- 综合排序
- 最热优先
- 最新优先
- 来自专栏未竟东方白
【论文笔记】《A LocalGlobal Approach to Mesh Parameterization》的思路
本文简单介绍了08年刘利刚著名的网格参数化论文《A Local/Global Approach to Mesh Parameterization》, 其尽可能刚性地完成了对三角网格的参数化处理, 效果很不错 /blob/main/Content/%E8%AE%BA%E6%96%87%E7%AC%94%E8%AE%B0/A%20Local%20Global%20Approach%20to%20Mesh%20Parameterization 文章中采用了05年文章Free-boundary linear parameterization of 3D meshes in the presence of constraints进行后处理消除三角形反转问题 J.: Free-boundary linear parameterization of 3D meshes in the presence of constraints. In Proc. YANG Y., KIM J., LUO F., HU S., GU X.: Optimal surface parameterization using inverse curvature map.
2.6K40发布于 2021-03-08 - 来自专栏CVer
ICML 2021 | 稀疏训练新方法：In-Time Over-Parameterization
稀疏训练中过参数化平替: Do We Actually Need Dense Over-Parameterization? In-Time Over-Parameterization in Sparse Training https://arxiv.org/abs/2102.02887 2. 01 背景 过参数化 (Over-Parameterization) 已经被很多研究者在实践和理论上证明是神经网络成功的重要因素。 在这里，我们提出了“时间序列上的过参数 (In-Time Over-Parameterization, ITOP)”来做为Over-Parameterization的平替。 05 未来工作 作为Dense Over-Parameterization的平替，ITOP应该可以解决很多Dense Over-Parameterization带来的问题。欢迎各路大神一起交流合作。
1.6K20发布于 2021-06-09 - 来自专栏AIWalker
80.97%@Plain，重参数思想再续新篇章RepNAS=Re-parameterization+NAS
---- Re-parameterization Neural Architecture Search 我们首先对所提RepNAS进行整体性介绍并讨论与其他NAS方案的区别，然后提出一种基于Rep技术的搜索空间
94030发布于 2021-09-17 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
Google Earth Engine——GFS全球天气预报模型数据集：384小时的预测，预测间隔为3小时，以6小时的时间分辨率进行（每天更新4次）
Kim. 2004: Impact of a Convectively Forced Gravity Wave Drag Parameterization in NCAR CCM3. J. Curry, 1992: A parameterization of ice cloud optical properties for climate models. J. Geophys. Campana, 2002: Parameterization of Solar Radiation Transfer in the NCEP Models, NCEP Office Note #441 Stamnes, 1993: An accurate parameterization of the radiative properties of water clouds suitable for Arakawa (1995), Improvement of orographic gravity wave parameterization using a mesoscale gravity-wave
1.8K10编辑于 2024-02-02 - 来自专栏桃花源记
深度学习模型交叉特征建模不理想？试试DCNv2[论文笔记&源码解读]
**l2_reg**: 正则系数 - **seed**: 随机种子 """ def __init__(self, in_features, layer_num=2, parameterization __init__() self.layer_num = layer_num self.parameterization = parameterization # 参数声明 if self.parameterization == 'vector': # DCN # weight in DCN. = inputs.unsqueeze(2) x_l = x_0 for i in range(self.layer_num): if self.parameterization x_0 * dot_ # x0 · (W * xi + b) Hadamard-product else: # error print("parameterization
2.4K20发布于 2021-01-05 - 来自专栏3D视觉从入门到精通
一文详解bundle adjustment
优化相机内参及畸变系数,pose subset parameterization(pose 信息部分参数优化)和3D landmark,当 只优化姿态信息时候,problem需要添加的代码如下: { // 主要用到ceres的SubsetParameterization函数 ceres::SubsetParameterization *subset_parameterization SubsetParameterization(6, vec_constant_extrinsic); problem.SetParameterization(parameter_block, subset_parameterization ); } 优化相机内参及畸变系数,pose subset parameterization(pose 信息部分参数优化)和3D landmark,当 只优化位置信息时候,problem需要添加的代码如下 vec_constant_extrinsic.empty()) { ceres::SubsetParameterization *subset_parameterization
1.6K20发布于 2020-12-11 - 来自专栏AIWalker
CVPR2022 | DyRep让重参数化机制动态调整，涨点同时还减少训练耗时
结构重参数(Structural Re-parameterization)已在多领域证实了其优秀的"涨点"优势 已有的方案均是对所有操作通过重参数机制进行结构增广，这种“静态”处理机制会导致了昂贵的训练代价 为解决该问题，本文设计了一种DyRep(Dynamic Re-parameterization)方案以最小代价引导训练，DyRep将重参数技术编码到训练过程中对网络结构进行动态进化。 对其参数进行如下处理 image.png De-parameterizing for Better Efficiency 除了对最重要的分支进行重参数扩展外，我们还需要不重要的分支进行去冗余，称之为de-parameterization
1.1K20编辑于 2022-04-27 - 来自专栏计算机视觉工坊
一文详解bundle adjustment
优化相机内参及畸变系数,pose subset parameterization(pose 信息部分参数优化)和3D landmark,当 只优化姿态信息时候,problem需要添加的代码如下: { // 主要用到ceres的SubsetParameterization函数 ceres::SubsetParameterization *subset_parameterization SubsetParameterization(6, vec_constant_extrinsic); problem.SetParameterization(parameter_block, subset_parameterization ); } 优化相机内参及畸变系数,pose subset parameterization(pose 信息部分参数优化)和3D landmark,当 只优化位置信息时候,problem需要添加的代码如下 vec_constant_extrinsic.empty()) { ceres::SubsetParameterization *subset_parameterization
