- 博客(30)
- 资源 (9)
- 收藏
- 关注
RSS订阅原创 SoftTriple Loss
目录19-ICCV-SoftTriple Loss：Deep Metric Learning Without Triplet SamplingSoftTriple LossMultiple CentersAdaptive Number of Centers1）SoftMax loss is equivalent to a smoothed triplet loss where each class has a single center.现实中一个类不只有一个中心，例如鸟有很多姿势（从细粒度角度解释）。扩展
2022-06-29 14:15:53
1005
1
原创 Margin Based Loss
目录17-ICCV-Sampling Matters in Deep Embedding LearningPreliminariescontrastive losstriplet losshard negative miningsemi-hard negative miningDistance weighted samplingMargin based lossRelationship to isotonic regression正样本尽可能近，负样本被固定距离α隔开visually diverse cla
2022-06-28 23:02:29
1118
原创 N-pair Loss
目录16-NIPS-improved deep metric learning with multi-class n-pair loss objectiveMultiple Negative Examples(N+1)-tuplet lossmulti-class N-pair loss (N-pair-mc)one-vs-one N-pair loss (N-pair-ovo)Hard negative class miningL2 norm regularization of embedding vec
2022-06-28 15:45:38
2243
原创 Piecewise classifier mappings:Learning fine-grained learners for novel categories with few examples
目录Learning strategy and notationsModel特征表示分类器映射网络训练元学习（meta-learning）框架为基础分类器生成过程=映射函数（从少数带有类别标签的训练示例到其相应类别分类器 示例集被输入到要学习的映射函数M中，以生成类别分类器。【学习了一个自己的表示，类似proxy】 分类器应用于查询集以评估分类损失。 通过最小化分类损失来学习映射功能：λ表示映射函数 M的参数， L 是损失函数。属于类别k的Ne个样本图像的表示【根据样本求平均作为类的表示】通过映射 M 计
2022-06-23 16:01:22
394
原创 Proxy-NCA Loss、Proxy Anchor Loss
目录17-ICCV-No Fuss Distance Metric Learning using ProxiesProxy Ranking Loss20-CVPR-Proxy Anchor Loss for Deep Metric Learning Proxy Anchor Loss|P|
2022-06-13 22:07:05
2024
原创 Normalized Softmax Loss
目录19-BMVC-Classification is a Strong Baseline for Deep Metric LearningSoftmax LossLayer Normalization类别平衡采样binary embeddings19-ICCV-SoftTriple Loss：Deep Metric Learning Without Triplet SamplingSoftTriple Loss1) we establish that classification is a strong
2022-06-12 22:14:58
782
原创 对比损失（Contrastive Loss）、三元损失（Triplet Loss）
Triplet Loss Triplet Selection离线：每n步使用最近的网络，子集在线：mini-batch所有A-P pairs和困难N-P pairs避免f(x)=0 semi-hard
2022-06-01 16:30:53
2271
原创 21-ICME-FINE-GRAINED IMAGE RETRIEVAL VIA MULTIPLE PART-LEVEL FEATURE ENSEMBLE
MPFE（MULTIPLE PART-LEVEL FEATURE ENSEMBLE）AAPD基于注意激活的零件检测器特征图：1 CAD（通道式注意力检测）：MP最大池化k-max-poolingMLP 两层全连接层（编码通道间关联信息）【μ是c维向量？经过两层全连接还是c维？】softmax标准化激活图 ：【和MA-CNN类似，给特征图赋权重，相当于分类】2 PS（部件选择）：SCDAMPFE多零件级特征集成Loss
2022-04-10 21:13:25
492
2
原创 20-ECCV-Fine-Grained Visual Classification via Progressive Multi-Granularity Training of Jigsaw Patc
