1
2
3
4
5
6
7
连击 天
fork: star:
加载中
计算机视觉中的Transformer
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 作者：Cheng He 编译：ronghuaiyang 导读 将Transformer应用到CV任务中现在越来越多了，这里整理了一些相关的进展给大家。 Tran...
目标检测的模型集成方法及实验
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 作者：Vikas S Shetty 编译：ronghuaiyang 导读 模型集成是一种提升模型能力的常用方法，但也会带来推理时间的增加，在物体检测上...
如何用深度学习来做检索：度量学习中关于排序损失函数的综述（2）
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 作者：Ahmed Taha 编译：ronghuaiyang 导读 今天是度量学习损失函数的第二部分，N-Pair和Angular损失。 这是排序损失综述的第二部...
理解物体检测中的Objectness
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 作者：Nathan Zhao 编译：ronghuaiyang 导读 在本文中，我们将讨论目标检测模型和Objectness的基础知识。 什么是物体检测模型？ ...
在OpenCV中基于深度学习的边缘检测
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 作者：ANKIT SACHAN 编译：ronghuaiyang 导读 分析了Canny的优劣，并给出了OpenCV使用深度学习做边缘检测的流程，文末有代码链接...
如何用深度学习来做检索：度量学习中关于排序损失函数的综述（1）
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 作者：Ahmed Taha 编译：ronghuaiyang 导读 一篇关于度量学习损失函数的综述，这是第一部分，对比损失和三元组损失。 检索网络对...
权值衰减和L2正则化傻傻分不清楚？
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 作者：Divyanshu Mishra 编译：ronghuaiyang 导读 权值衰减和L2正则化，到底是不是同一个东西，这篇文章给你答案。 神经网络是伟...
深度学习中的类别激活热图可视化
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 作者：Valentina Alto 编译：ronghuaiyang 导读 使用Keras实现图像分类中的激活热图的可视化，帮助更有针对性的改进模型。 类别激...
三天挑战自己构建深度学习框架，你敢来尝试吗~
新一代人工智能技术的发展，离不开芯片与深度学习框架两大基础，随着中国科研创新能力的提升，技术领域取得大量突破。 当然，这也是一种技术封锁的倒逼，今年出现的华为芯片供应链被全面封锁...
原
CVPR 2020 SEPC论文解析：使用尺度均衡金字塔卷积做目标检测
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 导读 只说重要的，计算量基本不变，涨AP，3.5个点！ 论文：https://arxiv.org/abs/2005.03101 代码：https://github.com/jshilo...
EQ-Loss V2 | 利用梯度平均进一步缓解目标检测长尾数据分布问题（附论文下载）
均衡损失(equalization loss)v2 表现SOTA！性能优于BAGS、Forest R-CNN等网络，代码即将开源！ 作者单位：同济大学, 商汤科技, 清华大学 1.简介 最近提出的解耦训练方法成为长尾目标检测的主...
Papers with Code 2020 全年回顾
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 作者：Ross Taylor 编译：ronghuaiyang 导读 2020年Papers with Code 中最顶流的论文，代码和benchmark。 Papers with Code 中收...
机器学习领域读博这段旅程的一些感悟
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 作者：Maithra Raghu 编译：ronghuaiyang 导读 一位来自Cornell大学的博士给出了他6年博士旅程的一些个人的经验和建议：小步迭代...
2020 Top10计算机视觉论文总结：论文，代码，解读，还有demo视频！
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 作者：louisfb01 编译：ronghuaiyang 导读 论文，代码，解读，还有demo视频。 尽管今年世界上发生了这么多事情，我们还是有机会看...
原
PAA论文解读：在物体检测中利用概率分布来将anchor分配为正负样本
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 导读 又一篇anchor匹配策略的文章，不过确实是简单有效，在ATSS上只需要很小的修改就可以提升性能。GFL2在框的预测上用上了概率分...
原
AI工程师计划明年跳槽，我劝你先来学习这些，不然……
在碎片化阅读充斥眼球的时代，越来越少的人会去关注每篇论文背后的探索和思考。 搞AI，不少人都进入一个误区，那就是只钻研自己的代码是否精进，而没有注意提升自己的阅读能力。实际上，一个...
原
Confluence：物体检测中不依赖IoU的NMS替代算法论文解析
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 导读 基于IoU的NMS实际上是一种贪心算法，这种方法得到的结果往往不是最优的，Confluence给出了另一种选择。 论文地址：https:/...
原
OneNet：一阶段的端到端物体检测器，无需NMS
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 导读 将分类损失引入到正样本的匹配过程中，每个gt只匹配一个正样本，简单的两个改动，消除了冗余的预测框，去掉了NMS。 论文：h...
原
PyTorch中的In-place操作是什么？为什么要避免使用这种操作？
点击上方“AI公园”，关注公众号，选择加“星标“或“置顶” 作者：Alexandra Deis 编译：ronghuaiyang 导读 In-place操作用在推理的时候可以显著节省内存，但是训练的时候一定要小心使用。 ...
没有更多内容
加载失败，请刷新页面
删除文章
文章删除后无法恢复，确定删除此文章吗？
删除动弹
动弹删除后，数据将无法恢复
评论删除后，数据将无法恢复