3 Jemary_

尚未进行身份认证

暂无相关简介

等级
TA的排名 11w+

[Paper Note] MixNet: Mixed Depthwise Convolutional Kernals

abstractMixNet这篇文章系统研究了不同尺寸的卷积核对于最终结果的影响,提出了一个混合深度卷积(MDConv),在一个卷积中混合了多个卷积核尺寸。然后把MDConv集成到AutoML的搜索空间,构建了MixNets。不同卷积核尺寸对模型的影响如下:MDConvarchitecture因为不同大小的卷积核捕捉的模式不同,特征不同,所以把通道分成多组,每组通道使用不同尺寸的卷积...

2019-07-28 16:33:02

[Paper Note] Meta-SR A Magnification-Arbitrary Network for Super-Resolution

Summary这篇文章的创新点在于提出了Meta-UpscaleModule这个模块,实现了任意尺寸的放大(当然这篇论文做的主要是x1-x4的倍数),核心思想是HR和LR图片之间实际上是一个缩放关系,有一个缩放因子r。LR的像素通过一组滤波器权重可以映射到SR上,所以找到SR图片和LR图片的像素映射,训练出滤波器权重。(1)ISR(i,j)=Φ(FLR(i′,j′),w(i,j))\mat...

2019-07-23 21:32:10

DataLoader windows平台下 多线程读数据报错 | BrokenPipeError: [Errno 32] Broken pipe | freeze_support()

DataLoader多线程读取数据使用DataLoader读取数据时,为了加快效率,所以使用了多个线程,即num_workers不为0,在windows下报了错误。DataLoader(trainset,batch_size=128,shuffle=True,num_workers=2)https://github.com/pytorch/pytorch/pull/5585...

2019-07-18 19:40:21

[Paper Note] Densely Residual Laplacian Super-Resolution

Abstract超分辨率卷积神经网络最近证明了单个图像的高质量恢复。然而,现有算法通常需要非常深的架构和长的训练时间。此外,目前用于超分辨率的卷积神经网络无法利用多种尺度的特征并对它们进行相同的权衡,从而限制了它们的学习能力。在本次论述中,我们提出了一种紧凑而精确的超分辨率算法,即DenselyResidualLaplacianNetwork(DRLN))。所提出的网络在残余结构上采用级...

2019-07-05 22:07:45

[Paper Note] A Deep Journey into Super-resolution:A Survery

基于深度卷积网络的超分辨率是一个快速发展的领域,具有许多实际应用。在本文中,我们在三个经典数据集和三个最近引入的具有挑战性的数据集上对超过30个最先进的超分辨率卷积神经网络(CNN)进行了比较,并以单图像超分辨率为基准来检验。我们提出了对基于深度学习的超分辨率网络的分类法,将现有方法分为九类,包括线性,残差,多分支,递归,渐进,基于注意力和对抗性设计。我们还比较了网络结构复杂性,内存占用,模型输入和输出,学习细节,网络损失类型和一些重要对结构差异(例如,深度,跳过连接,过滤器)。通过广泛的评估,显示出过去几

2019-06-19 23:50:45

【创新实训11】前端页面部分编写

这次主要是把一些用户逻辑的前端页面写好,然后定义好后台的一些接口,方便后台的编写.

2019-05-19 10:38:08

数据挖掘算法-分类[KNN、决策树、贝叶斯]

X.数据挖掘算法-分类基于距离的方法基于决策树的方法基于贝叶斯理论的方法基于神经网络的方法基于SVM的方法1.基于距离的分类算法1.1算法伪代码算法基于距离的分类算法输入:每个类的中心C1,…,Cm;待分类的元组t。输出:输出类别c。(1)dist=∞;//距离初始化(2)FORi:=1tomDO(3) IFdis(ci,t)<d...

2019-05-16 18:41:42

【创新实训10】基于情绪分析推荐WEB整合与应用

由于之前的推荐算法只是最基础的,在这周完成了用户对文章的评分后,开始整合到具体的应用中.一、关系模式关系模式为userIDarticleIDscore的形式,其中userID为String,articeID为int而score则是规范化到1-10的评分.所以在上次的博客中没解决的问题就是存储用户-文章:评分列表.二、存储方式确定因为整个的计算过程中涉及到大量的用户和...

2019-05-12 16:05:17

【创新实训9】 基于情绪分析的推荐系统算法设计

上周已经实现了对于用户面部表情的捕捉,并对用户的情绪进行了分析.队友通过情绪分析给出了用户对当前文章的评分.这周则根据以情绪为基础评分的文章评价进行推荐.1.初始数据首先我们得到的数据有用户阅读完一篇文章后,对该文章的评价,这个评价是一个综合评价分值,由之前队友的工作完成.所以最终的数据形式应该是一个用户-文章评分的矩阵.因此根据用户-评价矩阵,我决定采用基于用户的协同过滤推荐算法.通过寻...

2019-05-04 21:07:33

【创新实训8】手势理解功能与实际应用整合

本周实现用户手势的语义理解,从而实现根据手势操作应用.之前队友使用了Face++进行情绪分析,Face++同样也有手势识别,但是手势的种类有限,因此采用了百度的API.http://ai.baidu.com/找到对应的模块注册获得各类Key以后即可使用.具体的一些要求和Face++类似,无非是图片的一些要求,不再赘述.1.Node.jsSDK整体包结构如下,主要用到的是核心...

