- 综合排序
- 最热优先
- 最新优先
- 来自专栏深度学习与计算机视觉
background modeling：ViBe
2009 年，Marc Van Droogenbroeck 等人提出了一种新的背景建模法： ViBe（Visual Background Extractor）算法。Vibe 是一种通用的运动目标检测算法，对于视频流类型、颜色空间、场景内容没有特定要求。 ViBe: A universal background subtraction algorithm for video sequences
82320发布于 2021-07-19 - 来自专栏Hongten
How to create a project with Oracle Policy Modeling
This blog is about how to create a project with Oracle Policy Modeling. Step 1: Open Oracle Policy Modeling, File --> New Project... ? then the Oracle Policy Modeling Compilation complete and document saved. ? Step 7: Back to Oracle Policy Modeling, Build --> Build and Run ? Step 8: Oracle Policy Modeling will open your default broswer(i.g.
48220发布于 2018-09-13 - 来自专栏深度学习与计算机视觉
background modeling：MOG2
MOG2背景建模方法发表于2004年，由Zoran Zivkovic提出，MOG2的改进过程大致是，单高斯背景建模，混合高斯背景建模，MOG到MOG2。
1.4K20编辑于 2021-12-24 - 来自专栏EmoryHuang's Blog
【论文阅读】Modeling Extreme Events in Time Series Prediction
【论文阅读】Modeling Extreme Events in Time Series Prediction Metadata authors:: Daizong Ding, Mi Zhang, Xudong : 图片 整体算法 实验 datasets: Stock Dataset Climate Datasets Pseudo Periodic Synthetic Dataset 参考资料 Modeling Extreme Events in Time Series Prediction 论文笔记： Modeling Extreme Events in Time Series Prediction
86910编辑于 2022-10-31 - 来自专栏企鹅号快讯
VAIN：Attentional Multi-agent Predictive Modeling
VAIN: Attentional Multi-agent Predictive Modeling[J]. arXiv preprint arXiv:1706.06122, 2017.
1.3K70发布于 2018-01-09 - 来自专栏超然的博客
Context-Aware Network Embedding for Relation Modeling
Context-Aware Network Embedding for Relation Modeling 论文：http://www.aclweb.org/anthology/P17-1158 创新点
1.1K10发布于 2018-10-11 - 来自专栏CreateAMind
终身生成建模 Lifelong Generative Modeling
Lifelong Generative Modeling 终身生成建模 https://arxiv.org/pdf/1705.09847 摘要 终身学习（Lifelong learning）是指按顺序连续学习多个任务的问题 与此同时，终身学习也被扩展到独立的多任务学习 [107, 31]、强化学习 [125, 122, 102]、主题建模（topic modeling）[19, 130] 以及半监督语言学习 [83, 81 我们从生物学习者的记忆巩固机制中获得启发，提出了我们的终身生成建模 （Lifelong Generative Modeling, LGM）模型。
5110编辑于 2026-03-11 - 来自专栏计算机视觉理论及其实现
Generative Modeling for Small-Data Object Detection
本文探讨了小数据模式下的目标检测，由于数据稀有和注释费用的原因，只有有限数量的注释边界框可用。这是当今的一个常见挑战，因为机器学习被应用于许多新任务，在这些任务中，获得训练数据更具挑战性，例如在医生一生中有时只看到一次罕见疾病的医学图像中。在这项工作中，我们从生成建模的角度探讨了这个问题，方法是学习生成具有相关边界框的新图像，并将其用于训练目标检测器。我们表明，简单地训练先前提出的生成模型并不能产生令人满意的性能，因为它们是为了图像真实性而不是目标检测精度而优化的。为此，我们开发了一种具有新型展开机制的新模型，该机制联合优化生成模型和检测器，以使生成的图像提高检测器的性能。 我们表明，该方法在疾病检测和小数据行人检测这两个具有挑战性的数据集上优于现有技术，将NIH胸部X射线的平均精度提高了20%，定位精度提高了50%。
45720编辑于 2023-10-07 - 来自专栏机器学习、深度学习
人群密度估计--Spatiotemporal Modeling for Crowd Counting in Videos
Spatiotemporal Modeling for Crowd Counting in Videos ICCV2017 针对视频人群密度估计问题，这里主要侧重视频中的 temporal information
1.2K90发布于 2018-01-03 - 来自专栏我的充电站
文献阅读：Should You Mask 15% in Masked Language Modeling?
文献阅读：Should You Mask 15% in Masked Language Modeling? 1. 内容简介 2.
