- 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
ManiFest: manifold deformationfor few-shot image translation
大多数图像到图像的翻译方法都需要大量的训练图像，这限制了它们的适用性。相反，我们提出了ManiFest：一个用于少样本图像翻译的框架，它只从少数图像中学习目标域的上下文感知表示。为了增强特征一致性，我们的框架学习源域和附加锚域（假设由大量图像组成）之间的风格流形。通过基于patch的对抗性和特征统计对准损失，将学习到的流形插值并朝着少样本目标域变形。所有这些组件都是在单个端到端循环中同时训练的。除了一般的少样本翻译任务外，我们的方法还可以以单个样例图像为条件来再现其特定风格。大量实验证明了ManiFest在多项任务上的有效性，在所有指标上都优于最先进的技术。
58320编辑于 2023-10-07 - 来自专栏ATYUN订阅号
Uber开源Manifold，用于调试AI模型的可视工具
Uber机器学习软件工程师李乐之在博客中写道：“自从今年早些时候创建Manifold以来，我们已经收到了很多关于其在通用ML模型调试场景中潜力的反馈。 在开源独立版本的Manifold时，我们相信该工具将通过为ML工作流提供可解释性和可调试性，同样使ML社区受益。” Manifold包括对多种算法类型的支持，包括常规的二进制分类和回归模型。在可视化方面，它可以提取数字和分类以及地理空间要素类型。 通过这种集成，Manifold将数据输入作为Pandas DataFrame对象接受，并在Jupyter中呈现此数据的可视化。 基于每个实例的预测损失和特征值的交互式数据切片使Manifold练习者可以更好地理解ML模型性能问题。
60630发布于 2020-02-12 - 来自专栏GPUS开发者
大疆给无人机配大脑 ，Manifold妙算采用Tegra处理器
中国无人机业者大疆创新（Da-Jiang Innovations，DJI）于11月2日发布专为无人机设计的嵌入式电脑Manifold，以供开发人员打造效能强大的无人机应用。 售价499美元的Manifold预计于11月中开始出货。 ? Manifold内建时脉2.2 GHz 的NVIDIA Tegra K1处理器，采用Ubuntu 14.04作业系统，支援大疆所开发的DJI Onboard SDK与经纬M100（Matrice 100 结合DJI Onboard SDK、经纬M100与Manifold将可用来测试及打造全新的无人机软/硬体解决方案。 由于Manifold相容于各种第三方感应器，因此应用颇为广泛，开发人员可在经纬M100上加装红外线摄影机、大气研究装置、地理调查设备等装置，再由Manifold负责搜集及分析感应资料，可提供即时的资讯。
1.3K110发布于 2018-03-30 - 来自专栏相约机器人
Uber开放源代码“ Manifold”：用于机器学习的可视化调试工具
Uber最近为其机器学习模型开放了其与模型无关的可视调试工具“ Manifold”。该工具的目的是帮助数据科学家和数据工程师以直观的方式识别数据集和模型之间的性能问题。 GitHub： https://github.com/uber/manifold 论文（2018）： https://arxiv.org/pdf/1808.00196.pdf 演示网站： http: //manifold.mlvis.io/
74920发布于 2020-01-17 - 来自专栏量子位
上传三组表格即可分析AI模型，可视化工具Manifold开源，来自Uber华人女工程师
Manifold的作者之一还是个华人女工程师李乐之，她本科毕业于南京大学，之后进入哈佛大学攻读硕士，毕业后进入Uber工作至今。 ? Manifold主要有4大特点： 1、支持与模型无关的通用二元分类与回归模型调试。 用户将能够分析和比较各种算法类型的模型，分辨各种数据切片的性能差异。 通过这种集成，Manifold将数据输入作为Pandas DataFrame对象接受，并在Jupyter中呈现可视化。 / 使用方法 Uber提供两种方式使用Manifold，一种是直接上传已有的模型数据到Demo网站。 另一种方式就是在自己程序中使用Manifold组件，需要先将数据转换成Manifold可以读懂的格式再导入： import {loadLocalData} from '@mlvis/manifold/actions
98430发布于 2020-02-12 - 来自专栏点云PCL
Open3d学习计划（4)网格
一个重要的属性是流形性质(manifold property)，可以使用is_edge_manifold去测试网格是不是边缘流形（edge manifold）和is_vertex_manifold去测试是否所有顶点为流形 : {edge_manifold}") print(f" edge_manifold_boundary: {edge_manifold_boundary}") print >>>>Moebius edge_manifold: True edge_manifold_boundary: False vertex_manifold: >>>>non-manifold edge edge_manifold: False edge_manifold_boundary: False vertex_manifold >>>>open box edge_manifold: True edge_manifold_boundary: False vertex_manifold:
3.8K41发布于 2020-06-28 - 来自专栏我爱计算机视觉
PULSE:一种基于隐式空间的图像超分辨率算法
于是作者换了一个思路：**以往的方法都是从LR，逐渐恢复和生成HR；如果能找到一个高分辨率图像HR的Manifold，并从该Manifold中搜寻到一张高分辨率的图像使其下采样能恢复到LR，那么搜寻到的那张图像就是 **所以本篇文章主要解决了以下的两个问题： 如何找到一个高分辨率图像的Manifold？ 如何在高分辨率图像的Manifold上搜寻到一张图片使其下采样能恢复LR？ 2. 假如我们有一个参数可微的Manifold( )，那么我们就可以利用Downscapling loss去指导这个搜寻过程。 VAE, GANs)来近似这个Manifold( )。 首先我们需要一个生成模型来近似高分辨率的Manifold，在本文中，作者采用的是StyleGAN的预训练模型： ?