2019-04-28 22:58:08

【Ctrl_I】团队日记6

1.模型改进在上周对简单的模型和复杂模型进行了简单的初步对比后,本周工作内容为在复杂模型上进行结构调整,试图寻找到比简单模型更好的模型结构。主要尝试的调整包括以下四个方面的内容:不使用眼部图像,单独使用脸部图像和眼睛相对于的屏幕的信息构建网络在复杂模型基础上,减少脸部特征的提取数量(一层卷积)在复杂模型上减少脸部图像卷积后的全连接层(一层全连接)在获取所有特征后只经过一层全连接输出...

2019-04-28 22:25:38

【创新实训7】手势识别WEB端迁移整合

之前在Python上实现了最基础的手势方向的判定功能,因为整体项目是WEB端的,所以需要向WEB平台迁移...通过查阅资料,opencv.js官方文档还是给的比较全的,不过里面部分函数的输出实在是不太能看的明白....在后面实现的时候带来的很大的困扰...甚至一度影响了进度..1.页面准备在WEB页面的摄像头获取基本逻辑和Python中的差不多,只不过在html中需要<video...

2019-04-20 16:19:42

【创新实训6】手势识别与技术实现

经过前几次的努力,基本上确定了最终的眼球追踪模型的方向,所以这一周工作重心开始转向其他模块,包括情绪分析、手势识别等。以及工程的实现。我这周负责的任务主要是手势模块,重点核心的功能是通过手势来实现翻页(包括上下移动,左右翻页等)因为我们的应用主要以实现交互为主,所以对于手势,只要能够实现简单的一些操作即可,目的是在一些不方便使用鼠标键盘操作的情况下实现简单的阅读交互。因为情绪分析识别和视线追踪...

2019-04-14 13:48:43

【创新实训5】Hibernate学习与使用

之前一直使用Mybatis+Springboot来做开发,为了和团队中队员一致,因此自学一下Hibernate,避免写项目的时候拖后腿。1.HibernatevsMyBatis开发速度就开发速度而言,Hibernate的真正掌握要比Mybatis来得难些。Mybatis框架相对简单很容易上手,但也相对简陋些。“比起两者的开发速度,不仅仅要考虑到两者的特性及性能,更要根据项目需...

2019-04-07 20:44:32

【创新实训4】 EyeTracking论文阅读与模型改进

1.原模型缺点分析在之前的工作中训练出了一个基本模型,具体请见:https://blog.csdn.net/Jemary_/article/details/88912345但是在继续深入过程中,发现了如下问题:1.1数据集过于复杂在之前工作中主要是根据第二篇的博客:Appearance-BasedGazeEstimationintheWild作出的基本模型并进行了训练,最...

2019-04-07 18:57:20

数据挖掘冰山立方体构建算法:BUC及实现

1.冰山立方体知识:waiting...2.代码实现:实现思路:全程模拟,写的时候理解还不够透彻,第一轮算出频率大于min_sup的集合,然后根据此集合开始不断向下扩展,筛选所有大于min_sup的项直至达到最大维数。 实现过程遵循的原则:所有出现在数据中但未出现在满足min_sup的集合中的项一律不予计算 未实现:理想地,应当首先处理最有区分能力的维。维应当以基数递减数处理。基数...

2019-04-03 08:58:53

【Ctrl_I】团队日记2:模型训练与HIbernate集成

这周团队计划共同研究次论文以及视觉追踪的模型,然后更新后台框架进度:所以首先是对最基本的Tensorflow去构建模型的方法简单学习:1.CNN基本模型对于CNN的模型之前的理论基础知识已经有过学习,便不再展开讲解,只是讲一下基本结构:卷积神经网络CNN的结构一般包含这几个层:输入层:用于数据的输入 卷积层:使用卷积核进行特征提取和特征映射 激励层:由于卷积也是一种线...

2019-03-31 22:45:02

【创新实训3】Tensorflow学习与Gaze Model设计和训练

这周计划学习Tensorflow的一些知识并根据上次论文的研究构建视觉追踪的模型。所以首先是对最基本的Tensorflow去构建模型的方法简单学习:1.CNN基本模型对于CNN的模型之前的理论基础知识已经有过学习,便不再展开讲解,只是讲一下基本结构:卷积神经网络CNN的结构一般包含这几个层:输入层:用于数据的输入 卷积层:使用卷积核进行特征提取和特征映射 激励层:由于卷积也...

2019-03-31 22:22:52

Mac Python3 下载数据时候的SSL错误的解决

urllib.error.URLError:<urlopenerror[SSL:CERTIFICATE_VERIFY_FAILED]certificateverifyfailed:unabletogetlocalissuercertificate(_ssl.c:1051)>先放错误,从tensorflow下载MNIST数据集的时候报了上述错误。查了好...

2019-03-27 22:38:06

[Paper Note] Temporal Phenotyping from Longitudinal Electronic Health Records

本文主要是解决电子病例的问题。电子病历通常是一个纵向的自然的医疗事件的序列(包括医疗笔记、用药、症状以及实验报告等)所以纵向和异质性质使EHR分析成为一个困难挑战。为了应对这一挑战,在本文中,为这样的事件序列开发了一种新颖的表示——时序图。时序图可用于各种具有挑战性的分析任务,例如预测建模,因为它可以捕获每个事件序列中医学事件的时间关系。通过总结纵向数据,时间图足够robust,能抵抗噪声和不...

2019-03-24 21:58:52

查看更多

勋章 我的勋章
  • 持之以恒
    持之以恒
    授予每个自然月内发布4篇或4篇以上原创或翻译IT博文的用户。不积跬步无以至千里,不积小流无以成江海,程序人生的精彩需要坚持不懈地积累!
  • 勤写标兵Lv1
    勤写标兵Lv1
    授予每个自然周发布1篇到3篇原创IT博文的用户。本勋章将于次周周三上午根据用户上周的博文发布情况由系统自动颁发。