Progressive Multi-Granularity（渐进多粒度） Training of Jigsaw Patches（拼图）渐进训练(Progressive Multi-Granularity，PMG)网络的浅层学习细粒度的特征在当前步骤中训练的参数将作为参数初始化传递到下一个训练步骤，利用在前面发现的更小粒度的信息当前预测中使用的所有参数都将得到优化，即使它们可能已经在前面的步骤中更新拼图生成(jigsaw puzzle generator）通过简单的渐进训练
2022-04-08 20:36:33
476
原创 17-ICCV-Learning Multi-Attention Convolutional Neural Network for Fine-Grained Image Recognition
MA-CNN多注意力part generation和feature learning相互强化【和RA-CNN类似】首先固定卷积层W，通过Lcng优化F。其次固定F，通过Lcls调整W。【复现代码loss也是和MMAL代码一样直接求和再反向传播的，关键通过detach控制】论文中写的还是裁剪原图得到part图片重新又用part-CNN学习了P。Mask峰值点Mi的原图对应点为中心，裁剪96x96区域放大（224*224）->PN1定位：聚类响应区域相近的通道。
2022-04-07 20:42:35
428
原创 20-CVPR-Multi-branch and Multi-scale Attention Learning for Fine-Grained Visual Categorization
MMAL-Net多分支多尺度对比RA-CNN1参数是用不同尺度图像训练的所以可以分类不同尺度图像。the parameters of CNN and FC in our three branches are shared. Therefore, through the common learning process of the three branches, the trained model has a good classification ability for differen
2022-04-03 19:02:12
2001
原创 17-CVPR-Look closer to see better Recurrent attention convolutional neural network for fine-grained
RA-CNN循环注意力1预训练的VGG初始化b1-b3,c1-c3【每个分支参数不同】2最后一个卷积层（VGG-19的conv5_4）里选取最大响应区域作为APN的输出区域[tx,ty,tl]，边长初始化为原始图像的一半。用来预训练d1-d2。3交替训练。固定APN参数学习Lcls，固定CNN参数学习Lrank。【定位一开始还是使用了卷积层输出的最大响应区域，后来Lrank对APN优化是弱监督】4多尺度联合表示分类结果{F1,F2…FN}独立归一化+拼接->全
2022-04-03 16:50:09
404
原创 15-ICCV-Bilinear CNN Models for Fine-grained Visual Recognition
Bilinear CNN（双线性）1、特征学习方式：两个网络学习同一张图片2、特征融合方式：对应位置的两个特征描述符求外积，所有位置求和池化（SCDA视角类似）传统的特征融合方法：sum/avg：只用了一阶信息。bilinear pooling 用了二阶统计信息，意在当一阶信息相同的时候利用二阶信息的不同来做分类。feature concatenation：从代数上可以看做direct sum。 bilinear pooling可以看做direct product。特
2022-04-02 14:53:15
933
原创 项目实训第五周第三次记录
7.29关系获取3实体查询relation_view.py根据传入的实体名称查询之前导入的数据库内容，即可得到与之相关的实体及它们之间的关系，分别通过图和列表的方式展现。1 查询到实体，将查询结果按照"关系出现次数"的统计结果降序排序，即列表显示顺序。2若数据库中无法找到该实体，则返回数据库中无该实体。4关系查询关系查询需要预加载所有关系形成下拉框供用户选择，用户也可以不选择关系。其中下拉框中关系排序按照存在频率降序排列，关系频率以二元组的形式保存在toolkit/relat
2021-07-30 10:48:56
116
原创 项目实训第五周第二次记录
文章目录7.28关系获取2导入数据库7.28关系获取2导入数据库获得的知识需要导入Neo4j图数据库中。从而可以查询实体间的关系。1new_node.csv导入数据库：// 导入新的节点USING PERIODIC COMMIT 1000LOAD CSV WITH HEADERS FROM "file:///new_node.csv" AS lineCREATE (:NewNode { title: line.title })//添加索引CRE
2021-07-28 18:47:21
217
原创 项目实训第五周第一次记录
文章目录7.26关系获取海报7.27关系获取7.26关系获取关系获取技术涉及到的功能如下：①实体查询：搜索某一实体，得到与之相关的实体及它们之间的关系②关系查询：查询三元组关系entity1-[relation]->entity2 , 分为如下几种情况:* 指定第一个实体entity1* 指定第二个实体entity2* 指定第一个实体entity1和关系relation* 指定关系relation和第二个实体entity2* 指定第一..
