- 综合排序
- 最热优先
- 最新优先
- 来自专栏AI工程
粗读《Visualizing and Measuring the Geometry of BERT》
则为爷孙，则 d(a, c) = d(a, b) + d(b, c) 不能成立 如果可以同构，假设表示一个树有三个几点A、B、C，假设A、B是父子距离为1，B、C是父子距离为1，则可以得出A到C的距离为2， 实验2：BERT是否真的编码了上下文信息？
72710发布于 2020-02-14 - 来自专栏心源易码
【AI落地应用实战】如何高效检索与阅读论文——302.AI学术论文工具评测
如何高效地粗读并挑选出那些真正值得我们深入阅读的论文？如何有效地精读目标论文，提炼出其中的核心知识点？ 2.2、高效粗读下面我们打开搜索到的《CLIP-GEN: Language-Free Training of a Text-to-Image Generator with CLIP》一文，开始粗读。 为了高效粗读论文，我们可以点击全文摘要生成功能。在这个功能下，302.AI首先会将PDF文件进行分块处理。 2.3、有效精读找到论文和粗读论文只是第一步，真正的挑战在于如何高效地阅读和理解论文。 基于这种功能，我们可以对论文进行提问和总结，比如对论文的细节进行提问：或是对论文的创新点进行总结：检索和阅读论文虽然是一项枯燥且需要花费大量时间的任务，但只要我们掌握了正确的方法和技巧，就能够更加高效地获取知识
72900编辑于 2024-06-26 - 来自专栏mathor
Tacotron2论文阅读
论文下载 ABSTRACT ? 这篇论文描述了Tacotron 2， 一个直接从文本合成语音的神经网络架构。 系统由两部分构成，一个循环seq2seq结构的特征预测网络，把字符向量映射为梅尔声谱图，后面再接一个WaveNet模型的修订版，把梅尔声谱图合成为时域波形。 作者们指出，相比WaveNet中使用的方法，Griffin-Lim算法会产生特有的人工痕迹并且合成的语音保真度较低，所以这只是一个临时方法，将来要替换成神经声码器 在这篇论文中，我们描绘一个统一的完整的神经网络语音合成方法 ，它集上述两种方法之长：一个seq2seq的Tacotron风格的模型用来生成梅尔声谱图，后接一个WaveNet声码器的修订版。 Char2Wav也提出了另外一个类似的方法，也使用神经声码器进行端到端的TTS学习，但它使用与我们不同的中间特征表达（传统的声码器特征），并且他们的模型架构与我们迥然不同 2 MODEL ARCHITECTURE
1.8K20发布于 2020-08-13 - 来自专栏YZh学习记录
MobileNetV2 论文阅读
MobileNetV2:Inverted Residuals and Linear BottleNecks 1 引言 MobileNetv2架构是基于倒置残差结构(inverted residual structure 论文的主要贡献在于提出一种新型层结构： 具有线性瓶颈的倒残差结构(the inverted residual with linear bottleneck)。 论文针对这个问题使用linear bottleneck(即不使用ReLU激活，做了线性变换)的来代替原本的非线性激活变换。 2.2 Inverted residuals MobileNetV2的网络模块样子是这样的： image.png 网络设计思路： 在V2的网络设计中，我们除了继续使用深度可分离（中间那个）结构之外，还使用了 bottleneck residual block（ResNet论文中的）是中间窄两头胖 在MobileNetV2中正好反了过来，所以，在MobileNetV2的论文中我们称这样的网络结构为Inverted
1.8K31发布于 2020-10-26 - 来自专栏CreateAMind
视频预测论文2篇
CodeIssues14Pull requests0 Projects 0 Wiki Insights
62520发布于 2018-07-24 - 来自专栏JNing的专栏
论文阅读: YOLOv2
引入Batch Normalization，涨点2。 YOLOv2坐不住了，想要改basemodel。 Thinking YOLOv2中提出了很多trick，贡献很饱满； YOLOv2的加强版——YOLO-9000应该是最早开始对 large-scale detection 领域进行拓荒的了。 ---- [1] YOLO9000: Better, Faster, Stronger [2] 详解YOLO 2与YOLO 9000目标检测系统 | 分享总结 [3] YOLO升级版：YOLOv2 和YOLO9000解析 [4] 解读Yolo2和Yolo9000目标检测系统 [5] Object Detection – 论文YOLO2(YOLO9000:Better, Faster, Stronger
1.2K40发布于 2018-09-27 - 来自专栏积跬Coder
论文这玩意, 也可以是这样读的啊
❝在阅读论文之前 非常有必要先了解论文的类型、论文的结构, 从而庖丁解牛、逐一击破. ❞ 论文类型 论文主要分为三大类, 其一为综述类, 其二为研究类,其三为方法类 综述类 而综述类又分为 review 具体就不用在具体了吧 三遍读文法 说完了论文的类型, 说说咱们该怎么读论文呢. 毕竟成年人的世界有太多太多那啥. 我个人是建议三步读, 三步做 pass 1: 海选 ❝知晓论文写什么、结果怎么样、质量怎么样「是否适合自己」 ❞ 标题、摘要、结论 pass 2: 精选 ❝知晓重要的图和表,他在干什么 ❞ 粗读: 从开始到最后