1.4K10发布于 2020-12-11 - 来自专栏小小挖掘机
推荐系统遇上深度学习(一三二)-[阿里]点击率预估中的自适应参数生成网络
Low-rank parameterization降低复杂度 论文采用了Low-rank parameterization的方式，将网络参数Wi拆解为三个矩阵： Ui,Si,Vi的维度分别为N*K，K Parameter sharing学习共性模式 背景中提到，APG需要解决两方面的挑战，上述Low-rank parameterization的方式，使得模型的计算和存储更加高效。 Over Parameterization提升模型表达能力 虽然已经解决了APG所面临的两方面的挑战，但是共享的矩阵U和V由于维度K的限制（K<<min(N,M)），在一定程度上约束了模型的表达能力，因此论文提出了一种过度参数化 (Over Parameterization)的方法，进一步将矩阵U和V拆解为两个大矩阵的相乘： 尽管使用了过度参数化的方法，但模型训练完成后，可以直接存储V和U，不必存储对应的拆分的大矩阵，因此并没有带来额外的线上的预测耗时和存储空间
1.4K40编辑于 2022-05-25 - 来自专栏算法和应用
用于整数规划的行不变参数化算法
We consider a parameterization of the constraint matrix by a matroid parameter called branch-depth, which The parameterization by branch-depth cannot be replaced by the more permissive notion of branch-width
82020发布于 2019-07-18 - 来自专栏好奇心Log
数值模式常用参数化方案简析及引用文献
S. (2004) The Kain-Fritsch convective parameterization: An update. J. Appl. Meteorol. 43: 170-181. M.Fritsch (1990) A one-dimensional entraining detraining plume model and itsapplication in convective parameterization M.Fritsch (1993) Convective Parameterization for Mesoscale Models: The Kain-Frisch Scheme. A Revised Approach to Ice Microphysical Processes for the Bulk Parameterization of Clouds and Precipitation
2.8K20发布于 2021-02-19 - 来自专栏阿泽的学习笔记
【Pre-Training】ALBERT：轻量级 BERT，又轻又好
ALBERT 提出了两种降低参数的技术，包括 factorized embedding parameterization 和 cross-layer parameter sharing。 2.1 Factorized embedding parameterization 我们先来看 Token embedding projection 模块。 4.Conclusion 总结：ALBERT 设计了 factorized embedding parameterization 和 cross-layer parameter sharing 两种方式分别对模型的两个部分降低参数
1.3K31发布于 2020-07-21 - 来自专栏计算机视觉理论及其实现
Latex 如何给通讯作者加*号
\usepackage{multirow}\begin{document}\baselineskip11pt\begin{frontmatter}\title{Deep Learning-based Parameterization
16.1K30编辑于 2022-09-02 - 来自专栏全栈程序员必看
初次尝试使用VisualSFM记录
保存整个工程和文件； 2.5 修复流形边 Filter-> Selction ->Slect non Manifold Edges 执行完成之后，再点一次下面的两个按钮，删除之： 2.6 参数化（Parameterization ） Filter–> Texture –> Parameterization from registered rasters Apply！
1.7K10编辑于 2022-08-31 - 来自专栏翻译scikit-learn Cookbook
Directly applying Bayesian ridge regression直接使用贝叶斯岭回归
Here are some of the different shapes the gamma distribution can take given the different parameterization techniques for location and scale. 1e-06 is the default parameterization of BayesianRidge in scikit-learn
1.7K10发布于 2019-11-18 - 来自专栏EmoryHuang's Blog
【论文阅读】ALBERT:A lite BERT for self-supervised learning of language representations
激活函数，与 BERT 相比 ALBERT 主要做了如下三点改变： A Lite BERT (ALBERT)使用了两种减少参数的方法来降低模型大小和提高训练速度： Factorized embedding parameterization 模型架构 Factorized embedding parameterization 论文发现，在 BERT 以及后续提出的 XLNet 和 RoBERTa 这些预训练模型中，都将 图片 （embedding
77020编辑于 2022-10-31 - 来自专栏算法工程师的学习日志
MATLAB系统辨识工具箱
Parameterization: Number of poles: 2 Number of zeros: 0 Number of free coefficients: 3 Use
1.8K20编辑于 2022-07-27 - 来自专栏全栈程序员必看
Windows下使用VisualSFM + CMVS/PMVS + MeshLab进行三维重建
参数化（Parameterization） Filter–> Texture –> Parameterization from registered rasters。 **：6和7其实可以合为一步： Filter –> Texturing –>Parameterization + texturing from registered rasters. 8.
5.8K21编辑于 2022-08-31 - 来自专栏CreateAMind
NVAE介绍
ii) We propose a new residual parameterization of the approximate posteriors.
1.2K20发布于 2020-07-14 - 来自专栏GEE数据专栏，GEE学习专栏，GEE错误集等专栏
BDSNP Module——用于改善CMAQ模型中土壤氮氧化物（NO）排放估计的模块
Fortran source files Filename Description BDSNP_MOD_EPIC.F Gives soil NO parameterization as given by been modified to give the option to calculate soil NO emission either from Yienger and Levy (1995) parameterization
16010编辑于 2025-02-18
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