論文解讀丨無參數的注意力模塊SimAm
摘要：本文提出了一個概念簡單但對卷積神經網絡非常有效的注意力模塊。 本文分享自華為雲社區《論文解讀系列三十：無參數的注意力模塊SimAm論文解讀》，作者：谷雨潤一麥。 摘要 本文提出了一個概念簡單但對卷積神經網絡非常有效的注意力模塊。相比於現有的通道注意力和空間注意力機制，本文直接 ...
原文：論文解讀丨無監督視覺表征學習的動量對比
摘要：本文提出了一個用於無監督視覺表征學習的動量對比方法 MoCo 。從將對比學習作為字典查詢過程的角度來看，本文構建了一個由隊列和移動平均編碼器組成的動態字典。 本文分享自華為雲社區 論文解讀系列二十九：無監督視覺表征學習的動量對比 ，作者：谷雨潤一麥。 摘要 本文提出了一個用於無監督視覺表征學習的動量對比方法 MoCo 。從將對比學習作為字典查詢過程的角度來看，本文構建了一個由隊列和移動平均 ...
2021-11-17 11:54 0 106 推薦指數：
相關推薦
AI論文解讀丨融合視覺、語義、關系多模態信息的文檔版面分析架構VSR
摘要：文檔版式分析任務中，文檔的視覺信息、文本信息、各版式部件間的關系信息都對分析過程具有很重要的作用。本文提出一種融合視覺、文本、關系多模態信息的版式分析架構VSR。 本文分享自華為雲社區《論文解讀系列十八：融合視覺、語義、關系多模態信息的文檔版面分析架構VSR》，作者： 小菜鳥chg ...
深度學習-無監督
原：http://www.cnblogs.com/DjangoBlog/p/6476332.html 綜述 如果已經有一個足夠強大的機器學習算法，為了獲得更好的性能，最靠譜的方法之一是給這個算法以更多的數據。機器學習界甚至有個說法：“有時候勝出者並非有最好的算法，而是有更多的數據 ...
深度學習——無監督，自動編碼器——盡管自動編碼器與 PCA 很相似，but自動編碼器既能表征線性變換，也能表征非線性變換；而 PCA 只能執行線性變換
自動編碼器是一種有三層的神經網絡：輸入層、隱藏層（編碼層）和解碼層。該網絡的目的是重構其輸入，使其隱藏層學習到該輸入的良好表征。 自動編碼器神經網絡是一種無監督機器學習算法，其應用了反向傳播，可將目標值設置成與輸入值相等。自動編碼器的訓練目標是將輸入復制到輸出。在內部，它有一個描述用於 ...
論文解讀丨文檔結構分析
摘要：一個端到端的文檔結構分析方案（DocParser），對文檔（掃描版、圖片版等）進行結構提取，包括實體識別（這里實體指所有需要檢測的元素，包括文本、行、列、單元格等）和關系分類。 本文分享自華為雲社區《論文解讀系列十五：文檔結構分析》，原文作者：一笑傾城。 1 文章摘要 提出 ...
論文解讀丨表格識別模型TableMaster
摘要：在此解決方案中把表格識別分成了四個部分：表格結構序列識別、文字檢測、文字識別、單元格和文字框對齊。其中表格結構序列識別用到的模型是基於Master修改的，文字檢測模型用到的是PSENet，文字識別用到的是Master模型。 本文分享自華為雲社區《論文解讀二十八：表格識別模型 ...
自監督學習(Self-Supervised Learning)多篇論文解讀（上）
自監督學習(Self-Supervised Learning)多篇論文解讀（上） 前言 Supervised deep learning由於需要大量標注信息，同時之前大量的研究已經解決了許多問題。所以近期大家的研究關注點逐漸轉向了Unsupervised learning，許多頂 ...
自監督學習(Self-Supervised Learning)多篇論文解讀（下）
自監督學習(Self-Supervised Learning)多篇論文解讀（下） 之前的研究思路主要是設計各種各樣的pretext任務，比如patch相對位置預測、旋轉預測、灰度圖片上色、視頻幀排序等等。CVPR19和ICCV19上，Google Brain的幾個研究員發表了兩篇論文 ...