ICode9

精准搜索请尝试: 精确搜索
  • Incremental Learning Techniques for Semantic Segmentation 论文阅读笔记2022-09-08 20:31:05

    Incremental Learning Techniques for Semantic Segmentation 论文阅读笔记 摘要 当需要增量学习新任务时,由于灾难性的遗忘,深度学习架构表现出严重的性能下降。 之前增量学习框架专注于图像分类和对象检测,本文正式提出了语义分割的增量学习任务。作者设计了方法提取先前模型的知识

  • 【CVPR2022】BatchFormer: Learning to Explore Sample Relationships for Robust Representation Learning2022-09-07 01:30:49

    【CVPR2022】BatchFormer: Learning to Explore Sample Relationships for Robust Representation Learning 论文:https://arxiv.org/pdf/2203.01522.pdf 代码:https://github.com/zhihou7/BatchFormer BatchFormer的 V1 版本 这是一个来自 悉尼大学 和 京东 的工作。为了解决当前

  • 使用autoencoder进行降维2022-07-17 22:34:43

    1 tensorflow的原生API实现 #coding=utf-8 import tensorflow as tf import matplotlib.pyplot as plt from tensorflow.examples.tutorials.mnist import input_data #需要自己从网上下载Mnist数据集 mnist = input_data.read_data_sets("MNIST_data/", one_hot=False) lear

  • 深度学习模型概览2022-06-27 22:07:00

    Attention模型 Encoder-Decoder结构 ViT模型 ViT向量维度解析 Informer模型 更好的长时间序列预测 Encoder-Decoder整体结构 Encoder结构

  • Java 9版本之后Base64Encoder和Base64Decoder无法继续使用解决办法2022-06-19 01:03:15

    在项目开发过程中,因为重装系统,安装了Java10版本,发现sun.misc.Base64Encoder和sun.misc.Base64Decoder无法使用。   原因: 查看官网发现,JDK中的/lib/tool.jar和/lib/rt.jar已经从Java SE 9中删除,(我估计是因为java从sun换到oracle导致)。   处理办法: 直接用 java.util.Base64.En

  • 论文解读(MGAE)《MGAE: Masked Autoencoders for Self-Supervised Learning on Graphs》2022-06-18 10:34:05

    论文信息 论文标题:MGAE: Masked Autoencoders for Self-Supervised Learning on Graphs论文作者:Qiaoyu Tan, Ninghao Liu, Xiao Huang, Rui Chen, Soo-Hyun Choi, Xia Hu论文来源:2022, ArXiv论文地址:download 论文代码:download 1 Introduction    MAE 在图上的应用。 2 Met

  • Decoupling Exploration and Exploitation for Meta-Reinforcement Learning without Sacrifices2022-05-21 00:02:59

    发表时间:2021(ICML 2021) 文章要点:这篇文章想说,通常强化学习算法exploration和exploitation都是混在一起的,既探索环境的dynamics,同时也利用探索到的信息来提升策略。但是要想更好的更新策略,就需要好的探索来收集任务相关的信息;要想得到更好的探索策略,就需要基于当前学到的策略还指

  • NLP中的RNN、Seq2Seq与attention注意力机制2022-05-20 11:04:02

      RNN循环神经网络 RNN循环神经网络被广泛应用于自然语言处理中,对于处理序列数据有很好的效果,常见的序列数据有文本、语音等,至于为什么要用到循环神经网络而不是传统的神经网络,我们在这里举一个例子。 假如有一个智能订票系统,我只需要输入一句话,该系统能识别出我将在什么时间

  • JSON---Encoder 和 Decoder2022-05-05 17:32:44

    前面我们介绍了 Marshal 和 Unmarshal 方法,今天再解一下另外两个 API:Encoder 和 Decoder。 Encoder Encoder 主要负责将结构对象编码成 JSON 数据,我们可以调用 json.NewEncoder(io.Writer) 方法获得一个 Encoder 实例: // NewEncoder returns a new encoder that writes to w. func

  • C#生成二维码 使用ZXing.Net和ThoughtWorks.QRCode2022-04-09 11:01:13

    很久之前写过一篇js前端生成二维码的博客 https://www.cnblogs.com/liuzheng0612/p/10870652.html 今天主要讲解C#服务端生成二维码的方法 方法一:ZXing.Net 1.首先需要引用相关包,直接NuGet找ZXing.Net,安装最新稳定版本就可以了 2.代码 private void btn_ZXing_Click(ob

  • transformer的简要解读(应该都能看懂)2022-03-20 18:02:05

            本人是学视觉对抗学习的,读论文的时候有论文用到了transformer,所以特地学习一下。博客里没有涉及代码,都是基础理论。个人感觉自己写的应该比较易懂吧,适合小白看。有错误欢迎评论里指出,谢谢。 1. 文中图片、部分文字内容及思路来源 Transformer从零详细解读(可能

  • #JavaCV 中 FFmpegFrameGrabber 使用时的一些注意事项2022-03-01 21:30:36

    1、grabber.start()阻塞的解决方案         假设有如下代码,从Socket中读取视频流并显示。 FFmpegFrameGrabber grabber = new FFmpegFrameGrabber(clientSocket.getInputStream()); grabber.setFormat("h264"); grabber.setOption("rtsp_transport", "tcp"); grabber