48020编辑于 2023-01-30 - 来自专栏CreateAMind
vae 相关论文 表示学习 2
disentangling inβ-VAE https://github.com/miyosuda/disentangled_vae https://github.com/rdevon/DIM 互信息最新论文代码 代码 https://github.com/nicola-decao/s-vae-tf 球形vae代码 https://github.com/miyosuda/disentangled_vae 互信息论文
1.1K40发布于 2018-09-27 - 来自专栏祥的专栏
张正友论文翻译(2)
前文链接：[图像]张正友论文翻译(1) 张正友论文原文 原文链接： 2000.11 A flexible new technique for camera calibration 5.pdf 我的译文
64710发布于 2020-03-10 - 来自专栏CV学习史
GoogLeNetv2 论文研读笔记
epsilon}} \] 此时，如果忽略\(\epsilon\)，这些标准化的激活具有相同的均值0和方差1，使用无偏方差估计\(Var[x] = \frac{m}{m-1} E_{\beta} [\sigma^2_ {\beta}]\)，其中期望是在大小为m的小批量训练数据上得到的，\(\sigma^2_{\beta}\)是其样本方差。 这导致验证准确率提高了约1％ 减少L2全中正则化。虽然在Inception中模型参数的L2损失会控制过拟合，但在修改的BN-Inception中，损失的权重减少了5倍。 其实就是把每个隐层神经元的激活输入分布从偏离均值为0方差为1的正态分布通过平移均值压缩或者扩大曲线尖锐程度，调整为均值为0方差为1的正态分布 当输入均值为0，方差为1时，当使用sigmoid激活函数时，绝大多数的输入都落到了[-2,2
86430发布于 2019-09-10 - 来自专栏JNing的专栏
论文阅读: 1606.Deeplabv2
类似于SPPNet的空间金字塔结构），并行的采用多个采样率的空洞卷积提取特征，再将特征融合： 能够用多尺度获得更好的分割效果： 更多的ASPP变种： 更优的backbone: DeepLabv2使用
40420编辑于 2021-12-06 - 来自专栏GiantPandaCV
《DeepLab V2》论文阅读
前言 昨天的推文《DeepLab V2》组织方式很不清晰，没有将关键结论以及空洞卷积这种方法的优点讲出来，所以重新组织了一下这篇论文的解读，希望可以带来不一样的体验。 而Fig.2(b)在高分辨率输入5维图片上，zeropadding=2，膨胀速率2的膨胀卷积来采集密集特征的示意图，使用空洞卷积能提取到更多的密集特征，计算量较常规卷积基本保持不变。 在二维图像上的空洞卷积，论文给了另外一张图Fig3： ? Fig.3中上分支是将输入图片下采样1/2后使用卷积核大小为7的标注卷积得到feature map后再上采样2倍得到结果。 训练细节 论文在ImageNet预训练的VGG-16和ResNet-101网络上进行finetune，将输出的1000类改成语义分割数据集的分类数，COCO和VOC都是21类，损失函数是CNN的输出( 除了这些工作，论文还尝试了在COCO数据集上进行了测试，mIOU可以达到77.69%，具体可以参考原文，这个算法也是达到了当时的SOAT。
1K20发布于 2019-12-09 - 来自专栏CV学习史
AD预测论文研读系列2
从ADNI-1、GO&2获得822名MCI受试者在基线、6个月和12个月时的认知测量，包括13项版本的阿尔茨海默病评估量表认知子量表（ADAS-COG13）、Rey听觉语言学习测试（RAVLT）即时、RAVLT \(f_t和f^`_t\)是在时间点t（t=1，2，3）的输入和重构的认知测量。 获得自动编码器后，将编码器应用于ADNI-1和GO&2队列的所有MCI患者，从纵向认知测量中提取其潜在特征，然后用于后续的预后分析 预测建模 考虑到纵向认知信息的潜在表现，将其与基于海马MRI的基线测量相结合 以ADNI-1的MCI受试者数据为基础，建立Cox回归模型，并以ADNI-GO&2的MCI受试者数据为基础，评价其预后 结果 实验设置 采用了两个LSTM层，每个LSTM层中的隐藏节点数设置为5（LSTM remained as MCI at the last visit pMCI: progressive MCI who converted to AD before the last visit AD预测论文研读系列
83310发布于 2019-09-10 - 来自专栏DeepHub IMBA
2022 年 2 月 arXiv 论文推荐
只需更换数据加载器，然后…… 本篇文章选择了 10 篇论文，这些论文展示了各种 AI 子领域的关键发展：自动强化学习 (AutoRL)、多模态语言模型 (LM)、计算机视觉 (CV) 中的ConvNets 最近在强化学习和语言模型的交叉点上可能有趣的另一篇论文是Language Models as Zero-Shot Planners: Extracting Actionable Knowledge for Embodied Agents. 2、Language Models as Zero-Shot Planners: Extracting Actionable Knowledge for Embodied 这篇论文还深入探讨了什么设计选择能让moe人学得更好。例如，浅层的专家多一些，还是深层的专家多一些?增加模型容量，是增加每个专家的容量还是增加专家的数量?
