- 综合排序
- 最热优先
- 最新优先
- 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 - 来自专栏论文降AIGC率
论文为什么总被判AI？3种靠谱的修改方法！
修改→检测，再修改→再检测...为什么总是被判AI？这样的无效循环，多半是在原文上仅做了局部修改，加上思维固定了，反复修改也可能只是浪费检测费用。 总被判AI通常是因为：只改了词句，没动结构用词空洞，无细节支撑逻辑平直，缺乏思考痕迹混合文本，全文风格不一致二、反复修改还超标？ 3种靠谱方法对于修改后还标红的内容，简单的修改根本没用，下面这3种方法，可以选择使用。方法一：与原文对话把被标记的段落打印出来，不改原文，而是去回答原文提出的问题。看着内容问自己：我为什么用这个方法？ 附：实用降重辅助工具如果修改内容比较多、时间又紧的情况下，可以借助辅助工具，比如早降重（zjc.kk.checkyyds.com）。 在工具优化的基础上，利用在线修改功能进行润色、调整，同时加入个性化内容，只有这样既有自己的思考和内容，又利用了AI的修改效率，改出来的内容才有自己的味道。
19000编辑于 2026-03-08 - 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！ a–d are results yielded by18 features from one channel, 54 features from 3 channels, 108 features from
56020发布于 2021-05-31 - 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 - 来自专栏初见Linux
11-3 激活修改
三、修改环境 现在用户已经知道了系统启动文件的位置和内容，就可以修改启动文件，来自定义我们的环境。 除非是系统管理员需要修改用户公用的默认设置，普通用户只需对主目录下的文件作出修改即可。 KDE则有3种：kedit、kwrite、kate（复杂程度递增）。 有很多种基于文本的编辑器，常见编辑器中较受用户欢迎的是 nano、vi、emacs。nano是一种简单易用的编辑器。 3.使用文本编辑器 所有的文本编辑器都可以通过在命令行输入 编辑器名称 和 需要编辑的文件名称 的方式启动。 ① 内容3部分 可从上图看到，屏幕内容分 3 部分：顶端的标题（header）、中间的可编辑文件、底部的命令菜单。 （由于 nano 的出现是为了替代电子邮件文本编辑器，所以其编辑功能非常有限。）
68710发布于 2020-08-11 - 来自专栏python3
修改SAPSR3密码
工具解压这两个文件并拷贝到相应位置就可以完成brtools的安装 1.运行：/usr/sap/HHD/SYS/exe/run/brtools 2.选择8 - Additional functions 3. user/password (user) ............. [/] 5.输入system/oracle(oracle中的system用户名和密码) 6.输入2次c 7.输入两次sapsr3的密码 8.看返回内容密码修改成功 9.输入c再输入b,9，y退出brtools。 在修改密码过程中需要用到：/oracle/HHD/102_64/dbs/initHHD.sap，并且initHHD.sap中指定的备份目录/oracle/HHD/sapbackup目录必须存在。
91910发布于 2020-01-08 - 来自专栏全栈程序员必看
3DCNN论文阅读
视频分类和动作识别 1.1《Learning Spatiotemporal Features with 3D Convolutional Networks》 2015年CVPR 这篇论文应该是3DCNN 我们的发现有三个方面：1)与2D ConvNet相比，3D ConvNet更适合时空特征学习；2)具有小的3×3×3卷积核的同质结构是3D ConvNet中性能最好的结构之一；3)我们学习的特征，即C3D 上图来源 C3D的网络结构： C3D的不足之处： 输入图像分辨率较低，该网络结构较浅，参数数量过多。 U-Net和3D U-Net如下图： 3. 为了解决这些问题，我们提出了一种集成了 3D 多头自注意力的 3D自注意力多尺度特征融合网络（3DSA-MFN）。
1.7K20编辑于 2022-09-07 - 来自专栏JNing的专栏
论文阅读: YOLOv3
Introduction 首先，我要贴出大神霸气侧漏的论文Introduction： ? 这可以解释为“艺高人狂妄”么？ (→_→) 该文章继承了YOLOv2的bbox预测任务的方法，对bbox分类任务进行了修改 (用简单的logistic替换下softmax) 。 ? Innovation YOLOv3的作者自己也说了，本文没啥trick，就是纯粹博采众长，做做小实验，然后一不小心就搞出了YOLO第三代。。。 作者采用了更多的scale（3种scale），加深了DarkNet（直至53层），使得YOLOv3能够更好地抽取特征和保留小物体的位置信息。 ╮(╯_╰)╭ ---- [1] YOLOv3: An Incremental Improvement
1.5K40发布于 2018-09-27 - 来自专栏python3
Day 3 - 编写ORM 修改1
/usr/bin/env python3 # -*- coding: utf-8 -*- __author__ = 'Michael Liao' import asyncio, logging import ModelMetaclass(type) 2.User类，类型为Model,User类属性为对象(object) class Field(object) class StringField(Field) 3.
