- 综合排序
- 最热优先
- 最新优先
- 来自专栏SnailTyan
CRNN论文翻译——中英文对照
声明：作者翻译论文仅为学习，如有侵权请联系作者删除博文，谢谢！ Examples are shown in Fig. 5.c. ? Figure 5. 实例如图5.a所示；2）“合成的”，使用“纯净的”创建的，使用了上述的增强策略。它包含200个样本，其中一些如图5.b所示；3）“现实世界”，其中包含用手机相机拍摄的音乐书籍中的200张图像。 例子如图5.c所示。 ? 图5。(a)从[2]中收集的干净的乐谱图像。(b)合成的乐谱图像。(c)用手机相机拍摄的现实世界的乐谱图像。 CoRR, abs/1212.5701, 2012. 5
2.5K00发布于 2017-12-28 - 来自专栏怪兽怪秀
机械图纸常用术语英语对照翻译
对照翻译 ###英文图纸标题栏的一些资料 英文工程图纸的右下边是标题栏（相当于我们的标题栏和部分技术要求），其中有图纸名称（TILE）设计者（DRAWN）审查者（CHECKED）材料（MATERIAL SURFACE FINISH 3.2 UNLESS STATED 未注粗糙度3.2 ###机械图纸常用术语英语对照翻译 ALL WELDS CONTINUOUS UNLESS OTHERWISE STATED 螺纹孔的标注一般要表示出螺纹的直径，每英寸牙数（螺矩）螺纹种类精度等级钻深攻深，方向等如：例1.6 HOLES EQUI-SPACED ON 5"DIA (6孔均布在5"圆周上（EQUI-SPACED= SQUARE5"×5"方 2.4剖视（SECTION） 例SECTION A-AA-A剖面 2.5圆角半径 例1"RR1" RADIUS MUST BE SMOOTH AND BLEND INTO FACE HAIRLINE LET-TERS MARKING ON ONE SIDE OF BODY用突起高为5"/16的细实线字母在本体一侧打标记
5.2K20编辑于 2022-09-20 - 来自专栏SnailTyan
Batch Normalization论文翻译——中英文对照
The main difference to the network described in (Szegedy et al., 2014) is that the 5x5 convolutional 与（Szegedy等人，2014年）中描述的网络的主要区别是5×5卷积层被两个连续的3x3卷积层替换，最多可以有128个滤波器。 BN-x5：带有批标准化的Inception，修改在4.2.1小节中。初始学习率增加5倍到了0.0075。原始Inception增加同样的学习率会使模型参数达到机器无限大。 BN-x5-Sigmoid：类似于BN-x5，但使用sigmoud非线性g(t)=11+exp(−x)g(t)=\frac{1}{1+\exp(-x)}来代替ReLU。 BN-Inception组合在验证集的5万张图像上取得了4.9% top-5的错误率。所有报道的其它结果是在验证集上。 5.
1.4K10发布于 2017-12-28 - 来自专栏SnailTyan
Deformable Convolutional Networks论文翻译——中英文对照
首先，RoI池化(方程(5))生成池化后的特征映射。 This is exemplified in Figure 5. 可变形卷积能够自适应地学习感受野，如图5，6和表2所示。 表5：可变形ConvNets和普通ConvNets在COCO test-dev数据集上的目标检测结果。在表中M表示多尺度测试，B表示迭代边界框平均值。 5. In NIPS, 2015. 2, 5 [27] Y. Jeon and J. Kim.