1.1K20发布于 2021-02-05 - 来自专栏不能显示专栏创建者
传染动力学的流形学习
the contagion spreads along that structure, an observation which suggests contagion maps as a viable manifold-learning We test contagion maps as a manifold-learning tool on a number of different real-world and synthetic data sets, and we compare their performance to that of Isomap, one of the most well-known manifold-learning We find that, under certain conditions, contagion maps are able to reliably detect underlying manifold This consolidates contagion maps as a technique for manifold learning.
40920发布于 2020-12-11 - 来自专栏机器学习、深度学习
群体运动度量--Measuring Crowd Collectiveness
We refer to the spatially coherent structure of collective motion as Collective Manifold 我们将这种 空间一致性的有序运动称之为 Collective Manifold 从上图可以看出这种一致性局限于 局部领域的个体，也就是局部个体的运动保持高度一致性 behavior consistency remains high 结构属性的行为一致性描述 A better behavior consistency based on the structural property of collective manifold Behavior Consistency on Collective Manifold 因为当两个个体比较远是，行为相似性的估计就不那么准确了。 我们提出了一个基于collective manifold 结构属性的行为一致性描述 ： paths, which represent the connectivity of the network associated
79990发布于 2018-01-03 - 来自专栏AILearning
【Scikit-Learn 中文文档】流形学习 - 监督学习 - 用户指南 | ApacheCN
中文文档: http://sklearn.apachecn.org/cn/stable/modules/manifold.html 英文文档: http://sklearn.apachecn.org /en/stable/modules/manifold.html 官方文档: http://scikit-learn.org/stable/ GitHub: https://github.com -dimensional manifold embedded in a ? the manifold that would otherwise be well-separated. Manifold learning on noisy and/or incomplete data is an active area of research.
1.3K50发布于 2018-01-05 - 来自专栏小七的各种胡思乱想
模型优化4. 正则化+数据增强 Mixup Family代码实现
之后等Top3解决方案出来后，我们再来总结这个比赛~Manifold Mixuppaper: Manifold Mixup: Better Representations by Interpolating 说回Manifold mixup，它的整体实现方案很简单:在个layer中任选一个layer K，这里包括输入层(layer=0), 然后向前传导到k层进行mixup就齐活了。 对隐藏层奇异值的影响，发现manifold相较其他正则化可以有效降低隐藏层的整体奇异值。 至于Manifold mixup为何比mixup更好，作者做了更多的数学证明，不过。。。 这个大家感兴趣去看下就知道这里为何省略一万字了~以及之后出现的Flow Mixup也挑战过Manifold会导致样本分布飘逸以及训练不稳定的问题，不过我并没有在NLP上尝试过manifold的方案，以后要是用了再来
1.9K20编辑于 2022-10-30 - 来自专栏图灵技术域
LLE（Locally Linear Embedding）算法
simple_code: Python import numpy as np import matplotlib.pyplot as plt from sklearn import datasets, manifold swiss_roll') ax = Axes3D(fig_original) ax.scatter(X[:, 0], X[:, 1], X[:, 2], marker='o', c=Y) LLE = manifold.LocallyLinearEmbedding Python import numpy as np import matplotlib.pyplot as plt from sklearn import datasets, decomposition, manifold swiss_roll[1]) def LLE_components(*data): X, Y = data for n in [3, 2, 1]: # 最终的降维目标 lle = manifold.LocallyLinearEmbedding 可以选择的几个邻域值 fig = plt.figure("LLE", figsize=(9, 9)) for i, k in enumerate(Neighbors): lle = manifold.LocallyLinearEmbedding
1.1K30发布于 2021-05-21 - 来自专栏又见苍岚
降维方法 PCA、t-sne、Umap 的 python 实现
示例代码 12345678910111213141516171819202122232425 import mtutils as mtfrom sklearn.manifold import TSNEfrom 示例代码 12345678910111213141516171819 import mtutils as mtfrom sklearn.manifold import TSNEfrom sklearn.preprocessing np.array(fea_list))plt.scatter(new_data[:, 0], new_data[:, 1])plt.show()pass 测试效果 Umap UMAP（Uniform Manifold 示例代码 12345678910111213141516171819202122 import mtutils as mtfrom sklearn.manifold import TSNEfrom sklearn.preprocessing
