注意力是生物视觉思考等很重要的机制之一，这篇论文给出了更加接近生物注意机制的实现 我们首先给出论文12页ppt，接着是论文对译 ppt： 论文解读如下： abstract aim to model t
深度网络在计算机视觉、语言、翻译、玩游戏等等方面都取得了巨大的进步，在动物的注意力方面也开始逐步取得进展！ 看图： paper 《Top-down Neural Attention by Excita
写完代码调试的时候，如果我们能够了解代码的执行过程往往能帮助我们更好的进行调试；而如果我们的代码性能出现了问题，我们又该如何处理呢？也许我们会想知道执行机上到底发生了什么，于是我们尝试通过perf、ebpf这样的工具来获取一些数据，比如了解这台机器上到底发生了多少次cache-miss；在获取到咋这么多数据后，我们又该如何判断性能的瓶颈究竟在哪里呢？
Beyond Skip Connections: Top-Down Modulation for Object Detection CVPR2017 under review code ：(coming soon) 可以结合 Feature Pyramid Networks for Object Detection 阅读
Dynamic Oracles for Top-Down and In-Order Shift-Reduce Constituent Parsinggodweiyang.com
Recurrent Neural Network Grammarsgodweiyang.com
在当前时代，目标检测主要有两类:top-down的检测方法和bottom-up的检测方法。人们认为bottom-up的方法可能耗时较长，并且会引入更多的误检现象，而top-down的方法由于其在实践中的有效性逐渐演变为主流方法。
究竟是哪种策略（top-down / bottom-up），主要看接了一个什么样的head。如果接的是heatmap那就是bottom-up。和网络结构本身无关。
A Minimal Span-Based Neural Constituency Parsergodweiyang.com
前两天我们介绍了自上而下的注意力模型通用人工智能技术之'注意力'：Top-down Neural Attention ppt论文翻译及代码，今天来看一下demo和代码 下图是Top-down Neur
这是2017年NIPS上的一篇做动作识别的论文，作者提出了second-order pooling的低秩近似attentional pooling，用其来代替CNN网络结构最后pooling层中常用的mean pooling或者max pooling, 在MPII, HICO和HMDB51三个动作识别数据集上进行了实验，都取得了很好的结果。此外作者还尝试了加入pose关键点的信息，再次提高了性能。下面我详细说明我对这篇论文的理解。
姿态估计，计算机视觉的核心任务之一，还原纷繁外表之下的空间信息，洞察千姿百态背后的本征结构。
来自中东科技大学在ECCV2018会议上已录用的文章“MultiPoseNet: Fast Multi-Person Pose Estimation using Pose Residual Network”，使用姿态残差网络Pose Residual Network (PRN)进行快速多人姿态估计。
论文题目：Feature Pyramid Networks for Object Detection
今天在Boy's (小气的神) BLOG上看到一篇精彩的文章 Astoria to SQLite to Entity Framework to 建立你的ORM观念 .文章说到了很多精彩的内容,从SQLite for ADO.NET 2.0 Data Provider 到 实体框架EF, 还有ORM的概念,列出了ORM的完整视图 介绍了ORM的四个方向，即自上而下(Top-down)，自下而上(Bottom-up)，从里到外(Inside-out)，从外向里(Outside-in)。 从个人感受上看，NH
我们知道SAP的标注报表可以用于查询Batch Genealogy(即Batch Where-used List),通过它可以查询某个原料的批次被用于生产了哪些批次的半成品以及成品，或者通过输入成品批次数据查询到它是由哪些批次的原辅料包材半成品生产出来的。这样可以很好的实现质量追溯，在遇到质量问题或者客户投诉的时候，可以很快速往前追溯，找到问题的根源。
Question DP vs Recursion with memorization I am wondering if that for any recursive function that can be translated into dynamic programming, is it always possible to also simply leave the function in its recursive form and apply a memorise wrapper to it
