- 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！ 一些其他方法（如[22]）将场景文本识别视为图像分类问题，并为每个英文单词（总共9万个词）分配一个类标签。 可以使用BK树数据结构[9]有效地找到候选目标δ(l′){\cal N}_{\delta}(\mathbf{l}')，这是一种专门适用于离散度量空间的度量树。 In ICCV, 2013. 1, 2, 6, 7 [9] W. A. Burkhard and R. M. Keller. Neural Computation, 9(8):1735–1780, 1997. 3 [19] S. Ioffe and C. Szegedy.
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 1° 角度公差±1° 4)DIMS TOLERANCE±0.1 未注尺寸公差±0.1 5)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 圆锥管螺纹 2.5" BSPT HEXAGON 2.5” 六角圆锥管螺纹(即对丝) 30x2.5 FLAT BAR 30X2.5 扁钢 TYP 2 POSNS 2处 11 TOTAL COILS APROX.9 WORKING COILS APROX.RIGHT HAND WOUND ONLY,END COILS SQUARE TO TOUCH 总圈数约11圈；工作圈数约9圈；右旋；弹簧的端部磨平以便于接触.
5.2K20编辑于 2022-09-20 - 来自专栏SnailTyan
Batch Normalization论文翻译——中英文对照
In Proceedings of AISTATS 2010, volume 9, pp. 249–256, May 2010.
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
Some works are devoted for specific transformations such as symmetry [13, 9], scale [29], and rotation 有些工作专门用于对称性[13,9]，尺度[29]和旋转[53]等特定转换。 In CVPR, 2009. 4, 10 [9] S. Dieleman, J. D. Fauw, and K. Kavukcuoglu. In ICCV, 2015. 9 [15] R. Girshick. Fast R-CNN. In ICCV, 2015. 1, 2, 3, 6, 7 [16] R. Girshick, J.
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
He et al. [9, 10] showed that it was effective to train deeper networks by restructuring the architecture He等人[9,10]表明，通过重构架构来训练更深层次的网络是有效的，通过使用基于恒等映射的跳跃连接来学习残差函数，从而减少跨单元的信息流动。 We develop a series of SE blocks that integrate with ResNet [9], ResNeXt [43] and Inception-ResNet [38 我们开发了一系列的SE块，分别与ResNet[9]，ResNeXt[43]和Inception-ResNet[38]集成。图3描述了SE-ResNet模块的架构。 In ICCV, 2015. [9] K. He, X. Zhang, S. Ren, and J. Sun.
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
SSD: Single Shot MultiBox Detector Abstract We present a method for detecting objects in images usin
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！ 我们在ILSVRC 2014中的GoogLeNet提交实际使用的参数只有两年前Krizhevsky等人[9]获胜结构参数的1/12，而结果明显更准确。 尽管担心最大池化层会引起准确空间信息的损失，但与[9]相同的卷积网络结构也已经成功的应用于定位[9, 14]，目标检测[6, 14, 18, 5]和行人姿态估计[19]。 在测试中，我们采用比Krizhevsky等人[9]更积极的裁剪方法。 9.
1.4K00发布于 2017-12-28 - 来自专栏SnailTyan
Inception-V3论文翻译——中英文对照
例如，具有n个滤波器的5×5卷积在具有m个滤波器的网格上比具有相同数量的滤波器的3×3卷积的计算量高25/9=2.78倍。 This way, we end up with a net 9+925×\frac {9+9} {25} × reduction of computation, resulting in a relative 这样，我们最终得到一个计算量减少到9+925×\frac {9+9} {25} ×的网络，通过这种分解导致了28％的相对增益。每个参数在每个单元的激活计算中只使用一次，所以参数计数具有完全相同的节约。 Figure 9. Two alternative ways of reducing the grid size. 9.
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 在本文中，我们构建了一个更优雅的架构，即所谓的“全卷积网络”[9]。我们对这种架构进行了修改和扩展，使得它只需很少的训练图像就可以取得更精确的分割; 参见图1。 E.g. for a 3x3 convolution and 64 feature channels in the previous layer N=9⋅64=576N=9·64=576N=9⋅64=576 例如，对于前一层中3x3卷积和64个特征通道，N=9⋅64=576N=9·64=576N=9⋅64=576。
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
implement this model as a convolutional neural network and evaluate it on the Pascal VOC detection dataset [9] 网络设计 我们将此模型作为卷积神经网络来实现，并在Pascal VOC检测数据集[9]上进行评估。网络的初始卷积层从图像中提取特征，而全连接层预测输出概率和坐标。 Fast YOLO uses a neural network with fewer convolutional layers (9 instead of 24) and fewer filters in 快速YOLO使用具有较少卷积层（9层而不是24层）的神经网络，在这些层中使用较少的滤波器。除了网络规模之外，YOLO和快速YOLO的所有训练和测试参数都是相同的。
2K00发布于 2017-12-28 - 来自专栏SnailTyan
ImageNet Classification with Deep Convolutional Neural Networks——AlexNet论文翻译——中英文对照
., NORB [16], Caltech-101/256 [8, 9], and CIFAR-10/100 [12]). 直到最近，标注图像的数据集都相对较小–在几万张图像的数量级上（例如，NORB[16]，Caltech-101/256 [8, 9]和CIFAR-10/100 [12]）。 References [1] R.M.BellandY.Koren.Lessonsfromthenetflixprizechallenge.ACMSIGKDDExplorationsNewsletter, 9( Computer Vision and Image Understanding, 106(1):59–70, 2007. [9] G. Griffin, A. Holub, and P.
