腾讯云开发者社区-腾讯云

开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

计算机视觉

专栏作者

60

文章

118518

阅读量

29

订阅数

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/

2020-02-24

8810

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。

2019-05-10

9830

【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，

2019-03-11

7270

【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。

2019-03-11

9560

perceptual loss(感知loss)介绍，解释做到详细

Photo-Realistic Single Image Super-Resolution Using a Generative Adversarial Network论文下载地址图1. 图像的超分

2018-04-10

5.2K0

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

2018-04-10

2K0

关于BOW详细介绍

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，

2018-04-10

8360

图像风格转移Automatic Photo Adjustment Using Deep Neural Networks

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

2018-04-10

1.4K0

图片风格转移Let there be Color!: Joint End-to-end Learning of Global and Local Image Priors for Automatic

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

2018-04-10

9690

Gan理解必须到位

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

2018-04-10

5410

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！

Python精品学习库

代码在线跑，知识轻松学

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

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