【导读】在CVPR2017上举办的VQA（Visual Question Answering）比赛中，基于双向注意力机制视觉问答（Bottom-Up and Top-Down Attention for Visual Question Answering）取得了冠军。其主要贡献在于提出了Bottom-Up and Top-Down Attention的机制， 不仅用一个个的单词，来指代检测到的物体，这种方法在含空间信息的同时还可以对应多个单词，比如一个形容词和名词，提供丰富的语义表现力。最近香港科技大学的H
在本系列的文章中已经写了二叉树(Binary Tree)、深搜（DFS）与广搜（BFS）、哈希表（Hash Table）等等，计划接下来要写的是动态规划（Dynamic Programming，DP），它算得上是最灵活的一种算法。回忆笔者学习动态规划的时候，最开始接触的是经典的 “01背包” 问题；不过现在想起来，以“01背包问题”作为初次接触的动态规划算法的问题并不友好；花费了不少时间才慢慢感悟到动态规划算法的核心思想。
看图回答这些问题，对我们人类来说再简单不过了，但是要让AI熟练掌握这项技能，还需要探索。
本文使用 YOLO + bottom-up greedy parsing 进行人体姿态估计
1. 后面实习要解决实例分割中的目标多尺度问题(当然不只是这个问题，还有其他的)，为此对CNN中这几年的多尺度处理方法进行简要总结~_~，时间紧任务重，只记录了一点点东西，核心的还是要去看论文读代码。
前言 本文是学习Thinking in React这一章后的记录，并且用Reagent实现其中的示例。 概要 构造恰当的数据结构 从静态非交互版本开始 追加交互代码 一、构造恰当的数据结构 Since you’re often displaying a JSON data model to a user, you’ll find that if your model was built correctly, your UI (and therefore your component structure)
传统的多人姿态估计主要有top-down 和 bottom-up两大技术路线，top-down先检测人体实例，在进行人脸关键点定位，bottom-up则先定位人体关键点，再将关键点“归集”到不同的人体实例。
论文:BlendMask: Top-Down Meets Bottom-Up for Instance Segmentation
从个人感受上看，NHibernate显然是从上而下(Top-down)的方式，天然的POCO支持就是最好的佐证。而ADO.NET Entity Framework目前v1版本，应该是从下而上的方式Bottom-up)，ADO.NET Entity Data Model Wizard就是最好的佐证。Entity Framework v2支持POCO之后也就能实现垂直双方向的支持，但这如我后面所说，还不够。 至于从里到外(Inside-out)，从外向里(Outside-in)是真正显示ORM工具或E/R模型编程模型威力的地方，因为99%的现实世界，以及数据库都不是同步也无法保持同步的，那么提供从里到外，从外向里两个方向的支持是非常重要的。 其实ORM和DP的存在就是要实现这两个方向的能力和支持，否则就没有存在的必要，因为自上而下(Top-down)和自下而上(Bottom-up)两种方式由来已久，解决这两个方向的问题，ORM工具或E/R模型编程未必是最好的方式，原因是这两种方向和思考比较不客观，那就是假设现实世界和数据有一方是不变的，或是我们自己可以控制的，事实上，这种想法是不现实的。
因为在ICIP2019上面和两位老师搞了一个关于人体姿态估计以及动作行为的tutorial，所以最近整理了蛮多人体姿态估计方面的文章，做了一个总结和梳理，希望能抛砖引玉。
基于深度网络的检测算法出来之前，检测算法基本都是基于这种scale handling；后来出现的SNIP、SNIPER也是基于Image Pyramid。
YOLO-Pose与其他Bottom-up的方法一样，也是一种Single Shot的方法。然而，它并不使用 Heatmaps。相反，YOLO-Pose将一个人的所有关键点与Anchor联系起来。
Straight to the Tree：Constituency Parsing with Neural Syntactic Distancegodweiyang.com
作为目标检测领域的扛把子，PaddleDetection当然不仅仅提供通用目标检测算法，还拥有多个业界先进、实用的关键点检测和多目标跟踪算法。除了可以准确识别、定位目标，还可以对移动的目标进行连续跟踪、分析路径，甚至进行姿态、行为分析！
