腾讯云
开发者社区
文档
建议反馈
控制台
首页
学习
活动
专区
工具
TVP
最新优惠活动
文章/答案/技术大牛
搜索
搜索
关闭
发布
登录/注册
首页
学习
活动
专区
工具
TVP
最新优惠活动
返回腾讯云官网
计算机视觉
专栏作者
举报
60
文章
118518
阅读量
29
订阅数
订阅专栏
申请加入专栏
全部文章
linux
神经网络
其他
python
tensorflow
深度学习
https
机器学习
人工智能
anaconda
bash
ubuntu
图像处理
网络安全
image
腾讯云测试服务
http
shell
卷积神经网络
c++
javascript
lua
html
access
git
api
bash 指令
apt-get
日志服务
视频处理
编程算法
图像识别
ssh
kernel
机器人
数据结构
bind
disk
gan
map
mask
port
progress
root
sketch
summary
tensorboard
translation
函数
权限
原型
搜索文章
搜索
搜索
关闭
R-CNN,Fast R-CNN,Faster-RCNN快速理解
https
机器学习
神经网络
深度学习
人工智能
检测资源合集http://objectdetection.cn/2018/05/14/awesome-object-detection/
水球喵子
2020-02-24
881
0
可解释性的重要性2.1
机器学习
机器人
神经网络
深度学习
人工智能
如果一个机器学习的模型表现良好,我们为什么不能直接相信这个模型,并且忽略为什么它做了这样的决策?。原因是,仅靠一个指标(loss),例如分类准确性,是一个对现实世界中大多数任务的不完整描述。(Doshi-Velez and Kim 2017 5),所以我们想要知道为什么这个模型做了某个决策。
水球喵子
2019-05-10
983
0
【译】(Introduction部分)Interpretable Machine Learning. A Guide for Making Black Box Models Explainable
机器学习
神经网络
深度学习
人工智能
这本书向你解释了怎样让机器学习模型可解释,这章中包含了一些数学公式,但是即使没有这些公式,你也应该能够理解这些方法的思想。这本书并不适合于初学机器学习的同学,如果你是初学者,建议你去看下面这些内容,
水球喵子
2019-03-11
727
0
【译】Interpretable Machine Learning. A Guide for Making Black Box Models Explainable
机器学习
神经网络
深度学习
人工智能
机器学习在改进产品、过程和研究方面具有巨大的潜力。机器学习模型可以做出很好的预测,但是计算机通常不能解释预测,这是我们使用机器学习时的一个障碍。这是关于使机器学习模型和模型的决策可解释的一本书。
水球喵子
2019-03-11
956
0
perceptual loss(感知loss)介绍,解释做到详细
神经网络
Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network论文下载地址 图1. 图像的超分
水球喵子
2018-04-10
5.2K
0
对抗生成网络-文字到图片的合成Generative Adversarial Text to Image Synthesis
机器学习
神经网络
深度学习
人工智能
日志服务
新的一年,新的开始,好想发论文啊!废话不多说,下面讲下文字到图片的生成。 文字生成图片 最有代表的一张图怕是这个了,牛人,大佬 RNN可用来对文字进行判别和表示,GAN可以做图片生成,那么如何将字符翻
水球喵子
2018-04-10
2K
0
关于BOW详细介绍
神经网络
这篇文章属于小笔记类型奥~~ 1 特征提取 使用SIFT或者SURF生成图像特征的描述子 2 构建词典(Vocabulary) 通过上一步所有特征的提取,我们需要得到所有训练图片的所有描述子,
水球喵子
2018-04-10
836
0
图像风格转移Automatic Photo Adjustment Using Deep Neural Networks
神经网络
P图技术日新月异,有些P图大神的作品,让我们驻足相忘~嗷嗷,如何使用神经网络对这些大神的P图风格进行学习,我们这篇论文就提出了下面的方法。我认为这篇文章能很好的帮助我们去理解浅层的神经网络,然后他提出
水球喵子
2018-04-10
1.4K
0
图片风格转移Let there be Color!: Joint End-to-end Learning of Global and Local Image Priors for Automatic
神经网络
这就是论文的目的,将一张黑白图片着色为一张彩色图片 再看这篇文章前,最好是对神经网络有了初步的了解。文章第三部分,很大篇幅在介绍神经网络的一些基础知识。演示demo 在这篇论文中,他把上述过程描述为:使用现有大量图片数据来训练我们提出的模型,目的是使用 CIE lab颜色空间来预测灰度图像的chrominance(任意一种颜色与亮度相同的一个指定的参考色之间的差异)。 理解一下这个过程,就是我们在L(亮度)相同的点上来预测目标a*b*的值,使得目标a*b*的值与参考a*b*值之间的差异最小,得到我们的模
水球喵子
2018-04-10
969
0
Gan理解必须到位
神经网络
Gan 因为是2个网络,不方便一起训练,所以才交替迭代训练。 先是判别网络: 假设现在有了生成网络(当然可能不是最好的),那么给一堆随机数组,就会得到一堆假的样本集(因为不是最终的生成模型,现在生成网络可能处于劣势,导致生成的样本不太好,很容易就被判别网络判别为假)。 现在有了这个假样本集(真样本集一直都有),我们再人为地定义真假样本集的标签,很明显,这里我们默认真样本集的类标签为1,而假样本集的类标签为0,因为我们希望真样本集的输出尽可能为1,假样本集为0。 现在有了真样本集以及它们的label(都是
水球喵子
2018-04-10
541
0
没有更多了
社区活动
腾讯技术创作狂欢月
“码”上创作 21 天,分 10000 元奖品池!
立即发文
Python精品学习库
代码在线跑,知识轻松学
立即查看
博客搬家 | 分享价值百万资源包
自行/邀约他人一键搬运博客,速成社区影响力并领取好礼
立即体验
技术创作特训营·精选知识专栏
往期视频·千货材料·成员作品 最新动态
立即查看
领券
问题归档
专栏文章
快讯文章归档
关键词归档
开发者手册归档
开发者手册 Section 归档