1.4K91发布于 2017-12-29 - 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 各种网络架构设计和训练策略持续地改善SR性能，尤其是峰值信噪比(PSNR)的值[5,6,7,1,8,9,10,11,12]。 Fig. 9a shows the distribution of each brightness value. 图9a展示了每一个亮度值的分布。使用激活的特征会使分布偏向左，导致了较暗的输出，而使用激活之前的特征会得到更精确的亮度分布，更接近于真实图像的亮度分布。 ? 图9：激活之前和激活之后的比较。
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 - 来自专栏全栈程序员必看
Keycode对照表（键码对照表）
4 52 E 69 N 78 W 87 5 53 F 70 O 79 X 88 6 54 G 71 P 80 Y 89 7 55 H 72 Q 81 Z 90 8 56 I 73 R 82 0 48 9 57 数字键盘上的键的键码值(keyCode) 按键 键码 按键 键码 0 96 8 104 1 97 9 105 2 98 * 106 3 99 + 107 4 100 Enter 108 5 101 – 109 6 102 . 110 7 103 / 111 功能键键码值(keyCode) 按键 键码 按键 键码 F1 112 F7 118 F2 113 F8 119 F3 114 F9 120 F6 117 F12 123 控制键键码值(keyCode) 按键 键码 按键 键码 按键 键码 按键 键码 BackSpace 8 Esc 27 Right Arrow 39 -_ 189 Tab 9
11.6K30发布于 2021-10-28 - 来自专栏CSDNToQQCode
keycode对照表（键码对照表）
4 52 E 69 N 78 W 87 5 53 F 70 O 79 X 88 6 54 G 71 P 80 Y 89 7 55 H 72 Q 81 Z 90 8 56 I 73 R 82 0 48 9 57 数字键盘上的键的键码值(keyCode) 按键 键码 按键 键码 0 96 8 104 1 97 9 105 2 98 * 106 3 99 + 107 4 100 Enter 108 5 101 - 109 6 102 . 110 7 103 / 111 功能键键码值(keyCode) 按键 键码 按键 键码 F1 112 F7 118 F2 113 F8 119 F3 114 F9 120 F6 117 F12 123 控制键键码值(keyCode) 按键 键码 按键 键码 按键 键码 按键 键码 BackSpace 8 Esc 27 Right Arrow 39 -_ 189 Tab 9
2.8K10编辑于 2022-11-29 - 来自专栏SnailTyan
Very Deep Convolutional Networks for Large-Scale Image Recognition—VGG论文翻译—中英文对照
AISTATS, volume 9, pp. 249–256, 2010. Goodfellow, I.
1.1K00发布于 2017-12-28 - 来自专栏AI科技评论
业界｜快9倍！Facebook开源机器学习翻译项目fairseq
今天，Facebook的人工智能研究团队发表了他们的研究成果Fairseq，他们使用了一种新型的卷积神经网络来做语言翻译，比循环神经网络的速度快了9倍，而且准确性也是现有模型中最高的。 在先前的研究中，卷积神经网络在翻译任务上的表现要差于循环神经网络。然而，由于卷积神经网络架构上的潜力，FAIR开始了研究，发现所设计的翻译模型显示了CNN在翻译方面的优异性能。 对神经机器学习实际应用考虑的一个方面在于翻译一个句子所需要的时间。 FAIR的卷积神经网络模型计算的相当快速，比循环神经网络快乐整整9倍。 用多跳注意和门控来获得更好的翻译效果 团队的架构一个重要的部分就是多跳注意。注意力的机制类似于一个人在翻译句子的时候会把句子分开翻译，而不是仅仅看一次句子然后就直接写下完整的翻译。 的门控机制精确的控制了传向下一个单元的信息，一个好的翻译才因此产生。例如，当预测下一个单词的时候，网络会把它前面的翻译部分考虑进去。
1K60发布于 2018-03-12 - 来自专栏奇点大数据
对照实验
对照实验是一种统计研究的方法，在互联网领域以及其它涉及大量服务对象的行业中会倾向使用一种叫做“AB测试”的对比方式，其实就是统计学中的对照实验。 对照实验的思想方法很简单，将观测对象分为两个组A和B，A称为实验组，B称为对照组。 在这项实验中，吃柑橘和柠檬的水手们构成了实验组，吃和苹果汁的水手和使用其它“偏方”的水手们构成了对照组。需要对照组的原因是，若没有对照组，就无法判定刚才我们说的A项是否对B项产生影响。 就是这三个对照组的人应该尽量随机，比如在实验的过程中应该考虑他们对饮食的偏好。在实验组和对照组中都应该放入喜欢吃橘子柠檬和不喜欢吃橘子柠檬的两类人，而且数量比例应该一样多。 对照实验是一种非常广谱的实验方式，对于那些维度过于复杂的认知对象来说使用对照实验的本质是压缩差异维度的数量来提升认知能力的有效手段。
1.8K70发布于 2018-04-11 - 来自专栏全栈程序员必看
异常的中英文对照_圣经中英文对照
Could not load type ‘ZITaker.Struct.StClientData’ from assembly ‘ZITaker, Version=3.0.0.0, Culture=neutral, PublicKeyToken=null’ because it contains an object field at offset 10 that is incorrectly aligned or overlapped by a non-object field.
2.1K20编辑于 2022-09-20
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