首页
学习
活动
专区
工具
TVP
发布

AI算法修炼营

专栏作者
101
文章
211477
阅读量
39
订阅数
Sci-Hub 反围剿 !开通支付宝:让天下没有付费的论文
为了方便中国用户支持,Sci-Hub创始人Alexandra Elbakyan还专门申请了支付宝账号。
AI算法修炼营
2021-08-12
1.5K0
如何用 AI 来鉴别假新闻
18年10月4日,麻省理工学院计算机科学与人工智能实验室(CSAIL)在其官网发布了一则新闻,宣称该实验室与卡塔尔计算研究所(Qatar Computing Research Institute)的研究人员合作,已经研究出一种可以鉴别信息来源准确性和个人政治偏见的AI系统,该研究成果将于本月底在比利时布鲁塞尔召开的2018自然语言处理经验方法会议(EMNLP)上正式公布。
AI算法修炼营
2021-06-17
7260
谷歌最新提出无需卷积、注意力 ,纯MLP构成的视觉架构!网友:MLP is All You Need ?
近日,谷歌大脑团队新出了一篇论文,题目为《MLP-Mixer: An all-MLP Architecture for Vision 》,这篇论文是原视觉Transformer(ViT)团队的一个纯MLP架构的尝试。
AI算法修炼营
2021-05-11
8040
吓人!AI模型性能上不去真的不怪我,ImageNet等数据集每100个标签就错3个!
标签错误会破坏基准的稳定性,然而,令人没想到的是,大多数机器学习中使用的10个主流基准测试集普遍存在标签错误。比如,把“狮子”标记成“猴子”,把“青蛙”标记成“猫”。
AI算法修炼营
2021-05-11
5110
图像版GPT-3再进化!任给一句话都能精准PS,这AI设计师真令人省心
前段时间,OpenAI重磅推出的 DALL·E 神经网络模型惊艳了所有人,这个被称为“图像版GPT-3的模型,可以像魔法一般按照文字描述直接生成对应图片。
AI算法修炼营
2021-04-23
9840
Attention is Not All You Need​!谷歌石锤Transformer:没有残差和MLP,它啥都不是
基于注意力的架构在机器学习社区中已经变得无处不在,Transformer最初在机器翻译打出名堂,随着BERT的问世几乎统治了整个NLP领域,RNN、LSTM等老前辈瑟瑟发抖,GPT-3的零样本学习能力又令人不禁怀疑其智能本质,还没反应过来,Transformer又打入CV领域,俨然要全面取代CNN的节奏,而DALL-E的出现,也算是打破语言和图像之间界限的开始。
AI算法修炼营
2021-04-08
6270
CVPR2020 | 3D目标检测点云检测新网络 PV-RCNN
今天这一篇是19年12月30日放到arxiv上的,其实在CVPR2020截止后就一直在关注在关注的一篇文章,毕竟在KITTI的3D检测上高居榜首,并且远远的超过了第二名。如下:
AI算法修炼营
2020-09-22
9860
目标检测 | Anchor free之CenterNet深度解析
原论文名为《Objects as Points》,有没有觉得这种简单的名字特别霸气,比什么"基于xxxx的xxxx的xxxx论文"帅气多了哈。
AI算法修炼营
2020-09-11
1.6K0
PNEN:金字塔结构与Non-local非局部结构联合增强,提升low-level图像处理任务性能
现在,用于low-level图像处理任务的神经网络通常是通过堆叠卷积层来实现的,每个卷积层仅包含来自一个小范围的上下文信息。随着更多卷积层的堆叠,卷积神经网络可以探索更多的上下文特征。但是,要充分利用远距离依赖关系较困难并且需要较多的计算量。由此,本文提出了一种新颖的non-local模块:金字塔non-local模块,以建立每个像素与所有剩余像素之间的连接。所提出的模块能够有效利用不同尺度的低层特征之间的成对依赖性。具体而言,首先通过学习由具有全分辨率的查询特征图和具有缩减分辨率的参考特征图所构成的金字塔结构来捕获多尺度相关性,然后利用多尺度参考特征的相关性来增强像素级特征表示。整个计算过程在同时考虑了内存消耗和计算成本。基于所提出的模块,本文还设计了一个金字塔non-local增强网络用于图像恢复任务中边缘保留的图像平滑处理,在比较三种经典的图像平滑算法中达到了最先进的性能。另外,可以将金字塔non-local模块直接合并到卷积神经网络中,以进行其他图像恢复任务,并可以将其集成到用于图像去噪和单图像超分辨率的现有方法中,以实现性能的持续改善。
AI算法修炼营
2020-09-01
1.3K0
自动驾驶 | MINet:嵌入式平台上的实时Lidar点云数据分割算法,速度可达 20-80 FPS!
