- 综合排序
- 最热优先
- 最新优先
- 来自专栏云计算与大数据
Network Address Translation
With Network Address Translation (NAT), IP addresses are mapped from one realm to another, in an attempt There are many variations of address translation. The NAT box is assigned two globally unique IP addresses (145.67.8.3 and 145.67.8.4) for address translation For IP packets on the return path, a similar address translation is required.
79320发布于 2019-09-10 - 来自专栏学海无涯
iOS开发之Translation API
需要导入Translation模块。 案例 import SwiftUI import Translation struct ContentView: View { @State private var showTranslation = false @State private var originalText = "Using Translation API in your App after iOS 17.4" 需要导入Translation模块。 案例 import SwiftUI import Translation struct ContentView: View { @State private var article = "iOS
51510编辑于 2025-02-10 - 来自专栏学海无涯
iOS开发之Translation API
需要导入Translation模块。 ContentView: View { @State private var showTranslation = false @State private var originalText = "Using Translation 需要导入Translation模块。
75310编辑于 2024-11-20 - 来自专栏mathor
Neural Machine Translation 论文阅读
这是2015年发表在ICLR上的论文，也是NLP中Attention机制的开山之作，Attention机制是为了解决一般的RNN Encoder-Decoder对长句子表现不佳的问题而设计的。从论文题目中我们可以看到，作者希望通过Attention机制将输入句子input和输出句子output进行"对齐"（SMT中也有所谓的词对齐模型）。但是，由于不同语言的句法语法结构千差万别，想将源句子与翻译句子严格的对齐是很困难的，所以这里的对齐实际上是软对齐（soft-alignment），也就是不必将源句子显式分割，因而又被形象地称为注意力机制（Attention Mechanism）
89010发布于 2020-03-17 - 来自专栏计算机视觉理论及其实现
Multimodal UnsupervisedImage-to-Image Translation
无监督图像到图像的翻译是计算机视觉中一个重要且具有挑战性的问题。给定源域中的图像，目标是学习目标域中相应图像的条件分布，而不需要看到任何相应图像对的示例。虽然这种条件分布本质上是多模式的，但现有的方法过于简化了假设，将其建模为确定性的一对一映射。因此，它们无法从给定的源域图像生成不同的输出。为了解决这一限制，我们提出了一种多模式无监督图像到图像翻译（MUNIT）框架。我们假设图像表示可以分解为域不变的内容代码和捕获域特定属性的样式编码。为了将图像翻译到另一个域，我们将其内容编码与从目标域的样式空间采样的随机样式代码重新组合。我们分析了所提出的框架，并建立了几个理论结果。与最先进的方法进行比较的大量实验进一步证明了所提出的框架的优势。此外，我们的框架允许用户通过提供示例风格图像来控制翻译输出的风格。
46630编辑于 2023-10-07 - 来自专栏机器学习与生成对抗网络
聊聊 image translation 的翻译
image translation image translation是GAN里面非常火热的应用任务，指的是将某种图像域转换到另一种图像域。 translation"一词有诸多意思，包括了“翻译/译文/译本/译作/转变/转换"等，显然image translation指的是两种不同图像域/风格的转换，故直接译作“图像转换”即可。 显然，image translation这个任务和“语言”丝毫无关，译作“图像翻译”是非常不合理的。 你也许可以说，我这里引申“翻译”为两种不同形式的转换不行吗？没必要和语言相关啊！
61720编辑于 2022-10-31 - 来自专栏计算机视觉理论及其实现
Unsupervised Image-to-Image Translation Networks
大多数现有的图像到图像翻译框架——将一个域中的图像映射到另一个域的对应图像——都是基于监督学习的，即学习翻译函数需要两个域中对应的图像对。这在很大程度上限制了它们的应用，因为在两个不同的领域中捕获相应的图像通常是一项艰巨的任务。为了解决这个问题，我们提出了基于变分自动编码器和生成对抗性网络的无监督图像到图像翻译（UNIT）框架。所提出的框架可以在没有任何对应图像的情况下在两个域中学习翻译函数。我们通过结合权重共享约束和对抗性训练目标来实现这种学习能力。通过各种无监督图像翻译任务的可视化结果，我们验证了所提出的框架的有效性。消融研究进一步揭示了关键的设计选择。此外，我们将UNIT框架应用于无监督领域自适应任务，并取得了比基准数据集中的竞争算法更好的结果。
1K60编辑于 2023-11-21 - 来自专栏民工哥技术之路
网络基础——NAT（Network Address Translation）
前面民工哥说过，路由基础的东东，其实路由的基础配置远远不止那么些内容，比如今天说的NAT 也是其中之一
82630发布于 2020-09-16 - 来自专栏Zachary46
Genymotion ARM Translation安装教程
解决方法 安装ARM Translation tool，下载地址：https://pan.baidu.com/s/1avtstHJihIFS8JGJUYbXLg，把下载下来的Genymotion-ARM-Translation.zip