64910发布于 2020-01-15 - 来自专栏时空探索之旅
论文拾遗 | 3月论文集锦
因此，决定开设此栏目，分享有一些有意思的论文（热度大），有部分论文可能后续出AI论文速读和论文精读。 分享的论文将不拘泥于时空（spatial-temporal）和时序（time series）领域，期待与大家在学术的海洋中，一起探索，一起遨游！ 3. 3. LLM2LLM 3.
54310编辑于 2024-11-19 - 来自专栏JNing的专栏
论文阅读: 1706.Deeplabv3
论文中的级联模块指复制了四份block4，这四份分别使用不同rate的空洞卷积，最终block输出结果： 但这种结构效果并没有改进后的ASPP结构好： 架构设计 Encoder的主体是带有空洞卷积的 （这种架构在DeeplabV3+中被沿用）。 对于DeepLabv3，经过ASPP模块得到的特征图的output_stride为8或者16，其经过1x1的分类层后直接双线性插值到原始图片大小，这是一种非常暴力的decoder方法，特别是output_stride 然而这并不利于得到较精细的分割结果，故v3+模型中借鉴了EncoderDecoder结构，引入了新的Decoder模块。
66320编辑于 2021-12-06 - 来自专栏JNing的专栏
论文阅读: 1802.Deeplabv3+
从某种意义上看，DeepLabv3+在DilatedFCN基础上引入了EcoderDecoder的思路。 把backbone从ResNet（DeepLabv3所采用）换成了改进的Xception。 改进的Xception主要体现在以下几点： 参考MSRA的修改（Deformable Convolutional Networks），增加了更多的层； 所有的最大池化层使用stride=2的 depthwise separable convolutions替换，这样可以改成空洞卷积； 与MobileNet类似，在3x3 depthwise convolution后增加BN和ReLU。 性能 DeepLabv3+在VOC2012测试集上的取得了很好的分割效果：
44610编辑于 2021-12-06 - 来自专栏CV学习史
GoogLeNetv3 论文研读笔记
例如1x1卷积层后跟着3x3卷积层。 使用2个3x3替换5x5后的Inception结构(figure 5) ? 研究者将这个收益归因于网络可以学习的增强的空间变化 空间分解为不对称卷积 上述结果表明，大于3×3的卷积滤波器可能不是通常有用的，因为它们总是可以简化为3×3卷积层序列。 例如使用3×1卷积后接一个1×3卷积，相当于以与3×3卷积相同的感受野滑动两层网络 ? 把7x7卷积替换为3个3x3卷积。包含3个Inception部分。
69810发布于 2019-09-10 - 来自专栏GiantPandaCV
《DeepLab V3》论文阅读
论文地址 https://arxiv.org/abs/1706.05587 摘要 本文首先回顾了空洞卷积在语义分割中的应用，这是一种显式调整滤波器感受野和控制网络特征响应分辨率的有效工具。 还有一个重要的问题是，采用采样率非常大的3 * 3空洞卷积，由于图像边界效应，不能捕捉图像的大范围信息，也即是原文说的会退化成1 * 1卷积，所以论文在这里提出在ASPP模块中加入图像级特征。 不过，论文发现，随着sampling rate的增加，有效filter特征权重（即有效特征区域，而不是补零区域的权重）的数量会变小。 如下图所示，当采用具有不同atrous rates的3×3 filter应用到65×65 feature map时，在rate值接近于feature map 大小的极端情况，该3×3 filter不能捕获整个图像内容 最后，论文改进了ASPP， 即: (a) 当output_stride=16时，包括一个 1×1 convolution 和三个3×3 convolutions，其中3×3 convolutions的
1.3K20发布于 2019-12-09 - 来自专栏又见苍岚
Nextcloud -3- 修改合法访问域名
