and Workshop on Neural Information Processing Systems，计算机人工智能领域A类会议）录用，文章发表于2021年12...
- @TOC 全连接神经网络 全连接网络原理简述我们举一个例子，假设房子的价格为y，那么他的地点x1与面积x2都与体制有关我们设定公式：y=x1w1∗x2w2y = x_1w_1*x_2w_2y=x1w1∗x2w2假设我们让这个模型训练了n轮，得到了最优解，权重系数w1w_1w1=0.3,w2=0.7w_2=0.7w2=0.7，我们就可以相对的认为地点与面积对房价的影响程度不同。而在... @TOC 全连接神经网络 全连接网络原理简述我们举一个例子，假设房子的价格为y，那么他的地点x1与面积x2都与体制有关我们设定公式：y=x1w1∗x2w2y = x_1w_1*x_2w_2y=x1w1∗x2w2假设我们让这个模型训练了n轮，得到了最优解，权重系数w1w_1w1=0.3,w2=0.7w_2=0.7w2=0.7，我们就可以相对的认为地点与面积对房价的影响程度不同。而在...
- 《娜璋带你读论文》系列主要是督促自己阅读优秀论文及听取学术讲座，并分享给大家，希望您喜欢。前一篇介绍了两个作者溯源的工作，从二进制代码和源代码两方面实现作者去匿名化或识别。这篇文章主要介绍六个非常具有代表性的向量表征算法，它们有特征词向量表示、文档向量表示、图向量表示，以及两个安全领域二进制和日志的向量表征。通过类似的梳理，让读者看看这些大佬是如何创新及应用到新领域的，希望能帮助到大家。 《娜璋带你读论文》系列主要是督促自己阅读优秀论文及听取学术讲座，并分享给大家，希望您喜欢。前一篇介绍了两个作者溯源的工作，从二进制代码和源代码两方面实现作者去匿名化或识别。这篇文章主要介绍六个非常具有代表性的向量表征算法，它们有特征词向量表示、文档向量表示、图向量表示，以及两个安全领域二进制和日志的向量表征。通过类似的梳理，让读者看看这些大佬是如何创新及应用到新领域的，希望能帮助到大家。
- 将现实世界场景的照片转换为动漫风格图像的方法，这是计算机视觉和艺术风格转换中一项有意义且具有挑战性的任务，而本文中我们介绍的 AnimeGAN 就是 GitHub 上一款爆火的二次元漫画风格迁移工具，可以实现快速的动画风格迁移。该工具是基于神经风格迁移和生成对抗网络 (GAN) 技术打造的，相比于传统的神经网络模型，GAN 是一种全新的非监督式的架构。 将现实世界场景的照片转换为动漫风格图像的方法，这是计算机视觉和艺术风格转换中一项有意义且具有挑战性的任务，而本文中我们介绍的 AnimeGAN 就是 GitHub 上一款爆火的二次元漫画风格迁移工具，可以实现快速的动画风格迁移。该工具是基于神经风格迁移和生成对抗网络 (GAN) 技术打造的，相比于传统的神经网络模型，GAN 是一种全新的非监督式的架构。
- 学习神经元、神经网络、感知机、激活函数以及损失函数等网络的基本组成与概念。了解网络的训练方法包括前向传播、与误差反向传播算法。了解最常用的两种神经网络，卷积神经网络和循环神经网络。 学习神经元、神经网络、感知机、激活函数以及损失函数等网络的基本组成与概念。了解网络的训练方法包括前向传播、与误差反向传播算法。了解最常用的两种神经网络，卷积神经网络和循环神经网络。
- 上一期我们了解到昇腾开发者在进行神经网络模型训练或推理的过程中，可能会需要进行自定义算子的开发，在进行CANN算子开发前，本文先带您认识下什么是算子，算子有哪些基本特征。 上一期我们了解到昇腾开发者在进行神经网络模型训练或推理的过程中，可能会需要进行自定义算子的开发，在进行CANN算子开发前，本文先带您认识下什么是算子，算子有哪些基本特征。