4.2K116发布于 2018-09-12 - 来自专栏计算机视觉理论及其实现
One-Shot Unsupervised Cross Domain Translation
我们提出的方法被称为OST（One Shot Translation），它不对称地使用这两个领域，并采用两个步骤。
31820编辑于 2023-10-07 - 来自专栏技术圈
Netural Machine Translation By Joinly Learning To Align And Translate
参考论文：Netural Machine Translation By Joinly Learning To Align And Translate 这篇论文应该是attention系列论文的鼻祖论文了
60320发布于 2019-08-22 - 来自专栏JNing的专栏
深度学习: translation invariant (平移不变性)
以下摘自池化-ufldl： 如果人们选择图像中的连续范围作为池化区域，并且只是池化相同(重复)的隐藏单元产生的特征，那么，这些池化单元就具有平移不变性 (translation invariant
2.1K30发布于 2018-09-27 - 来自专栏JAVA
IDEA之翻译器的妙用Translation
Translation 1.下载插件 我们找到到setting 里面查找组件plugins中下载Translation插件；（如果大家也有找不到组件换个网络） 下载之后重启即可看到我们安装的插件我本地 谷歌比较良心； 我们选择完之后点击：apply – 》ok 保存即可； 3.插件的使用 3.1选中之后我们点击右键选中Translate Selection即可； 3.2快捷键翻译： 由于idea的Translation
57000编辑于 2024-11-20 - 来自专栏计算机视觉理论及其实现
Diverse Image-to-Image Translation via Disentangled Representations
摘要：图像到图像的翻译主要学习两个视觉域之间的映射关系。主要有两个挑战：1）缺少对齐的成对的训练数据2）和对于一个输入图片的多种可能输出。这篇文章中，提出了基于解开表示disentangled representation的，在没有成对训练数据情况下，产生多样的输出。为了实现多样性，将图片分解为两个空间：一个域不变的内容空间来捕捉不同域之间的共享信息，和属性空间的特殊域。此模型从给定图片中提取解码的内容特征以及从属性空间中采样的属性向量来在测试阶段产生多样性图片。为了解决数据不成对问题，我们提出了一个新的基于解开表示的交叉循环一致性损失cross-cycle consistency loss。质量评估显示在没有成对训练数据的情况下我们能生成多样真实的图片。在量化比较中，我们用用户学习来评价真实性以及用感知距离度量来评价多样性。在MNIST-M和LineMod数据集上的应用性与其他先进算法的比较中具有有竞争力的表现。
2.1K10编辑于 2022-09-02 - 来自专栏小简技术栈
IDEA翻译插件(Translation)不能用啦？
不知道大家最近有没有发现，Translation不能用了。 因为Google那边的原因，这个插件的接口，访问不通了。 我当时本来是打算寻找一些替代品，比如：有道。
3.6K41编辑于 2022-10-28 - 来自专栏超然的博客
Content to Node: Self-Translation Network Embedding
步骤二的目的是得到中间层的潜在转换（ 是可用于复杂网络分析 ） 更详细的总结 Self-Translation Network Embedding 阅读笔记
63410发布于 2018-12-04 - 来自专栏技术博文
PhpStorm插件推荐-中英翻译插件(Translation)
一、插件安装 打开PhpStorm,分别依次点击File | Settings | Plugins，然后搜索Translation,点击进行安装 二、插件使用 安装完插件后，重启PhpStorm 2.1
1.4K30编辑于 2022-03-25 - 来自专栏猫头虎博客专区
IDEA 2022 Translation 翻译文档失败: 未知错误
File | Settings | Tools | Translation jetbrains://idea/settings?name=Tools–Translation 1.
60810编辑于 2024-04-08 - 来自专栏计算机视觉理论及其实现
Towards Instance-level Image-to-Image Translation
非配对图像到图像的翻译是一个新兴的、具有挑战性的视觉问题，旨在学习不同领域中未对准图像对之间的映射。该领域的最新进展，如MUNIT和DRIT，主要集中在首先从给定图像中解开内容和风格/属性，然后直接采用全局风格来指导模型合成新的领域图像。然而，如果目标域图像内容丰富且包含多个不一致的对象，则这种方法会严重导致矛盾。在本文中，我们提出了一种简单而有效的实例感知图像到图像的翻译方法（INIT），该方法在空间上对目标图像采用细粒度的局部（实例）和全局风格。拟议的INIT具有三个重要优势： （1） 实例级的客观损失可以帮助学习更准确的重建，并结合对象的不同属性；（2） 局部/全局区域的目标域所使用的样式来自源域中相应的空间区域，直观上是一种更合理的映射；（3） 联合训练过程既有利于细化粒度，也有利于粗粒度，并结合实例信息来提高全局翻译的质量。我们还为新的实例级翻译任务收集了一个大规模的基准。我们观察到，我们的合成图像甚至可以帮助完成真实世界的视觉任务，如一般物体检测。
61010编辑于 2023-10-07 - 来自专栏Soul Joy Hub
论文阅读：《Neural Machine Translation by Jointly Learning to Align and Translate》
https://blog.csdn.net/u011239443/article/details/80521026 论文地址：http://pdfs.semanticscholar.org/071b/16f25117fb6133480c6259227d54fc2a5ea0.pdf
1.4K20发布于 2019-02-13
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