1、權(quán)重與模型不匹配時(shí)，加載部分模型 # load_state_dict() 默認(rèn)strict=True，需要完全匹配，否則報(bào)錯(cuò)# 修改為strict=False后，只匹配存...
發(fā)簡(jiǎn)信
IP屬地：山西
-
深度學(xué)習(xí)中一些程序整理
-
When Does Label Smoothing Help?這篇論文是Hinton大神19年發(fā)表在NIPS的論文，主要是從實(shí)驗(yàn)的角度論證Label Smoothing這種機(jī)制的影響，理論證明不多。 什么是Label Smoothing...
-
科研中，如何判斷一個(gè)idea是不是好idea？
1、動(dòng)機(jī)是什么？我這樣去做，可以跟別人解釋清楚我為什么要做嗎？ 2、效果可否保證？我這樣做，效果會(huì)比其他方法好嗎？ 3、認(rèn)可度。我這樣做，如果我是期刊審稿人，我會(huì)給自己的想法...
-
基于CLIP的相關(guān)研究
本文是對(duì)CLIP改進(jìn)工作串講[https://www.bilibili.com/video/BV1FV4y1p7Lm/?spm_id_from=333.999.0.0&vd_...
-
ECCV 2022：Few-Shot Classification with Contrastive Learning1、動(dòng)機(jī) A two-stage training paradigm consisting of sequential pretraining and meta-traini...
-
NeurIPS 2021：Learning with Noisy Correspondence for Cross-modal Matching論文標(biāo)題：Learning with Noisy Correspondence for Cross-modal Matching； 作者：Zhenyu Huang，Guoch...
-
NeurIPS2022：Improving GANs with A Dynamic Discriminator項(xiàng)目主頁(yè)：https://genforce.github.io/dynamicd[https://genforce.github.io/dynamicd] 1、動(dòng)機(jī) Diff...
-
-
李沐大神：如何讀文獻(xiàn)
記錄一下我感興趣的幾個(gè)點(diǎn) 1、讀文獻(xiàn)的目的是什么？ 1）在學(xué)生時(shí)代，讀論文的主要的目的是對(duì)一兩個(gè)我的研究方向了如指掌，包括了對(duì)最重要的論文反復(fù)研讀，了解其中每一句話在說(shuō)什么，...
-
這個(gè)現(xiàn)有有源碼的
對(duì)比學(xué)習(xí)去霧：Contrastive Learning for Compact Single Image Dehazing
Contrastive Learning for Compact Single Image Dehazing 1. 摘要 1.1 現(xiàn)有模型不足： 1、現(xiàn)有模型主要利用正樣本信...
-
知乎轉(zhuǎn)載：在計(jì)算機(jī)領(lǐng)域的科研中，最初的創(chuàng)新點(diǎn)從何而來(lái)？
作者：電光幻影煉金術(shù) 鏈接：https://www.zhihu.com/question/534444001/answer/2512264697[https://www.zh...
-
底層視覺中的transformer結(jié)構(gòu)1、Restormer: Efficient Transformer for High-Resolution Image Restoration （1）總體結(jié)構(gòu) 總體結(jié)構(gòu)與U...
-
圖像去霧中那些輕量高效的網(wǎng)絡(luò)架構(gòu)1、GridDehazeNet: Attention-Based Multi-Scale Network for Image Dehazing 以RDB（Residual D...
-
-
開集識(shí)別中的AUROC計(jì)算（原理+代碼）
1、什么是AUROC？ 接受者操作特征曲線下面積（area under the receiver operating characteristic，AUROC）是一個(gè)用來(lái)衡量...
-
知識(shí)蒸餾去霧：Distilling image dehazing with heterogeneous task imitationDistilling image dehazing with heterogeneous task imitation 1、摘要 最先進(jìn)的深度除霧模型在訓(xùn)練中往往是困難的。知...
-