1.9K20编辑于 2023-06-27 - 来自专栏数据分析与挖掘
pycaret模型分析之绘制模型结果
class_report’ Decision Boundary ‘boundary’ Recursive Feature Selection ‘rfe’ Learning Curve ‘learning’ Manifold Learning ‘manifold’ Calibration Curve ‘calibration’ Validation Curve ‘vc’ Dimension Learning ‘dimension Distance Plot ‘cooks’ Recursive Feature Selection ‘rfe’ Learning Curve ‘learning’ Validation Curve ‘vc’ Manifold Learning ‘manifold’ Feature Importance ‘feature’ Model Hyperparameter ‘parameter’ 例子： # Importing dataset
96330发布于 2020-10-27 - 来自专栏云深之无迹
DJI OSDK开发.1(回忆）
这里使用的是妙算2G 方法1：使用Manifold 2 中的串口线连接无人机尾部的拓展接口和Manifold 2 的UART1 接口(Manifold 2 中的设备号为ttyTHS2)； 方法2：使用USB 转串口线连接飞机尾部的拓展接口和Manifold 2 的USB 接口（Manifold 2 中的设备号为ttyUSBn，n为0、1、2.....）。
1.3K21编辑于 2022-11-29 - 来自专栏计算机视觉战队
ECCV2020 | Unsupervised Batch Normalization
作者表明，使用未标记的样本进行batch统计计算可以减少统计的偏差，以及利用data manifold进行正则化。 UBN易于实现，计算成本低，可应用于各种问题。 相反，使用UBN，网络学习将其决策边界与data manifold对齐，并通过使用未标记样本的批处理统计来学习，在标记样本之间进行插值。 ? 我们观察到，网络的不确定性遵循data manifold，并与不正确的预测和没有数据样本的区域很好地对齐。 ? 我们观察到，除了决策边界太接近data manifold的区域外，增强遵循data manifold，在这种情况下，它将决策边界从标记的样本推开。 因此，BN层应用依赖于data manifold的隐式增强。 4、实验及结果分析 ?
89030发布于 2020-07-14 - 来自专栏生信探索
CellChat 细胞通讯分析（可视化）
Overview", "02.Diff_number_strength", "03.Counts_Compare_select", "04.Compare_pathway_strengh", "05.Manifold h = 16)rankSimilarity(cc, type = "functional") + ggtitle("functional similarity of pathway")ps("05.Manifold ", do.parallel = FALSE)netVisual_embeddingPairwise(cc, type = "structural", label.size = 3.5)ps("05.Manifold h = 16)rankSimilarity(cc, type = "structural") + ggtitle("Structural similarity of pathway")ps("05.Manifold Overview├── 02.Diff_number_strength├── 03.Counts_Compare_select├── 04.Compare_pathway_strengh├── 05.Manifold
2.7K41编辑于 2023-04-21 - 来自专栏KI的算法杂记
PCA系列（二）：数据（.data）处理
data = pd.read_csv('manifold/secom.data', sep=' ') print(data.shape[1]) 输出590，于是我们知道了一共590列。 2.完整读取数据 data = pd.read_csv('manifold/secom.data', sep=' ', names=[i for i in range(590)]) data = np.array import pandas as pd import numpy as np from numpy import linalg def load_file(): data = pd.read_csv('manifold
75420编辑于 2022-07-29 - 来自专栏专知
【论文推荐】最新八篇图像检索相关论文—三元组、深度特征图、判别式、卷积特征聚合、视觉-关系知识图谱、大规模图像检索
：arXiv, 2018年4月3日 网址： http://www.zhuanzhi.ai/document/d7c60fd0bc1f5c877985afd5c9af6851 5.Iterative Manifold Therefore, we propose the iterative manifold embedding (IME) layer, of which the weights are learned We embed the original descriptors of database images which lie on manifold in a high dimensional space into manifold-based representations iteratively to generate the IME representations in off-line learning The proposed IME layer significantly outperforms related dimension reduction methods and manifold learning
1.4K30发布于 2018-06-05 - 来自专栏阅读笔记
近几年Facial Expression Recognition相关文章
classification of facial expressions in videos (CVPR) 2014 年 （1）Learning expressionlets on spatio-temporal manifold based on group sparse reduced-rank regression （TAC） （5）Learning expressionlets on spatio-temporal manifold
1.6K10发布于 2018-11-24
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