1.6K00发布于 2017-12-28 - 来自专栏SnailTyan
Squeeze-and-Excitation Networks论文翻译——中英文对照
5. 每个网络的优化曲线如图5所示，说明了在整个训练过程中SE块产生了一致的改进。 ? 图5。ImageNet的训练曲线。 Table 5. SE_4_6 and SE_5_1. 这表明，SE_5_2和SE_5_3在为网络提供重新校准方面比前面的块更不重要。
1.6K00发布于 2017-12-28 - 来自专栏SnailTyan
Single Shot MultiBox Detector论文翻译——中英文对照
我们并不是第一个这样做的人（查阅[4,5]），但是通过增加一系列改进，我们设法比以前的尝试显著提高了准确性。 用于预测检测的卷积模型对于每个特征层都是不同的（查阅Overfeat[4]和YOLO[5]在单尺度特征映射上的操作）。 Fig. 2: A comparison between two single shot detection models: SSD and YOLO [5]. 边界框偏移输出值是相对每个特征映射位置的相对默认框位置来度量的（查阅YOLO[5]的架构，该步骤使用中间全连接层而不是卷积滤波器）。 ? 图2：两个单次检测模型的比较：SSD和YOLO[5]。 在YOLO[5]的训练中、Faster R-CNN[2]和MultiBox[7]的区域提出阶段，一些版本也需要这样的操作。一旦确定了这个分配，损失函数和反向传播就可以应用端到端了。
1.4K00发布于 2017-12-28 - 来自专栏SnailTyan
Going Deeper with Convolutions——GoogLeNet论文翻译——中英文对照
声明：作者翻译论文仅为学习，如有侵权请联系作者删除博文，谢谢！ 这表明随着转移到更高层，3×3和5×5卷积的比例应该会增加。 5. “#3×3 reduce”和“#5×5 reduce”表示在3×3和5×5卷积之前，降维层使用的1×1滤波器的数量。在pool proj列可以看到内置的最大池化之后，投影层中1×1滤波器的数量。 通常报告两个数字：top-1准确率，比较实际类别和第一个预测类别，top-5错误率，比较实际类别与前5个预测类别：如果图像实际类别在top-5中，则认为图像分类正确，不管它在top-5中的排名。
1.4K00发布于 2017-12-28 - 来自专栏SnailTyan
Inception-V3论文翻译——中英文对照
然而，我们可以询问5×5卷积是否可以被具有相同输入尺寸和输出深度的参数较小的多层网络所取代。 如果我们放大5×5卷积的计算图，我们看到每个输出看起来像一个小的完全连接的网络，在其输入上滑过5×5的块（见图1）。 通过在输入激活网格上滑动这个小网络，用两层3×3卷积来替换5×5卷积（比较图4和5）。 ? 图1。Mini网络替换5×5卷积 ? 图4。[20]中描述的最初的Inception模块. ? 图5。 由于5×5卷积是聚合的，α\alpha通常比1略大（在GoogLeNet中大约是1.5）。 5.
2K00发布于 2017-12-28 - 来自专栏SnailTyan
U-Net - Convolutional Networks 论文翻译——中英文对照
声明：作者翻译论文仅为学习，如有侵权请联系作者删除博文，谢谢！ 翻译论文汇总：https://github.com/SnailTyan/deep-learning-papers-translation U-Net: Convolutional Networks for In our experiments we set ω0=10\omega_{0}=10ω0=10 and σ≈5\sigma \approx 5σ≈5 pixels. 在我们的实验中，设置ω0=10\omega_{0}=10ω0=10，σ≈5\sigma \approx 5σ≈5个像素。 对于具有我们架构（交替卷积和ReLU层）的网络，可以通过从标准偏差为2/N\sqrt{2/N}2/N的高斯分布中绘制初始化权重来实现，其中NNN表示一个神经元[5]传入结点的数量。
5.6K51发布于 2020-04-24 - 来自专栏SnailTyan
YOLO，You Only Look Once论文翻译——中英文对照
每个边界框包含5个预测：xx，yy，ww，hh和置信度。(x，y)(x，y)坐标表示边界框相对于网格单元边界框的中心。宽度和高度是相对于整张图像预测的。 These predictions are encoded as an S×S×(B\*5+C)S \times S \times (B\*5 + C) tensor. 这些预测被编码为S×S×(B\*5+C)S \times S \times (B\*5 + C)的张量。 2.1. We set λcoord=5\lambda\textrm{coord} = 5 and λnoobj=.5\lambda\textrm{noobj} = .5. 我们设置λcoord=5\lambda\textrm{coord} = 5和λnoobj=.5\lambda\textrm{noobj} = .5。
