- 综合排序
- 最热优先
- 最新优先
- 来自专栏计算机视觉理论及其实现
论文写作方法
： （1）、五要素更加详细的阐述，但必须逻辑严格对应 （2）、在介绍存在问题之后，如果是老问题介绍下前人的方法和最先进的方法，突出你提出的方法和之前方法的不同之处。 三、贡献： （1）、如果是应经有的方法来解决问题，用we introduce... （2）、自己提出的算法、网络结构、损失、数据集用we propose... （3）、要严格和问题、创新点对应 （4）、一点贡献两句话最好，干了什么解决了什么问题 四、相关工作 （1）、简述topic或者小研究领域的工作 （2）、简述借鉴或提出方法的领域的工作 五、方法 （1）、描述要有逻辑性，一般从图像输入到最后得到损失函数 （2）、与创新点相关的要详细描述，无关的不写，或者为了逻辑完善而简写 六、实验 （1）、一定要和问题、方法严格对应 （2）、不是做得越多越好 ，创新点无关的尽量不要写，节省审稿人的时间 （3）、尽量不要出现某页只有表格的现象 七、总结和将来的工作 （1）、也是摘要的五要素，和摘要不同要对方法进行扩展 （2）、将来的工作也从方法入手
22621编辑于 2022-05-17 - 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。 统计参数语音合成方法，是直接生成语音特征的平滑轨迹，然后由声码器来合成语音，这种方法解决了拼接合成方法中出现的边界人工痕迹的很多问题。 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。 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 网络结构比较 3.1 MobileNetV2 和 V1 image.png 相同点： 都使用了DW + PW 的组合来提取特征。 这种方法在mobilenetv1 、 Xception 中提及。
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
62620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
解决这种现象的典型方法是领域适应。输入数据分布相同这一特性，使得子网络更容易训练。因此保持输入的分布不变是有利的。 {\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。 该方法从标准化激活以及将这种标准化结合到网络体系结构本身中汲取了它的力量。批处理规范化每次激活只添加两个额外的参数，并且这样做保留了网络的表示能力。 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。 一种常见的处理方法是图像金字塔，即将原图resize到不同尺度，输入到相同的网络，获得不同的feature map，然后做融合，这种方法的确可以提升准确率，然而带来的另外一个问题就是速度太慢。 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
实验结果表明，该模型可以获得有希望的预后表现，认知测量和基于成像的测量可以为预后提供补充信息 方法和材料 为了建立基于纵向数据的AD痴呆早期预测模型，首先训练一个LSTM自动编码器学习每个受试者纵向测量的紧凑表示和时间动态编码 \(f_t和f^`_t\)是在时间点t（t=1，2，3）的输入和重构的认知测量。 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 此外，如果将纵向成像数据纳入预测模型中，可以进一步提高预测性能 结论 在这项研究中，开发了一种基于深度学习的方法来描述认知测量的纵向动力学特征，并建立了基于基础海马MRI测量和学习的纵向动力学的预测模型来预测个体 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 掌握这些AI生成论文方法，快速搞定毕业论文！
**结构清晰，逻辑严谨**学术论文应具有清晰的结构，通常包括引言、文献综述、研究方法、结果分析、讨论和结论等部分。每一部分都要有明确的逻辑关系，使读者能够顺畅地理解研究的过程和结果。 2. 2. 完整性：尽管摘要需要简洁，但它必须包含研究的主要方面。这通常包括研究问题、研究方法、主要发现和结论。3. 客观性：摘要应客观地反映研究内容，避免夸大或歪曲研究结果。 首先您需要提供论文的关键信息，包括：1. 论文标题2. 研究背景3. 研究目的4. 研究方法5. 研究结果6. 研究结论这些信息将成为 AI 生成摘要的基础。 作者应通过多种渠道，如学术数据库、期刊、会议论文集等，广泛搜集与课题相关的文献资料。在阅读这些文献时，要注重理解各个研究的主要观点、方法、结果以及存在的争议和不足。 2. 2. 李二（2021）研究了大数据在金融风险管理中的应用。他提出了一种基于机器学习的方法，可以有效地预测金融市场风险。
71410编辑于 2025-09-11- 来自专栏机器之心
词嵌入的经典方法，六篇论文遍历Word2vec的另类应用
论文链接：https://arxiv.org/pdf/1511.07067.pdf 这个方法解决的就是图 4 提到的例子里的问题，这里作者要在原有词嵌入的基础上加入对图片语义的表征，也就是将图片也作为背景加入到 这个方法基于 CBOW，并用到了辅助标签（surrogate label）作为图片背景的表征。 ? 图 5：vis-w2v 中的网络结构。 本文除了与第一篇论文要表征的信息不同之外，所用的方法也不一样，其根本思想就是：如果这个词是关系词，那么就让上面（CNN）产生的词嵌入跟下面产生的嵌入尽量相同，但是如果这个词不是关系词，那就不管上面的，跟传统的 这个方法的效果如表 4 所示，在普通词上，效果跟 word2vec 差不多，但是在拟声词上，sound-word2vec 明显表现就要好很多了。 因为这篇论文包含了比较专业的乐理知识，而对应的机器学习方法就相对比较传统，就是一个 skip-gram 模型加上对乐谱进行编码。