论文地址:http://xxx.itp.ac.cn/pdf/2008.09162v1
AI算法修炼营
2020-09-01
8200
CurcveLane-NAS:华为&中大提出一种结合NAS的曲线车道检测算法
论文地址:http://arxiv.org/pdf/2007.12147v1.pdf
AI算法修炼营
2020-08-26
1.3K0
ECCV2020 | EfficientFCN:语义分割中的整体引导解码器,巧妙捕获上下文信息
论文地址:http://www.ecva.net/papers/eccv_2020/papers_ECCV/papers/123710001.pdf
AI算法修炼营
2020-08-25
8830
目标检测 | Anchor free之CornerNet网络深度解析
最近又跳回来继续学习基于anchor free的目标检测模型,具体包括CornerNet和CenterNet等网络结构 。
AI算法修炼营
2020-08-25
8610
入门分享 | 12篇深度学习目标检测必读论文
本文梳理了目标检测领域2013年至2019年的12篇必读论文,为希望学习相关知识的新手提供了很好的入门路径。同时,作者还提供了一个附加论文列表。作为拓展阅读的内容,它们或为目标检测提供了新的视角,或用更强大的功能扩展了这个领域。
AI算法修炼营
2020-08-25
3.3K0
PPDet:减少Anchor-free目标检测中的标签噪声,小目标检测提升明显
论文地址:https://arxiv.org/pdf/2008.01167.pdf
AI算法修炼营
2020-08-13
1.4K0
ECCV2020 | RecoNet:上下文信息捕获新方法,比non-local计算成本低100倍以上
上下文信息在语义分割的成功中起着不可或缺的作用。事实证明,基于non-local的self-attention的方法对于上下文信息收集是有效的。由于所需的上下文包含空间和通道方面的注意力信息,因此3D表示法是一种合适的表达方式。但是,这些non-local方法是基于2D相似度矩阵来描述3D上下文信息的,其中空间压缩可能会导致丢失通道方面的注意力。另一种选择是直接对上下文信息建模而不进行压缩。但是,这种方案面临一个根本的困难,即上下文信息的高阶属性。本文提出了一种新的建模3D上下文信息的方法,该方法不仅避免了空间压缩,而且解决了高阶难度。受张量正则-多态分解理论(即高阶张量可以表示为1级张量的组合)的启发,本文设计了一个从低秩空间到高秩空间的上下文重建框架(即RecoNet)。具体来说,首先介绍张量生成模块(TGM),该模块生成许多1级张量以捕获上下文特征片段。然后,使用这些1张量通过张量重构模块(TRM)恢复高阶上下文特征。大量实验表明,本文的方法在各种公共数据集上都达到了SOTA。此外,与传统的non-local的方法相比,本文提出的方法的计算成本要低100倍以上。
AI算法修炼营
2020-08-10
1.2K0
ECCV2020 | 即插即用,涨点明显!FPT:特征金字塔Transformer
代码地址:https://github.com/ZHANGDONG-NJUST/FPT
AI算法修炼营
2020-08-10
1.9K0
ECCV2020 | DDBNet:目标检测中的Box优化
论文地址:https://arxiv.org/abs/2007.14350.pdf
AI算法修炼营
2020-08-04
6780
ECCV2020 | CPNDet:Anchor-free+两阶段目标检测思想,先找关键点再分类
论文地址:https://arxiv.org/abs/2007.13816.pdf
AI算法修炼营
2020-08-04
1.2K0
SSHFD:IBM提出的单阶段人体跌倒检测网络
论文地址:http://xxx.itp.ac.cn/pdf/2004.00797v2
AI算法修炼营
2020-08-04
1.4K0
点击加载更多
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
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