2K00发布于 2017-12-28 - 来自专栏Puppeteer学习
MongoDB学习（翻译5）
本节C#驱动教程谈论C#类到BSON对象的序列化和反序列化。序列化是映射一个对象到可保存到MongoDB库中BSON对象的过程，反序列化由BSON文档重建对象的逆过程。因此，序列化过程通常被称为“对象映射”
66620编辑于 2022-05-09 - 来自专栏SnailTyan
ImageNet Classification with Deep Convolutional Neural Networks——AlexNet论文翻译——中英文对照
我们也使用这个模型的一个变种参加了ILSVRC-2012竞赛，赢得了冠军并且与第二名 top-5 26.2%的错误率相比，我们取得了top-5 15.3%的错误率。 在ImageNet上，按照惯例报告两个错误率：top-1和top-5，top-5错误率是指测试图像的正确标签不在模型认为的五个最可能的便签之中。 × 5 × 48. 第2卷积层使用用第1卷积层的输出（响应归一化和池化）作为输入，并使用256个核进行滤波，核大小为5 × 5 × 48。第3，4，5卷积层互相连接，中间没有接入池化层或归一化层。 图4：（左）8张ILSVRC-2010测试图像和我们的模型认为最可能的5个标签。每张图像的下面是它的正确标签，正确标签的概率用红条表示（如果正确标签在top 5中）。
1.4K91发布于 2017-12-29 - 来自专栏史上最简单的Spring Cloud教程
docker官方文档翻译5
在第5部分中，你将学习分布式应用程序层次结构的顶部：堆栈。 堆栈是一组相互关联的服务，它们可以共享依赖关系，并且可以进行协调和伸缩。 /repo:tag with your name and image details image: username/repo:tag deploy: replicas: 5 ) Creating service getstartedlab_visualizer (id: l9mnwkeq2jiononb5ihz9u7a4) 查看可视化界面 你在Compose文件中看到，可视化工具在端口 转到8080端口的IP地址，您可以看到可视化器正在运行： 可视化器的单个副本按照预期在manager上运行，并且网络的5个实例遍布整个群集。 /repo:tag with your name and image details image: username/repo:tag deploy: replicas: 5
51110编辑于 2022-05-07 - 来自专栏SnailTyan
Effective Java 2.0_中英文对照_Item 5
文章作者：Tyan 博客：noahsnail.com | CSDN | 简书 Item 5: Avoid creating unnecessary objects It is often appropriate Item 5 says, “Don’t create a new object when you should reuse an existing one,” while Item 39 says, “ Item 5 声称，『不要创建一个新的对象，当你应该复用一个现有的对象时』，而Item 39 声称，『不要重用一个现有的对象，当你应该创建一个新的对象时』。
45340编辑于 2022-05-09 - 来自专栏SnailTyan
ESRGAN - Enhanced Super-Resolution Generative Adversarial Networks论文翻译——中英文对照
文章作者：Tyan 声明：作者翻译论文仅为学习，如有侵权请联系作者删除博文，谢谢！ 翻译论文汇总：https://github.com/SnailTyan/deep-learning-papers-translation ESRGAN: Enhanced Super-Resolution 图5：标准判别器和相对判别器的差异。 The generator is trained using the loss function in Eq. (3) with λ=5×10−3\lambda = 5×10^{−3}λ=5×10−3 生成器训练使用等式3中的损失函数，λ=5×10−3\lambda = 5×10^{−3}λ=5×10−3，η=1×10−2\eta = 1×10^{−2}η=1×10−2。
1.5K40发布于 2020-05-27 - 来自专栏勇哥编程游记
推荐一个双语对照的 PDF 翻译工具的开源项目：PDFMathTranslate
