草庐IT

deep-dream

全部标签

自定义ava数据集及训练与测试 完整版 时空动作/行为 视频数据集制作 yolov5, deep sort, VIA MMAction, SlowFast

前言这一篇博客应该是我花时间最多的一次了,从2022年1月底至2022年4月底。我已经将这篇博客的内容写为论文,上传至arxiv:https://arxiv.org/pdf/2204.10160.pdf欢迎大家指出我论文中的问题,特别是语法与用词问题在github上,我也上传了完整的项目:https://github.com/Whiffe/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset关于自定义ava数据集,也是后台私信我最多的,也是我想完成的。下面是我在知乎、B站的同步内容:知乎:https://zhuanla

(CVPR 18) FoldingNet: Point Cloud Auto-encoder via Deep Grid Deformation

FoldingNet[1]提出了一种点云自编码器结构,属于自监督学习的范畴,可以将输入点云投影(即特征降维)至具有丰富语义信息的高维空间中,形成高维特征向量(文中用“codeword”指代),即编码过程。接着通过解码网络将高维特征向量恢复得到高维度的输入点云。如下图所示,对于input输入点云,首先经过特征编码形成codeword(不是图中的2Dgrid),接着进行两次folding操作,恢复得到与输入点云相似的输出点云:WhatisFoldingOperation?作者在文中指出,从直觉上来说,任何三维空间表面结构都可以通过“裁剪”,“挤压”,“屈伸”等操作转换成二维平面表示,因此以上操作的

(CVPR 18) FoldingNet: Point Cloud Auto-encoder via Deep Grid Deformation

FoldingNet[1]提出了一种点云自编码器结构,属于自监督学习的范畴,可以将输入点云投影(即特征降维)至具有丰富语义信息的高维空间中,形成高维特征向量(文中用“codeword”指代),即编码过程。接着通过解码网络将高维特征向量恢复得到高维度的输入点云。如下图所示,对于input输入点云,首先经过特征编码形成codeword(不是图中的2Dgrid),接着进行两次folding操作,恢复得到与输入点云相似的输出点云:WhatisFoldingOperation?作者在文中指出,从直觉上来说,任何三维空间表面结构都可以通过“裁剪”,“挤压”,“屈伸”等操作转换成二维平面表示,因此以上操作的

Dream的好书推荐(一)

前言:技术书籍是学习技术知识的重要资源之一。读技术书可以帮助我们学习新技能和知识,技术书籍提供了可靠的、全面的信息,帮助我们快速学习新技能和知识。同时技术书籍有助于保持你的竞争力,因为它们提供了最新的技术知识和实践。这在当今快速发展的技术领域尤为重要,不断学习新知识和技能才能保持竞争力。总之,读技术书对于学习技术知识、提高职业素养和保持竞争力都非常重要。Dream联合金主爸爸给大家送书啦!本期为大家带来的是《元宇宙Ⅱ:图解元技术区块链、元资产与Web3.0、元人与理想国(全三册)》,再次感谢北京大学出版社的大力支持;为Dream粉丝带来的丰厚福利。元宇宙Ⅱ:图解元技术区块链、元资产与Web3.

Dream的好书推荐(一)

前言:技术书籍是学习技术知识的重要资源之一。读技术书可以帮助我们学习新技能和知识,技术书籍提供了可靠的、全面的信息,帮助我们快速学习新技能和知识。同时技术书籍有助于保持你的竞争力,因为它们提供了最新的技术知识和实践。这在当今快速发展的技术领域尤为重要,不断学习新知识和技能才能保持竞争力。总之,读技术书对于学习技术知识、提高职业素养和保持竞争力都非常重要。Dream联合金主爸爸给大家送书啦!本期为大家带来的是《元宇宙Ⅱ:图解元技术区块链、元资产与Web3.0、元人与理想国(全三册)》,再次感谢北京大学出版社的大力支持;为Dream粉丝带来的丰厚福利。元宇宙Ⅱ:图解元技术区块链、元资产与Web3.

标签噪声:综述 Learning from Noisy Labels with Deep Neural Networks: A Survey

原文链接:https://arxiv.org/pdf/2007.08199.pdfgithub链接:GitHub-songhwanjun/Awesome-Noisy-Labels:ASurvey(本文仅做阅读笔记之用,如需了解细节可自行查看原文,翻译不周之处,敬请指正)1.Introduction据统计真实世界的数据集中存在的标注噪声范围在8%到38.5%。深度神经网络(DNN)因为具有很强的拟合能力,所以很容易对噪声标签过拟合。正则化技术(如数据增强,权重衰减,dropout,批次正则化(BN)等)虽然能缓解过拟合问题,但是光靠正则化并不能完全克服过拟合。如fig.1就形象地说明了这个问题:

标签噪声:综述 Learning from Noisy Labels with Deep Neural Networks: A Survey

原文链接:https://arxiv.org/pdf/2007.08199.pdfgithub链接:GitHub-songhwanjun/Awesome-Noisy-Labels:ASurvey(本文仅做阅读笔记之用,如需了解细节可自行查看原文,翻译不周之处,敬请指正)1.Introduction据统计真实世界的数据集中存在的标注噪声范围在8%到38.5%。深度神经网络(DNN)因为具有很强的拟合能力,所以很容易对噪声标签过拟合。正则化技术(如数据增强,权重衰减,dropout,批次正则化(BN)等)虽然能缓解过拟合问题,但是光靠正则化并不能完全克服过拟合。如fig.1就形象地说明了这个问题:

vue 之 CSS进行样式穿透的方法(/deep/、::v-deep、>>> 、:deep、额外的全局<style>)

一、简介在很多vue的组件库,如vant,elementUI,iview等都可能自定义一些样式文件,如果我们在项目中引入了样式组件或者通过v-html渲染了数据,然后想要去修改他们内部的某元素的样式,直接修改样式很可能不起作用,修改无效,但如果直接去掉scoped话又会影响全局样式,令人头疼。本文是介绍:样式穿透和额外的全局的方式来解决该问题。二、具体实例以v-html渲染的数据为例:页面初始样式:div> 父组件 divclass='parent'id='parent'v-html="html">div>div>data(){return{html:'div>这是通过v-html渲染的元素b

vue 之 CSS进行样式穿透的方法(/deep/、::v-deep、>>> 、:deep、额外的全局<style>)

一、简介在很多vue的组件库,如vant,elementUI,iview等都可能自定义一些样式文件,如果我们在项目中引入了样式组件或者通过v-html渲染了数据,然后想要去修改他们内部的某元素的样式,直接修改样式很可能不起作用,修改无效,但如果直接去掉scoped话又会影响全局样式,令人头疼。本文是介绍:样式穿透和额外的全局的方式来解决该问题。二、具体实例以v-html渲染的数据为例:页面初始样式:div> 父组件 divclass='parent'id='parent'v-html="html">div>div>data(){return{html:'div>这是通过v-html渲染的元素b

css深度选择器deep

1.为什么要有deep1.当我们给组件设置scoped的时候,此时我们组件的css样式只会对自己的内容生效,不会对子组件里面的内容生效。 .login-page{min-height:100vh;background:url(@/assets/login-bg.svg)no-repeatcenter/cover;display:flex;align-items:center;justify-content:space-around;.el-card{width:420px;/*这个选择器不生效*/.el-card__header{height:80px;background:rgba(114,