- 《娜璋带你读论文》系列主要是督促自己阅读优秀论文及听取学术讲座，并分享给大家，希望您喜欢。这篇文章将带来清华唐杰老师的分享“图神经网络及认知推理总结和普及”或“Graph Neural Networks and Applications—A Review”。唐老师也是学术界大牛，真心值得我们学习。同时文章融合了自己十年NLP的理解及相关资料补充，只希望帮助更多初学者，且看且珍惜，写得不好的地方请海 《娜璋带你读论文》系列主要是督促自己阅读优秀论文及听取学术讲座，并分享给大家，希望您喜欢。这篇文章将带来清华唐杰老师的分享“图神经网络及认知推理总结和普及”或“Graph Neural Networks and Applications—A Review”。唐老师也是学术界大牛，真心值得我们学习。同时文章融合了自己十年NLP的理解及相关资料补充，只希望帮助更多初学者，且看且珍惜，写得不好的地方请海
- 本文提出了两个用于无监督的具备可解释性和鲁棒性时间序列离群点检测的自动编码器框架 本文提出了两个用于无监督的具备可解释性和鲁棒性时间序列离群点检测的自动编码器框架
- 本文给大家分享一篇我们在CVPR 2022 上的paper DATA: Domain-Aware and Task-Aware. 文章首先分析了自监督预训练和神经网络结构搜索（NAS）的背景与联系，提出了一种高效的可针对下游定制化的自监督NAS算法，并解决了过去NAS需要强监督标签的问题。 本文给大家分享一篇我们在CVPR 2022 上的paper DATA: Domain-Aware and Task-Aware. 文章首先分析了自监督预训练和神经网络结构搜索（NAS）的背景与联系，提出了一种高效的可针对下游定制化的自监督NAS算法，并解决了过去NAS需要强监督标签的问题。
- SWA：平均权重导致更广泛的最优和更好的泛化 摘要深度神经网络通常通过使用 SGD 变体优化损失函数以及衰减学习率来训练，直到收敛。 我们展示了沿 SGD 轨迹的多个点的简单平均，具有周期性或恒定的学习率，比传统训练具有更好的泛化能力。 我们还表明，这种随机权重平均 (SWA) 过程找到了比 SGD 更平坦的解决方案，并用单个模型逼近了最近的快速几何集成 (FGE) 方法。 使用 SWA，... SWA：平均权重导致更广泛的最优和更好的泛化 摘要深度神经网络通常通过使用 SGD 变体优化损失函数以及衰减学习率来训练，直到收敛。 我们展示了沿 SGD 轨迹的多个点的简单平均，具有周期性或恒定的学习率，比传统训练具有更好的泛化能力。 我们还表明，这种随机权重平均 (SWA) 过程找到了比 SGD 更平坦的解决方案，并用单个模型逼近了最近的快速几何集成 (FGE) 方法。 使用 SWA，...
上滑加载中
推荐直播
0.3333333333333333
-
空中宣讲会 2025年华为软件精英挑战赛2025/03/10 周一 18:00-19:00
宸睿 华为云存储技术专家、ACM-ICPC WorldFinal经验 晖哥
2025华为软挑赛空中宣讲会重磅来袭！完整赛程首曝+命题天团硬核拆题+三轮幸运抽奖赢参赛助力礼包，与全国优秀高校开发者同台竞技，直通顶尖赛事起跑线！
即将直播 -
CloudPond上的DeepSeek2025/03/07 周五 16:30-17:30
George-华为云CloudPond解决方案经理
比一体机能力更丰满；比公有云距离更亲近；比自己搭建更轻松简单；解读在CloudPond 上部署DeepSeek，选型、方案以及部署维护的细节。
即将直播 -
空中宣讲会 2025年华为软件精英挑战赛
2025/03/10 周一 18:00-19:00
宸睿 华为云存储技术专家、ACM-ICPC WorldFinal经验 晖哥
2025华为软挑赛空中宣讲会重磅来袭！完整赛程首曝+命题天团硬核拆题+三轮幸运抽奖赢参赛助力礼包，与全国优秀高校开发者同台竞技，直通顶尖赛事起跑线！
即将直播 -
CloudPond上的DeepSeek
2025/03/07 周五 16:30-17:30
George-华为云CloudPond解决方案经理
比一体机能力更丰满；比公有云距离更亲近；比自己搭建更轻松简单；解读在CloudPond 上部署DeepSeek，选型、方案以及部署维护的细节。
即将直播
热门标签