目标检测（Object Detection）是计算机视觉领域的基本任务之一，学术界已有将近二十年的研究历史。近些年随着深度学习技术的火热发展，目标检测算法也从基于手工特征的传统算法转向了基于深度神经网络的检测技术。从最初 2013 年提出的 R-CNN、OverFeat，到后面的 Fast/Faster R-CNN、SSD、YOLO 系列，再到 2018 年最近的 Pelee。短短不到五年时间，基于深度学习的目标检测技术，在网络结构上，从 two stage 到 one stage，从 bottom-up only 到 Top-Down，从 single scale network 到 feature pyramid network，从面向 PC 端到面向手机端，都涌现出许多好的算法技术，这些算法在开放目标检测数据集上的检测效果和性能都很出色。
文章：High-Definition Map Generation Technologies for Autonomous Driving
这是一篇京东数字科技与匹兹堡大学5月7日公布的论文，现于PoseTrack的Multi Person Pose Tracking排行榜名列第一，在总体MOTA上以微弱优势击败微软的HRNet（尽管在总体AP上仍比HRNet低不少）。
【导读】专知内容组整理了最近六篇图像描述生成（Image Caption）相关文章，为大家进行介绍，欢迎查看! 1. Unpaired Image Captioning by Language Pivoting（以语言为枢纽生成不成对图像的描述） ---- 作者：Jiuxiang Gu,Shafiq Joty,Jianfei Cai,Gang Wang 机构：Alibaba AI Labs，Nanyang Technological University 摘要：Image captioning is a m
层次时间序列预测是工业界非常常见的一个应用场景。当要预估的时间序列之间存在层次关系，不同层次的时间序列需要满足一定的和约束时，就需要利用层次时间序列预测方法解决。设想这样一种场景，我们作为政府负责旅游业的部门，需要预测出澳大利亚每个月的旅游人数，同时还需要预测澳大利亚每个州的旅游人数，以及每个州中每个区的旅游人数。如果澳大利亚包括10个州，每个州包括5个地区，那么总共需要预测1+10+50个时间序列。而这50个时间序列是存在关系的，即澳大利亚总旅游人数=10个州旅游总人数，同时每个州旅游总人数=这个州下5个地区旅游总人数。这就形成了一个类似于下面这样的层次结构：
转眼间，离上次9月3日已有9天的时间，好久没有将最新最好的“干货”分享给大家，让大家一起在学习群里讨论最新技术，那今天我给大家带来ECCV-2018年最优paper之一，也是目标检测里的佼佼者，值得我们去深挖，去学习！
在深度学习兴起以前，很多传统方法都会使用到图像金字塔。图像金字塔如上图所示，就是将图片resize到不同的大小，然后分别得到对应大小的特征，然后进行预测。这种方法虽然可以一定程度上解决多尺度的问题，但是很明显，带来的计算量也非常大。
Mask RCNN是实现物体实例分割(Object Instance Segmentation)的通用框架。它在Faster RCNN的基础上增加了一个预测物体Mask的分支，所以Mask RCNN不仅可以预测输入图像物体的Class、Bounding Box，而且还可以生成每个物体的Mask。
stride指在内存中每行像素所占的空间。如下图所示，为了实现内存对齐（或者其它的什么原因），每行像素在内存中所占的空间并不是图像的宽度。
【导读】专知内容组整理了最近七篇视觉问答（Visual Question Answering）相关文章，为大家进行介绍，欢迎查看! 1.VQA-E: Explaining, Elaborating, and Enhancing Your Answers for Visual Questions（VQA-E:解释、阐述并增强你对视觉问题的回答） 作者：Qing Li,Qingyi Tao,Shafiq Joty,Jianfei Cai,Jiebo Luo 机构：University of Science an
贪心策略的选取将对贪心算法能否得到最优解起到了决定性的作用。最优子结构指的是，大问题分解成小问题时，使用拟定好的贪心策略一样能得到小问题的最优解。
文章提出two-stage、real-time的instance segmentation方法：1、得到初始的目标轮廓；2、轮廓迭代变形，以得到最终精准的目标边界；
===========================================================
paper：https://arxiv.org/pdf/2203.16527.pdf
上篇我们讲述了一个执行计划是如何生成的，这次我们来看下这个生成的执行计划是被 Optimizer 优化的。
领取专属 10元无门槛券
手把手带您无忧上云
云服务器
ICP备案
对象存储
实时音视频
即时通信 IM