57210编辑于 2022-04-13 - 来自专栏素质云笔记
智能营销增益（Uplift Modeling）模型——模型介绍（一）
文章目录 1 Uplift Modeling与reponse model模型的差异 1.1 增益模型与响应模型的差异 1.2 增益模型与响应模型的混淆 1.3 业务疑问与需求 1.3.1 多维度建模 1.3.2 与reponse model模型的差异 Uplift Modeling在智能营销中非常重要，一般来说个性化营销人群中存在四类： persuadables不发券就不购买、发券才会购买的人群，即优惠券敏感人群 在一个预测模型上再做uplift modeling相当于是在下单意愿高的用户中再筛选persuadable用户，其实实践上没有太大必要。 传统的response model以转化为多分类问题解决，但uplift modeling难以简单转化为多分类问题。 此外，个性化广告推送也依赖长期和短期的用户行为特征构建。 4 实践案例 4.1 优惠券发放Demo 【智能营销增益模型（Uplift Modeling）的原理与实践】一文案例 这里有一个优惠券发放的例子 。
15.6K24编辑于 2021-12-07 - 来自专栏图与推荐
最新综述 | A Review of Graph Neural Networks in Epidemic Modeling
最新综述| A Review of Graph Neural Networks in Epidemic Modeling 自COVID-19疫情爆发以来，基于图神经网络（Graph Neural Networks 综述题目: A Review of Graph Neural Networks in Epidemic Modeling PDF 链接: https://arxiv.org/abs/2403.19852v2 Github 仓库: https://github.com/Emory-Melody/awesome-epidemic-modeling-papers image-20240412125233782
63410编辑于 2024-04-18 - 来自专栏Path Tracking Letters
论文解读——A Full Error Dynamics Switching Modeling and Control ……
《A Full Error Dynamics Switching Modeling and Control Scheme for an Articulated Vehicle》是期刊《International 在论文《A Full Error Dynamics Switching Modeling and Control Scheme for an Articulated Vehicle》发表之前，上述几位作者还在一些会议上发表了简要版本 《A Full Error Dynamics Switching Modeling and Control Scheme for an Articulated Vehicle》的主要研究思路，是将以横坐标
86720发布于 2020-09-01 - 来自专栏函数式编程语言及工具
SDP（9）：MongoDB-Scala - data access and modeling
MongoDB是一种文件型数据库，对数据格式没有硬性要求，所以可以实现灵活多变的数据存储和读取。MongoDB又是一种分布式数据库，与传统关系数据库不同的是，分布式数据库不支持table-join，所以在设计数据库表结构方面与关系数据库有很大的不同。分布式数据库有一套与传统观念不同的数据模式，在设计库表结构时必须从满足各种数据抽取的需要为主要目的。关系数据库设计要求遵循范式模式（normalization）库表结构，在抽取数据时再通过table-join联结关系表。因为分布式数据库不支持table-
1.4K40发布于 2018-03-16 - 来自专栏AIUAI
Caffe2 - (三十) Detectron 之 modeling - 模型_heads
Caffe2 - (三十) Detectron 之 modeling - 模型_heads 1. fast_rcnn_heads.py fast_rcnn_heads.py 里给出了用于 classification future__ import print_function from __future__ import unicode_literals from core.config import cfg from modeling.generate_anchors import generate_anchors from utils.c2 import const_fill from utils.c2 import gauss_fill import modeling.FPN from core.config import cfg from utils.c2 import const_fill from utils.c2 import gauss_fill import modeling.ResNet from core.config import cfg from utils.c2 import const_fill from utils.c2 import gauss_fill import modeling.ResNet
2K70发布于 2018-05-17 - 来自专栏全栈程序员必看
Academic social networks: Modeling, analysis, mining and applications 2019翻译
Academic social networks: Modeling, analysis, mining and applications 摘要： 在快速增长的学术大数据背景下，社交网络技术最近引起了学术界和工业界的广泛关注 Academic social networks: Modeling, analysis, mining and applications[J].
1K30编辑于 2022-09-05 - 来自专栏Python和安全那些事
05.RAID-Cyber Threat Intelligence Modeling Based on GCN
这篇文章将详细介绍北航老师发表在RAID 2020上的论文《Cyber Threat Intelligence Modeling Based on Heterogeneous Graph Convolutional 原文标题：Cyber Threat Intelligence Modeling Based on Heterogeneous Graph Convolutional Network 原文作者：Jun GAN的前世今生（Goodfellow） [AI安全论文] 04.NLP知识总结及NLP论文撰写之道——Pvop老师 [AI安全论文] 05.RAID-Cyber Threat Intelligence Modeling 异构威胁智能建模（Heterogeneous Threat Intelligence Modeling） 使用异构信息网络来建模不同类型的IOC，引入各种元路径捕获异构IOC之间的相互依赖关系，描述更全面的网络威胁事件概况 efficiency of the CTI computing framework: IOC significance ranking (see Section 6.1), attack preference modeling
1.1K20编辑于 2021-12-03 - 来自专栏自然语言处理
【LLM系列之PaLM】PaLM: Scaling Language Modeling with Pathways
PaLM 在decoder-only架构中使用标准的 Transformer 模型架构（即每个时间步只能关注其自身和过去的时间步），并进行以下修改： （1）采用SwiGLU激活函数：用于 MLP 中间激活，因为与标准 ReLU、GELU 或 Swish 激活相比，《GLU Variants Improve Transformer》论文里提到：SwiGLU 已被证明可以显著提高模型效果。
1.4K20编辑于 2023-08-25 - 来自专栏AIUAI
Caffe2 - (三十一) Detectron 之 modeling - FPN 与 optimizer
Caffe2 - (三十一) Detectron 之 modeling - FPN 与 optimizer 1. __ import unicode_literals import collections import numpy as np from core.config import cfg from modeling.generate_anchors import generate_anchors ## from utils.c2 import const_fill from utils.c2 import gauss_fill import modeling.ResNet
1.8K120发布于 2018-05-17 - 来自专栏EmoryHuang's Blog
【论文阅读】Empowering next POI recommendation with multi-relational modeling
【论文阅读】Empowering next POI recommendation with multi-relational modeling Metadata authors:: Zheng Huang 使用耦合的 RNN 相互更新用户和 POI 表示 ---- 前言 2022 年 SIGIR， Empowering next POI recommendation with multi-relational modeling 为了解决上面这些问题，论文提出了 Multi-Relational Modeling (MEMO)，充分利用用户之间的社交关系以及用户与 POI 之间的关系，使用 Graph Convolutional MEMO 模型架构如下图所示： Relation Modeling 图片 感觉论文说得不明不白的，连什么公式都没有。 参考资料 [1] Empowering next POI recommendation with multi-relational modeling
67810编辑于 2022-10-27
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