96440发布于 2020-07-21 - 来自专栏yuancao博客
免费下论文的10个方法
目录 1.超星期刊 2.库问搜索 3. 登录完成后，搜索你要查找的论文 ? 点击右边这个图标 ? 选择保存文件 ? 2.库问搜索 库问搜索（http://www.koovin.com） 输入你要查找的相关信息，然后搜索 ? 本来想通过找回密码的方式将这个账号拿回来，但想想反正前面已经有这么多能白嫖论文的方法了，就算了 10.湖南图书馆——白嫖知网，强烈推荐 注意，需要有湖南图书馆的借书证，或者ip地址是在湖南内。 邮箱得用来接收账号密码和你要下载的论文，所以得用真实的。当然如果只是一锤子买卖，只是现在需要下论文，以后就不需要下了。 然后选择你要下的论文，就能免费下载 ? 当然，如果你要长期下论文，建议还是使用自己的邮箱
2.2K52发布于 2020-09-10 - 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 Embodied Agents. 2、Language Models as Zero-Shot Planners: Extracting Actionable Knowledge for Embodied 在某些情况下，他们的方法优于基于梯度的方法，例如快速微调！ 7、A ConvNet for the 2020s By Zhuang Liu et al. 本文提出了一种基于扩散模型的文本提示生成和编辑图像的方法，该方法击败了著名的 OpenAI 的 DALL·E。 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）。 让读者熟悉与您的工作相关的所有分子，或者您将使用的建模方法，或者通常用于探测与您的样本相似的现有技术。 指出与以前的方法相比，您的方法如何脱颖而出，以及它们如何解决以前工作未解决的问题。 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。 您为结果和讨论部分选择的故事将决定需要在引言中介绍哪些理论和过去的研究或方法。 将介绍的“Here we show”部分与结果和讨论而不是方法联系起来。
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 - 来自专栏机器学习/数据可视化
模型评估方法-2
评估方法 在实际中，通常需要通过实现对学习器的泛化误差进行评估并进而做出选择。需要使用一个测试集来测试学习器对新样本的判别能力，然后以测试误差近似作为“泛化误差”。 常用的几种评估方法： 留出法 留一法 交叉验证法 自助法 留出法 留出法hold-out，直接将数据集合分成两个互斥的集合，其中一个当作训练集合S，另一个当作测试集合T。 比如S中350个正例，350个反例；T中150个正例，150个反例 即使确定了划分比例之后，不同的划分方法仍然对模型的评估造成缺别。 解决方法：单次使用留出法得到的结果往往不是稳定的，多次使用取平均值。 通常在留出法中采用的比例是\frac23-\frac45用于训练，剩下的用于测试。 交叉验证法 现将数据集合D划分成k个大小相似的互斥子集D_1,D_2,…,D_k。每个子集尽量保持数据分布的一致性，即从D中分层采样得到。
74810发布于 2021-03-02 - 来自专栏blackheart的专栏
2-匿名方法
1.匿名方法应用和机制 先看一段代码（C#1.0）： 1 //这里加了参数<为了说明delegate关键字后面的参数列表> 2 public delegate void MyDelegate(object ： private void function() { MyDelegate md2 = delegate { Console.WriteLine("C#2.0写法"); }; md2( 2.匿名方法的中的"外部变量" 这个外部变量指的是匿名方法所在的方法里的局部变量，对与匿名方法来说称作外部变量， 改写下上面的代码[只改了function这个方法，其他没动]： private void ("C#2.0写法"); }; md2(this, EventArgs.Empty); } 虽然声明的这个i没做什么实质性的工作，但是它却使编译器做了很多额外的工作，看图： ? 而把外部变量作为了这个类的一个共有字段，我还原下改写的那个function方法[注：把上图用友好点的代码写一下]: 1 private void function() 2 { 3 Temp
72060发布于 2018-01-19 - 来自专栏Python机器学习算法说书人
魔法方法（2）
，通过调用函数property并将存取方法作为参数（获取方法在前，设置方法在后）创建了一个特性，然后将名称size关联到这个特性。 实际上，这是隐藏在特性、关联的方法、静态方法和类方法以及super后面的机制。 方法__iter__返回一个迭代器，它是包含方法__next__的对象，而调用这个方法时可不提供任何参数。当你调用方法__next__时，迭代器应返回下一个值。 >>> it = iter([1, 2, 3]) >>> next(it) 1 >>> next(it) 2 还可使用它从函数或其他可调用对象创建可迭代对象，详情请参阅库参考手册。 return self ... >>> ti = TestIterator() >>> list(ti) [1, 2, 3, 4, 5, 6, 7, 8, 9, 10] 其他魔法方法 特殊
93530发布于 2019-07-26
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