  • 自编码器(autoencoder)2022-02-28 10:31:54

    autoencoder 简单来说 autoencoder 就是将输入复制到输出的神经网络。但是为了autoencoder能学习到数据中的有效特征而不是简单的拷贝, 我们会在其中加入各种各样的约束,使得autoencoder 学习到有用的特征。 一般来讲AE有两部分组成, 假设输入为\(x\), encoder \(h = f(x)\); decode

  • Metasploit reverse Shell的免杀(炊少教学)2022-02-25 13:03:05

    rootkithat是我以前的马甲 以前写的文章 我们先生成一个X64的WINDOWS XP 的reverse SHELL 1 2 root@rootkithat:/opt/framework-3.7.1/msf3# ./msfpayload windows/ meterpreter/reverse_tcp LHOST=1.1.1.1 LPORT=4321 R > /tmp/xp.exe 提示:你可以用 scheduleme -m 1

  • 退出账号2022-02-20 14:31:07

    package com.itheima.config; import org.springframework.beans.factory.annotation.Autowired; import org.springframework.security.config.annotation.authentication.builders.AuthenticationManagerBuilder; import org.springframework.security.config.annotation.w

  • 自定义用户访问控制2022-02-20 13:31:06

    package com.itheima.config; import org.springframework.beans.factory.annotation.Autowired; import org.springframework.security.config.annotation.authentication.builders.AuthenticationManagerBuilder; import org.springframework.security.config.annotation.w

  • 【无标题】2022-02-10 22:30:37

    编码器-解码器 前言EncoderDecoderConvolution Layer in Encode and Decoder 前言 由于图像分割由一个卷积神经网络构成从而实现的,该网络主要由两部分组成:Encoder和Decoder也就是我们这里所说的编码器-解码器。 Encoder是一个沿用VGG16的网络模型,主要对物体信息进行解析

  • logback2022-02-08 10:04:03

      <?xml version="1.0" encoding="UTF-8"?> <configuration> <include resource="org/springframework/boot/logging/logback/defaults.xml"/> <property name="ENCODER_PATTERN" valu

  • [论文笔记][半监督语义分割]Universal Semi-Supervised Semantic Segmentation2022-02-03 09:31:26

    论文原文原文地址 Motivations 传统的训练方式需要针对不同 domain 的数据分别设计模型,十分繁琐(deploy costs) 语义分割数据集标注十分昂贵,费时费力 Contributions 本文提出的统一模型可以实现跨领域统一训练 模型使用少量的标注数据和大量未标注数据(半监督模型) 网络架构/方法

  • Why transformer?(三)2022-02-01 13:02:16

    在这一部分我们就要弄明白“encoder和decoder之间是怎么传递讯息的”了,如果你仔细观察下图红方块那一块的话(也就是我们在 Why transformer(二)中遮起来的那一块),那我们就把这一块叫做Cross attention,它是连接encoder和decoder之间的桥梁。 三、Cross attention  上图红色框中你

  • 大概是全网最详细的何恺明团队顶作MoCo系列解读...(完结篇)2022-01-31 10:02:26

    kaiming 的 MoCo让自监督学习成为深度学习热门之一, Yann Lecun也在 AAAI 上讲 Self-Supervised Learning 是未来的大势所趋。本文延续上文详细介绍了 MoCo v2和MoCo v3。 Self-Supervised Learning,又称为自监督学习,我们知道一般机器学习分为有监督学习,无监督学习和强化学习。

  • 7_Attention(注意力机制)2022-01-29 09:03:31

    文章目录 一、Seq2Seq Model二、Seq2Seq Model with Attention2.1 SimpleRNN + Attention2.1.1 权重计算α~i~2.1.2 Context vector C~i~ 2.2 Time Complexity(时间复杂度) 三、Summary(总结) 一、Seq2Seq Model Shortcoming: The final state is incapable of remembering a

  • 程序员快看,马赛克,克星,真来了~2022-01-28 15:02:03

    马赛克的克星,真的来了! 何恺明大神的新作,Kaiming 讲故事能力和实验能力,一如既往的强! MAE 的论文,21 年的 11 月份就发出来了。 但是一直没有开源,我也就一直没有写文,最近代码发出来了,可以一睹为快了! 我们先说下 MAE 的任务: 简单讲:将图片随机遮挡,然后复原。 并且遮挡的比例,非常

  • 阅读笔记-Modulation and Coding Design for Simultaneous Wireless Information and Power Transfer2022-01-24 18:00:58

    缩写说明 WPT: wireless power transferWIT: wireless information transferSWIPT: simultaneous wireless information and power transfer, coordinating WIT and WPT in the same RF spectral band thus yields the research of SWIPT ## Contributions Introduce the po

  • Go日志库——zap的配置笔记(zap.Logger、zap.SugaredLogger)2022-01-10 23:30:46

    代码 package main import ( // "github.com/natefinch/lumberjack" "os" "go.uber.org/zap" "go.uber.org/zap/zapcore" _ "github.com/go-sql-driver/mysql" "github.com/jmoiron/sqlx" ) var log *za

专注分享技术,共同学习,共同进步。侵权联系[81616952@qq.com]

Copyright (C)ICode9.com, All Rights Reserved.

ICode9版权所有