相關(guān)文章

• 

  Video anomaly detection with spatio-temporal dissociation 論文閱讀

  文章信息： 發(fā)表于：Pattern Recognition（CCF A類） 原文鏈接：https://www.sciencedirect.com/science/article/pii/S0031320321003940 源代碼：https://github.com/ChangYunPeng/VideoAnomalyDetection 視頻中的異常檢測仍然是一項具有挑戰(zhàn)性的任務(wù)，主要由于異常的定義模糊不清以及真實視頻數(shù)據(jù)中視覺場景的復(fù)雜

  2024年02月03日

  瀏覽(25)
• 

  【論文閱讀】Progressive Spatio-Temporal Prototype Matching for Text-Video Retrieval

  論文鏈接：https://openaccess.thecvf.com/content/ICCV2023/papers/Li_Progressive_Spatio-Temporal_Prototype_Matching_for_Text-Video_Retrieval_ICCV_2023_paper.pdf 代碼鏈接：https://github.com/imccretrieval/prost 文章發(fā)表于ICCV 2023，來自中科大IMCC實驗室。 文本-視頻檢索是近年來比較新興的領(lǐng)域，隨著多模態(tài)和大模型的

  2024年02月04日

  瀏覽(16)
• 

  殘差網(wǎng)絡(luò)(ResNet) -深度學(xué)習(xí)（Residual Networks (ResNet) – Deep Learning）

  在第一個基于cnn的架構(gòu)(AlexNet)贏得ImageNet 2012比賽之后，每個隨后的獲勝架構(gòu)都在深度神經(jīng)網(wǎng)絡(luò)中使用更多的層來降低錯誤率。這適用于較少的層數(shù)，但當(dāng)我們增加層數(shù)時，深度學(xué)習(xí)中會出現(xiàn)一個常見的問題，稱為消失/爆炸梯度。這會導(dǎo)致梯度變?yōu)?或太大。因此，當(dāng)我們增加

  2024年02月15日

  瀏覽(28)
• 

  【論文精讀】Deep Forest: Towards an Alternative to Deep Neural Networks

  本文詳細(xì)闡述了 周志華教授及其學(xué)生馮霽 于 2017發(fā)表的一篇關(guān)于 深度森林 的學(xué)術(shù)論文。 注意 ：本文不是對原論文的逐句翻譯，而是提取論文中的關(guān)鍵信息，重點是是多粒度級聯(lián)森林的原理部分。 同時也增加了自己的一些理解和感悟。 論文標(biāo)題譯為： 深度森林：深度神經(jīng)

  2023年04月08日

  瀏覽(29)
• 

  【論文閱讀】ELA: Efficient Local Attention for Deep Convolutional Neural Networks

  論文鏈接 ：ELA: Efficient Local Attention for Deep Convolutional Neural Networks (arxiv.org) 作者 ：Wei Xu, Yi Wan 單位 ：蘭州大學(xué)信息科學(xué)與工程學(xué)院，青海省物聯(lián)網(wǎng)重點實驗室，青海師范大學(xué) 引用 ：Xu W, Wan Y. ELA: Efficient Local Attention for Deep Convolutional Neural Networks[J]. arXiv preprint arXiv:2403.01123,

  2024年04月15日

  瀏覽(29)
• 

  論文閱讀：Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks

  要弄清MAML 怎么做，為什么這么做 ，就要看懂這兩張圖。 先說MAML**在做什么？**它是打著Mate-Learing的旗號干的是few-shot multi-task Learning的事情。具體而言就是想訓(xùn)練一個模型能夠使用很少的新樣本，快速適應(yīng)新的任務(wù)。 我們定義一個模型 f f f , 輸入 x x x 輸出 a a a 。 -定義每一

  2024年02月11日

  瀏覽(27)
• 

  【論文閱讀】DeepVO: Towards End-to-End Visual Odometry with Deep Recurrent Convolutional Neural Networks

  相較于傳統(tǒng)的視覺里程計，端到端的方法可以認(rèn)為是把特征提取、匹配、位姿估計等模塊用深度學(xué)習(xí)模型進行了替代。不同于那種用深度學(xué)習(xí)模型取代里程計框架一部分的算法，端到端的視覺里程計是直接將整個任務(wù)替換為深度學(xué)習(xí)，輸入依然是圖像流，結(jié)果也依然是位姿，

  2024年03月18日

  瀏覽(30)
• 

  【論文閱讀筆記】Attack-Resistant Federated Learning with Residual-based Reweighting

  個人閱讀筆記，如有錯誤歡迎指出 Arxiv 2019????????[1912.11464] Attack-Resistant Federated Learning with Residual-based Reweighting (arxiv.org) 問題： ????????聯(lián)邦學(xué)習(xí)容易受到后門攻擊 創(chuàng)新： ????????提出一種基于殘差的重新加權(quán)聚合算法 ????????聚合算法將重復(fù)中值回歸和加權(quán)

  2024年02月15日

  瀏覽(32)
• 

  時序動作檢測/定位(Temporal Action Detection)(Temporal Action Localization)-約40篇論文閱讀筆記

  1 時序動作檢測(Temporal Action Detection)(Temporal Action Localization)-綜述 介紹1 介紹2 介紹3（老） 綜述 2 數(shù)據(jù)集介紹 THUMOS14（時序動作檢測）（本實驗采用） THUMOS14測試集（用于可視化） 單個視頻 THUMOS14的np文件 THUMOS14的光流文件（google） 或者 THUMOS14的光流文件（騰訊云） EPIC-KITC

  2024年02月09日

  瀏覽(53)
• 

  論文筆記 Graph Attention Networks

  2018 ICLR 無法完成inductive任務(wù) inductive任務(wù)是指： 訓(xùn)練階段與測試階段需要處理的graph不同。 通常是訓(xùn)練階段只是在子圖上進行，測試階段需要處理未知的頂點。 GGN 的參數(shù)依賴于鄰接矩陣A/拉普拉斯矩陣L，所以換了一張圖，就會有不同的A和L 處理有向圖的瓶頸，不容易實現(xiàn)分

  2024年02月12日

  瀏覽(19)