2021-07-27 22:38:21
131
原创 项目实训第三周第三次记录
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar
2021-07-18 22:36:21
109
原创 项目实训第二周第三次记录
文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考一、pandas是什么？示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。二、使用步骤1.引入库代码如下（示例）：import numpy as npimport
2021-07-11 10:03:15
80
原创 项目实训第二周第二次记录
文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考一、pandas是什么？示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。二、使用步骤1.引入库代码如下（示例）：import numpy as npimport
2021-07-08 21:32:48
315
原创 项目实训第二周第一次记录
文章目录前言一、pandas是什么？二、使用步骤1.引入库2.读入数据总结前言提示：这里可以添加本文要记录的大概内容：例如：随着人工智能的不断发展，机器学习这门技术也越来越重要，很多人都开启了学习机器学习，本文就介绍了机器学习的基础内容。提示：以下是本篇文章正文内容，下面案例可供参考一、pandas是什么？示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。二、使用步骤1.引入库代码如下（示例）：import numpy as npimport
2021-07-06 12:21:44
93
原创 项目实训第一周第二次记录
6.30价格预测模型的构建分析问题农产品价格预测一般分为定量预测与定性预测两类。老师给的数据包括了2017.1- 2019.3农产品的价格数据。本项目可以实现定量预测模型。通过查阅论文，发现农产品价格的影响因素大概可以分为2种：内部因素和外部因素。内部因素：主要是人们按照以往的价格来定价，这使得农产品价格序列表现为历史相关性。【因此可以使用相关时间序列模型进行预测】外部因素：由国民经济体中其他的市场变动、气候状况等情况引起，这使得农产品短期价格序列表现为波动、非平稳、非线性的特点。【因此可以使
2021-07-01 16:53:01
335
原创 项目实训第一周第一次记录
项目实训第一周第一次记录6.28参加开幕式。聆听导师分配工作。了解项目基本要求背景。阅读项目申报书与老师所给往届学长材料，初步分析项目需求。参加组会。分析项目所需技术。组员自我介绍，分析自己可以胜任的工作。项目需求整体分析。6.29经过进一步查阅相关资料阅读项目申报书，确定往届学长中购物商城这一功能并非本项目所需功能，且其面向对象为购物的人，与本项目面向需要获取农产品信息的农民用户相冲突，经与组长商讨达成一致结论后发起全组投票，进一步确定砍掉此不合理需求，把更多精力放在申报书要求的功能
2021-06-29 23:39:15
116
原创 SDU 数据结构实验七图的操作
SDU 数据结构实验七图的操作实验目的掌握无向图的创建、遍历方法。实验内容1、创建图类，存储结构使用邻接矩阵。2、输入图的节点数 n（不超过 10 个）、边数 m，节点分别用 1-n 代表。3、采用“起始节点，终止节点，权值”输入图的 m 条边，创建图。4、输出从节点 1 开始的 BFS 遍历，在遍历过程中，如有多个可以选择的节点，则优先选择编号较小的节点。5、输出从节点 1 开...
2019-11-30 22:23:52
463
原创 SDU 数据结构实验四堆栈的应用
SDU 数据结构实验四堆栈的应用实验目的：掌握堆栈的使用。实验内容：1、输入一个数学表达式（假定表达式输入格式合法），计算表达式结果并输出。2、数学表达式由单个数字和运算符*“+”、 “-”、 “”、 “/”、 “(、) ”构成， 例如 2+3(4+5)-6/4。3、变量、输出采用整数，只舍不入。#include<cstdio>#include<iostream...
2019-11-29 15:09:46
587
2020年山东大学软件学院操作系统实验报告及代码
2021-01-20
山东大学软件学院软件工程python真题整理笔记
2021-01-20
面向对象开发技术课设猜一猜游戏
2021-01-10
利用Java实现C/S模式的大学班级内日常事务管理系统
2019-11-29
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人