默认 nextcloud 支持初始访问的 IP 地址，如果有新的地址访问，或者使用域名访问将不被允许，本文记录修改合法域名的方法。 问题复现 当使用非首次访问的 IP 或域名登录 nextcloud 时报错： 修改方法 事实上错误信息中说得很清楚，需要修改配置文件中的 trusted_domains 值 进入docker， 修改相关文件 docker exec -it nextcloud-container bash vim config/config.php 修改 trusted_domains，添加我们需要访问的域名或IP IP
7.9K20编辑于 2022-08-06 - 来自专栏数据结构与算法
10:Challenge 3（树状数组直接修改）
接下来M行，每行开头是一个字符，若该字符为'M'，则表示一个修改操作，接下来两个整数x和y，表示把x位置的值修改为y；若该字符为'Q'，则表示一个询问操作，接下来两个整数x和y，表示求[x,y]这段区间的和 样例输入 5 3 1 2 3 4 5 Q 1 5 M 2 7 Q 1 5 样例输出 15 20 提示 ，输入保证合法，且所有整数及答案可用带符号32位整型存储。 考虑树状数组肯定是没有什么疑问的，但是这里不是加减，而是直接修改，然而直接修改会爆零，原因自己yy一下就知道。 所以说，我们每次改的时候，去加上要加的数和当前的数的差，然后再把当前的数改成将要改的数 1 #include<iostream> 2 #include<cstdio> 3 #include<cstring while(c<'0'||c>'9'){c=getchar();if(c=='-')flag=1;} 13 while(c>='0'&&c<='9') 14 x=(x<<1)+(x<<3)
1.4K120发布于 2018-04-12 - 来自专栏landv
金蝶k3密码批量修改
M &4 )0 ' 可以使用下面的语句进行批量修改密码，不用理会需要转义字符内容 先改个 landv的密码为 1234 update 用户表 set 密码字段=(select 密码字段 from
1K60发布于 2018-06-22 - 来自专栏全栈程序员必看
matlab画图操作(修改坐标轴及字体，加粗，颜色修改，适合论文画图)「建议收藏」
matlab常用画图操作 1.设置坐标轴 2.设置figure大小 3.matlab线条设置 4.子图设置 5.颜色查询 6.colorbar设置 7.线条透明度设置 8.设置坐标轴刻度形式（对数刻度） 去掉白色边框 2.设置figure大小 figure(1) set(gcf,'position',[180,60,960,480]);%设置画图的大小 四个数分别代表距y轴的距离、距x轴的距离、图宽、图长 3. 绘制一条横线 plot(xlim,[0.32,0.32],'k-','LineWidth',1) 4.子图设置 %子图代码 subplot(2,2,[1 2]) plot(x) subplot(2,2,3) alpha_1','\alpha_1'，1) 0——图例尽量不与数据冲突，自动放置在最佳位置 1——放置在放置在图形的右上角 top right 2——放置在图形的左上角 top left 3— - ti(1) - ti(3); ax_height = outerpos(4) - ti(2) - ti(4); ax.Position = [left bottom ax_width
21.1K30编辑于 2022-11-08 - 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 - 来自专栏python3
LINUX DNS解析的3种修改方法
www.baidu.com 2.网卡配置文件DNS服务地址 vi /etc/sysconfig/network-scripts/ifcfg-eth0 添加规则 例如: DSN1='114.114.114.114' 3. ' 3.系统默认DNS配置 vi /etc/resolv.conf 添加规则 例如: nameserver 114.114.114.114 系统解析的优先级 ,在同一种方法中可以配置多行解析 1>2>3
14.6K20发布于 2020-01-08
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