今天给大家推荐一个双语对照的 PDF 翻译工具的开源项目：PDFMathTranslate 。 项目介绍：基于 AI 完整保留排版的 PDF 文档全文双语翻译，支持 Google/DeepL/Ollama/OpenAI 等服务，提供 CLI/GUI/Docker 。 布局分析和 PDF 指令流分析实现对文档排版的完整保留 ；保留行内/行间公式和图表样式，对 Latex 文献进行特殊优化；保留文档可索引目录结构 ；支持 Google、DeepL 和 OpenAI 等多种翻译服务 接下来，选择翻译服务 Google、Bing、zhipu、Tentcent 等和翻译方向（英文转中文），最后点击翻译按钮即可。 ；2、调用翻译服务 Google 、智普、Bing、DeepL、OpenAI 等开放平台的服务 ；3、将数据流整合在一起并输出到目标 PDF 。
1.1K10编辑于 2025-01-04 - 来自专栏HueiFeng技术专栏
【翻译】.NET 5 Preview 1 发布
当我们期待下一个主要版本.NET 5的发布时,我们将继续将.NET移动应用程序模型(Xamarin) 包含在.NET 5中, 继续将.NET统一到一个平台中,.NET 5包含ASP.NET Core、Entity 这也清楚表明了.NET 5是未来,.NET是一个用于构建任何类型的应用程序的单一统一平台. 让我重点介绍.NET 5的一些高级目标： 统一的.NET SDK经验： 所有.NET 5应用程序中的单个BCL（基类库）. 为.NET 5做准备的最好方法是将所有.NET Core应用程序迁移到3.1-我们将使从.NET Core 3.1到.NET 5的过渡尽可能轻松.而且, 如果您仍在.NET Framework上构建应用程序 来源：https://devblogs.microsoft.com/dotnet/announcing-net-5-0-preview-1/
1.2K10发布于 2020-03-19 - 来自专栏dotNET知音
【翻译】.NET 5 Preview 1 发布
当我们期待下一个主要版本.NET 5的发布时,我们将继续将.NET移动应用程序模型(Xamarin) 包含在.NET 5中, 继续将.NET统一到一个平台中,.NET 5包含ASP.NET Core、Entity 这也清楚表明了.NET 5是未来,.NET是一个用于构建任何类型的应用程序的单一统一平台. 让我重点介绍.NET 5的一些高级目标： 统一的.NET SDK经验： 所有.NET 5应用程序中的单个BCL（基类库）. 为.NET 5做准备的最好方法是将所有.NET Core应用程序迁移到3.1-我们将使从.NET Core 3.1到.NET 5的过渡尽可能轻松.而且, 如果您仍在.NET Framework上构建应用程序 来源：https://devblogs.microsoft.com/dotnet/announcing-net-5-0-preview-1/
1.1K10发布于 2020-03-18 - 来自专栏.Net Core 技术栈
【翻译】.NET 5 Preview5发布
今天，发布了.NET 5.0 Preview5。主要对它进行了一小部分新功能和性能的改进。.NET 5.0 Preview 4包含了一些计划和.NET 5.0要交付的内容。 在.NET 5中的支持WinRT API中明确指出了这些好处： WinRT互操作可以独立于.NET runtime进行开发和改进。 在Preview 5中，添加了对Linux的支持，并在Preview 6中添加了对macOS的支持。对Windows支持已经存在。 Alpine 3.12 本周，增加了对Alpine 3.12，.NET Core 3.1和.NET 5的支持。Alpine Linux的维护者于5月29日宣布发布Alpine 3.12。 来源：https://devblogs.microsoft.com/dotnet/announcing-net-5-0-preview-5/
60020编辑于 2022-04-07 - 来自专栏勇哥编程游记
推荐一个双语对照的 PDF 翻译项目：PDFMathTranslate
今天给大家推荐一个双语对照的 PDF 翻译项目：PDFMathTranslate 。 项目地址： https://github.com/Byaidu/PDFMathTranslate 项目介绍： 基于 AI 完整保留排版的 PDF 文档全文双语翻译，支持 Google/DeepL/Ollama PDF 指令流分析实现对文档排版的完整保留 ； 保留行内/行间公式和图表样式，对 Latex 文献进行特殊优化； 保留文档可索引目录结构 ； 支持 Google、DeepL 和 OpenAI 等多种翻译服务 且小于 3.12 ; 2、安装此程序 ; pip install pdf2zh 3、打开 GUI 界面 , 访问：http://localhost:7860/ pdf2zh -i 4、上传文件并翻译 接下来，选择翻译服务 Google、Bing、zhipu、Tentcent 等和翻译方向（英文转中文）， 最后点击翻译按钮即可。
66710编辑于 2025-01-08
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号