DL训练数据集 归纳

HALCON 21.11：深度学习笔记---分类(10) HALCON 21.11.0.0中，实现了深度学习方法。 本章介绍了如何在训练和推理阶段使用基于深度学习的分类。 基于深度学习的分类是一种对一幅图像分配一组置信值的方法。这些置信度值表明图像属于每个可分辨类的可能性有多大。如果我们只考虑顶部的预测，分类就是在给定的类集合中指定一个特定的类给一幅图像。下面的模式说明了这一点。 分类示例： 网络区分三个类别. 输入图像获得三个可分辨类的置信值:“apple”0.85、“lemon”0.03和.

Paper：https://openaccess.thecvf.com/content_iccv_2013/papers/Burgos-Artizzu_Robust_Face_Landmark_2013_ICCV_paper.pdf Dataset:https://data.caltech.edu/records/20099 动机 在这篇文章中，作者为了解决面部关键点估计时的遮挡和形状的差异问题，提出了一种名为RCPR( Robust Cascaded Pose Regression)的方法，在...

halcon深度学习里，用到了很多封装好的函数，都很实用。如果要想更好的理解深度学习的过程。我需要首先理解这些库函数，所以我今天开始再搞一个系列《halcon深度学习之那些封装好的库函数》

文章目录一、前言二、分类常用数据集(1)海伦约会(2)iris鸢尾花数据集(3)垃圾邮件过滤(4)cifar10/100数据集(6)mnist数据集三、聚类常用数据集(1)Kmean-dataset四、回归常用数据集(1)Boston房屋价格预测五、分割常用数据集(1)视网膜血管六、其他数据集(1)FERET_80_80人脸数据库(2)FACES人脸数据库一、前言数据集不定时更新，欢迎大家分享更多...

GraphAny：任意图上的完全归纳节点分类 项目介绍 GraphAny是一个用于节点分类的完全归纳模型。该模型具有独特的能力，即在一个图上训练后，可以应用于任意其他图上的节点分类任务，无论这些图具有何种特征和标签空间。GraphAny遵循预训练-推理模式，其表现优于许多为特定图专门训练的传递模型（如MLP、GCN和GAT）。通过从头开始训练，GraphAny可以在30个数据集上进行推理，表现出色...

因为卷积神经网络有两个归纳偏置（inductive biases）,即先验知识，locality（相邻的区域会有相邻的特征），translation equivariance（平移等变性）.但ViT在足够大规模的数据集上预训练，在下游任务上获得很好的迁移学习效果。在Transformer的编码器（Encoder）中，为什么每个Encoder层里有一个MLP（前馈全连接网络，Feed-Forward Network, FFN）？词向量不变会有什么影响呢，只学习其他参数不行吗，词向量变又有什么好处呢？

文章信息《Few-shot Traffic Prediction with Graph Relational Inductive Biases》，香港理工大学团队发表，近期投稿在AAAI Press上的一篇文章。摘要准确的短期交通量预测在各种智能移动运营管理系统中起着举足轻重的作用。目前，大多数最先进的预测模型都是基于图卷积网络(GCN)的，所需的训练样本与流量网络的规模成正比。在许多城市，由于数...

关于深度学习在目标跟踪领域的学习心得 目标跟踪算法可以被分为产生式（generative model）和判别式（discriminative model）两大类别，产生式方法运用生成模型描述目标的表观特征，之后通过搜索候选目标来最小化重构误差；判别式方法通过训练分类器来区分目标和背景。在现实情况中，由于目标跟踪只提供第一帧的bounding box，且具有不确定性，在遮挡、旋转、光照变换等情况下...

西瓜书* 南瓜书 * 机器学习 * 周志华 * 第一章 * 学习小结 第一章 绪论 1.1 绪论 通过一个关于 瓜 的故事引入了对于机器学习这门课的学习。 机器学习正是这样一门学科，它致力于研究如何通过计算的手段，利用经验来改善系统自身的性能。 1.2基本术语 数据集 data set 示例 instance 样本 sample 属性 attribute 特征 feature 属性值 attribute value 属性空间 attribute space 样本空间 sampl

迁移学习是当前深度学习领域的一系列通用的解决方案，而不是一个具体的算法模型。Pre-training + fine-tuning（预训练+调参） 的迁移学习方式是现在深度学习中一个非常流行的迁移学习方式，尤其是以图像领域为代表，很多时候会选择预训练的 ImageNet对模型进行初始化。 在迁移学习中，有几个概念，domain（域）和task（任务） 、source（源） 和target（目标）需要理清楚。- domain：一般指的是特征空间和概率分布 - task:包含标记空间和目标预测函数- source

摘要：内容主要是啃“西瓜书和南瓜书”——绪论部分的笔记和总结

transformer吸引了人们对计算机视觉越来越多的兴趣，但它们仍然落后于最先进的卷积网络。在这项工作中，我们表明，虽然transformer往往具有更大的模型容量，但由于缺乏正确的归纳偏差，它们的泛化可能比卷积网络更差。为了有效地结合这两种架构的优势，我们提出了CoAtNets(念作“coat”nets)，这是一个混合模型家族，基于两个关键观点构建:(1)深度卷积和自我注意力可以通过简单的相对注意力自然统一;(2)卷积层和注意层按原则垂直叠加，在提高泛化能力、容量和效率方面具有惊人的效果。

背景 本篇是从认知角度针对VQA领域中Bias现象的一些思考，特此记录下来。 VQA中的Bias一般指的是 语言偏置(Language Bias)，它会使得模型在回答问题时依赖于问题与答案之间的表面相关性，忽视图像信息。 一个比较经典的例子是，对于问题“图中的香蕉是什么颜色？”，尽管图中所给香蕉是尚未成熟的“绿色”，模型依旧会倾向于预测“黄色”。 坏的偏置 好的上下文 在论文CF-VQA中，作者是这样解读语言偏置(Language Bias)的。 We argue that the language p

时态图网络(TGN)，一种高效处理动态图的深度学习框架。针对现有方法难以捕捉连续时间动态图演化的缺陷，TGN创新性地结合了记忆模块和时序图注意力机制：1）为每个节点维护可更新的记忆向量；2）通过时序注意力聚合邻居信息；3）采用原始消息存储策略避免信息泄露。实验表明，TGN在多个数据集上显著优于现有方法（最高提升11%），同时训练速度快30倍。该框架统一了多种动态图学习方法，为社交网络分析、推荐系统等应用提供了强大工具。

记录西瓜书学习心得以及课后习题的思考与参考答案。

神经网络是一种人工智能方法，用于教计算机以受人脑启发的方式处理数据。这是一种机器学习过程，称为深度学习，它使用类似于人脑的分层结构中的互连节点或神经元。它可以创建自适应系统，计算机使用该系统来从错误中进行学习并不断改进。因此，人工神经网络可以尝试解决复杂的问题，例如更准确地总结文档或人脸识别。

什么是直推式学习