77540编辑于 2022-03-12 - 来自专栏数据科学（冷冻工厂）
如何写好科研论文：Introduction（2）
导读 本系列[1]将切片介绍如何写好科研论文，包含了：摘要，背景介绍，方法，结果，讨论等。 由于翻译能力有限，强力推荐有需要的伙伴，直接在文末找到参考链接，阅读原文，谢谢。 目的 你的论文的引言应该为你的读者提供他们需要掌握、欣赏和建立你所提供的知识的信息。引言应该： 划定您研究的整体科学背景（在“一般背景”中）。 他们应该从一开始就是你论文中的主角。 删除与结果或讨论无关的任何内容。通过包含不必要的知识，您冒着过度承诺的风险，让读者期望听到更多关于某个主题的信息，然后让他们悬而未决。
37020编辑于 2023-02-27 - 来自专栏JNing的专栏
论文阅读: 2005.U2Net
2005.09007：U2-Net: Going Deeper with Nested U-Structure for Salient Object Detection 该网络用于轻量级的 SOD（显著目标检测
46020编辑于 2021-12-06 - 来自专栏caoqi95的记录日志
英文学术写作入门(2) - 论文介绍
各个段落的目的 Introduction ---- Thesis Statement 1st Support Topic ---- Details & Examples 2nd Support 如果大多数人都赞成你，这样就没有写论文的必要了。 不要使用代词，要具体明确。 paragraph 的结构如下所示： Topic Sentence Support idea # 1 details and examples Support idea # 2 它必须能够支持论文的论点以及包含一些关键词。每个段落的 Topic Sentence 需要有相干性，这样整篇论文看上去就逻辑层次清楚。 一篇论文中通常包含 3 个或者更多的段落。 每一个 Body paragraph 需要包含 Topic Sentence ，且有 2 到 4 个支持的想法论述，再包含 1 到 3 个详细的例子。
54020发布于 2019-03-28 - 来自专栏GiantPandaCV
Diffusion Models 10 篇必读论文（2）DDIM
最近开始整理了几篇相关的经典论文，加上一些自己的理解和公式推导，分享出来和大家一起学习，欢迎讨论：702864842(QQ)，https://github.com/Huangdebo。 这是本系列第 2 篇：《DENOISING DIFFUSION IMPLICIT MODELS》 【导语】Diffusion Models 是近期人工智能领域最火的方向，也衍生了很多实用的技术。 最近开始整理了几篇相关的经典论文，加上一些自己的理解和公式推导，分享出来和大家一起学习，欢迎讨论：702864842(QQ)，https://github.com/Huangdebo。 这是本系列第 2 篇：《DENOISING DIFFUSION IMPLICIT MODELS》 1、摘要 DDMP 中把正向扩散和逆扩散以及生成（采样）过程都看成是一个马尔科夫链，每一步扩散都与上一步产生的数据有关 2、背景 对于一个数据的分布 q(x0)，我们希望容易地学到一个能近似 q(x0) 的模型 p(x0)。
1.4K20编辑于 2023-10-26 - 来自专栏计算机视觉论文阅读
CVPR2019——MonoDepth2论文阅读
这个问题表现在，在测试时的预测深度图中产生无限深度的“孔”，对于在训练[38]期间通常观察到正在移动的对象(如图2)。 我们做水平翻转以及如下的训练数据扩充策略，以50%的几率：随机亮度、对比度、饱和度和色调抖动，其范围分别为±0:2、±0:2、±0:2和±0:1。 我们在表2(c)中报告了经过训练的单目结果，即不移除帧。在KITTI上训练的基准模型比我们的完整模型表现更差。 此外，在表2(a)中，我们用来自[76]的预测性mask的重新实现替换了我们的auto-masking。 表2显示了我们的贡献给预先培训的网络和那些从零开始培训的网络带来的好处;更多烧蚀见补充材料C部分。
5.1K32发布于 2020-05-22 - 来自专栏玄魂工作室
wpa2 “破解”相关的几篇论文
前几天，关于WPA2被破解的文章满天飞，这些文章直接搜索就能看到了，这里就不重复那些内容了。 我翻阅了相关内容，消息的原作者提到了几篇论文。这几篇论文揭示了这遗漏的成因和具体的测试方法。 探究问题的本源比直接用工具要重要得多。原理理解清楚了，自己动手写个利用工具，也并非难事，你说呢？ Key Reinstallation Attacks: Forcing Nonce Reuse in WPA2。这篇论文探讨了WPA2协议的秘钥重置技术。 这篇论文介绍了基于信道的中间人攻击的细节。 这篇论文介绍了Wi-Fi握手协议的逻辑漏洞发现的相关细节。
71050发布于 2018-04-12
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