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...

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...

2020/12/31 10:00
36
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...

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...

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...

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:/...

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...

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。 ...

Generalized Focal Loss论文解读

点击上方“AI公园”,关注公众号,选择加“星标“或“置顶” 导读 这篇文章一出来就得到了广泛的关注,思路很清楚,解决了2个问题,效果也很好,关键是无差别涨点,值的一看。 摘要:一阶段物...

没有更多内容

加载失败,请刷新页面

返回顶部
顶部