- 综合排序
- 最热优先
- 最新优先
- 来自专栏计算机视觉战队
作者亲自修改论文 | 水稻检测
计算机视觉研究院专栏 作者：Edison_G 之前我们已经推送过该干货，但是原文作者发现多处问题，今天我们尊重原创，重新修改后发布！感谢大家一直的支持与关注！
56020发布于 2021-05-31 - 来自专栏sktj
docker 修改仓库(2)
两种方式： 1、 curl -sSL https://get.daocloud.io/daotools/set_mirror.sh | sh -s http://f1361db2.m.daocloud.io 2、 vi /etc/docker/daemon.json { "registry-mirrors": ["https://registry.docker-cn.com"] } service
84720发布于 2019-09-20 - 来自专栏Lauren的FPGA
Tcl: 修改列表（2）
lreplace 修改列表的一种常见操作是替换列表中指定元素的值，尽管这种操作可由lreplace完成，但其效率较低。 可以看到，与lreplace最大的不同在于lset直接接收列表变量名（不存在$符号的变量置换），是对列表变量“原地”修改，不存在对未替换元素进行赋值的操作，这是其快速简练的主要原因。 另外，lset只能修改已存在的列表，而不能创建新列表。 ?
2.5K10发布于 2019-10-30 - 来自专栏阿ze
【论文修改中遇到的小问题集合】
论文修改中遇到的小问题集合 一、word中多级标题的设置 首先将所需标题的文字编辑好，在上方工具栏中选择视图，在视图栏中点击大纲（即可切换为大纲视角） 选中需要更改为一级标题的文字 选择需要进行缩进的文字，选择段落 在段落中，选择右侧的特殊，将其更改为首行，缩进值根据自己需要进行修改，一般为两字符 这时，文章的段落就不再是全部缩进，而只是第一行进行缩进
72530编辑于 2023-07-11 - 来自专栏Python编程爱好者
女生回应导师修改 3 万字论文。。。
今天和大家分享的 3 篇深度学习方面的论文。 分别是： AlexNet AmoebaNet CapsNet AlexNet AlexNet是深度学习领域的一个重要里程碑，其论文全名为"ImageNet Classification with Deep 该论文最初在2012年提交至NIPS（现更名为NeurIPS，即神经信息处理系统会议）并获得了大量关注。 AmoebaNet AmoebaNet是在一系列关于神经架构搜索的论文中被详细介绍的。 最后 整理了300篇深度学习方面的论文分享给大家，方便大家学习，文末获取~
24310编辑于 2024-04-26 - 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。 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 我们的训练过程包括，首先单独训练特征预测网络，然后基于特征预测网络的输出，来训练修改版的WaveNet 我们在单个GPU上，使用最大似然训练规程来训练特征预测网络（在解码器端不是传入预测结果而是传入正确的结果 10^{-3}并在50000次迭代后下降到10^{-5}，使用权重为10^{-6}的L2正则化 然后我们把特征预测网络输出的预测结果与标定数据对齐，我们使用对齐处理后的预测结果，来训练修改过的WaveNet 为了更好的隔离使用梅尔声谱图作为特征所带来的影响，我们使用类似上文介绍的方法对WaveNet架构进行了修改，并用语言学特征训练WaveNet模型，并对其结果进行了比较。
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 - 来自专栏算法之名
Springboot 2-OAuth 2修改登录加密方式
Springboot2的Security框架用的是5.0的,较之4.0的密码加密方式有了很大的改变.spring security 5中主推的加密方式为BCrypt,由于这种加密方式效率很低,属于慢加密 废话说到这里,由于性能要求,对该加密登录的压测,只能达到50-80qps,这无疑对高并发登录是不能接受的,所以我们需要改掉这种加密方式,我们选择了MD5的加密.修改之前的安全配置如下. permitAll().anyRequest().authenticated().and() .httpBasic().and().csrf().disable(); } } 修改后 refresh_token":"43eb498f-d431-4c96-a5b5-3bc007c9c189","expires_in":25690,"scope":"app"} 但值得注意的是,有时候这样修改后未必能得到我们所需要的结果
1.6K20发布于 2019-08-20 - 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
通过白化每一层的输入，采取措施实现输入的固定分布，消除内部协变量转移的不良影响 考虑在每个训练步骤或在某些间隔来白化激活值，通过直接修改网络或根据网络激活值来更改优化方法的参数。 然而，如果这些修改分散在优化步骤中，那么梯度下降步骤可能会试图以要求标准化进行更新的方式来更新参数，这会降低梯度下降步骤的影响 我们希望确保对于任何参数值，网络总是产生具有所需分布的激活值。 {\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 - 来自专栏用户7873631的专栏
yii2-admin（修改版）
第0步：composer selfupdate 第一步： composer update yiisoft/yii2-composer --no-plugins 第1.5步： php -r "readfile ('https://getcomposer.org/installer');" | php 第二步： php composer.phar require mdmsoft/yii2-admin "~2.0
35820编辑于 2022-03-25 - 来自专栏狼组安全团队
C2上线操作 修改特征
北美第一突破手 本文字数：1270 阅读时长：10分支 附件/链接：点击查看原文下载 声明：请勿用作违法用途，否则后果自负 本文属于WgpSec原创奖励计划，未经许可禁止转载 前言 今天一起来学习下C2修改特征 用户手册_中文翻译.pdf 基础使用 服务器配置 yum insatll java # java环境搭建 chmod 777 teamserver # teamserver加权 修改特征 firewall-cmd --reload # 重载配置文件 firewall-cmd --query-port=8080/tcp # 查看是否开放 firewall-cmd --list-ports # 查看放行情况 修改后 端口修改 vim teamserver # 修改配置文件 修改为你想要的端口 去除默认证书信息 keytool -keystore cobaltstrike.store -storepass 123456 运行C2: .
1.7K10发布于 2021-02-04 - 来自专栏叶子的开发者社区
WSL2修改CPU核数
Linux子系统已经关闭 创建文件C:\Users\<UserName>\.wslconfig，目录必须对，例如C:\Users\Yezi 然后文件内容复制下面信息，CPU核数为processors，修改即可 ，在确认所有Linux子系统已经关闭的情况下，保存文件重启wsl即可 # Settings apply across all Linux distros running on WSL 2 [wsl2] The default kernel used can be found at https://github.com/microsoft/WSL2-Linux-Kernel # kernel=C:\\temp Windows and releases none back when free pageReporting=false # Turn on default connection to bind WSL 2 nestedVirtualization=false # Turns on output console showing contents of dmesg when opening a WSL 2
2.2K20编辑于 2024-05-28 - 来自专栏sktj
bootstrap 2 3中修改的样式
https://www.cnblogs.com/suxua31/p/bootstrap-1.html
1.2K20发布于 2019-07-08
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