文章提出了一个基于FCN（全卷积网络）的无监督配准模型FCNet。尽管固定图像和浮动图像之间的变形场本质上是高维的，但文章假设这些变形场在实际中形成了低维流形。因此，在该模型中，神经网络由低维向量生成变形场的嵌入。这种低维流形形式避免了其他方法在图像配准过程中面临的与高维搜索空间相关的困难。该模型只需要少量训练集即可训练得到很好的效果。图像配准的目标就是通过最大化图像之间相似性来计算固定图像和浮动
转载
2024-04-03 15:47:55
200阅读
A.监督学习1.EDA（Exploratory Data Analysis）2.K-Nearest Neighbors（KNN）3.线性回归4.交叉验证（CV）5.正则化回归6.ROC曲线与逻辑回归7.超参数调优8.SVMB.无监督学习1.Kmeans聚类2.聚类效果评价3.标准化4.层次分析法5.T-分布随机近邻嵌入(T-SNE)6.主成分分析（PCA）监督学习可以查看机器学习全面教程-有监督学
转载
2024-08-16 11:38:37
94阅读
作者 | 平山海 今天跟大家分享由Meta AI和加利福尼亚大学伯克利分校、密歇根大学共同提出的无监督目标检测和实例分割方法CutLER（Cut-and-LEaRn）。 开源代码：https://github.com/facebookresearch/CutLER简要描述：作者提出了CutLER（Cut-and-LEaRn），该方法利用自监督模型找到图片中的目标，
转载
2024-05-17 11:08:30
125阅读
监督学习1.无监督学习无监督学习和其他两种学习方法的主要区别在于无监督学习不需要提前知道标签数据集的类别标签。无监督学习算法使用场景通常为聚类和降维，如使用k-means聚类、系统聚类、密度聚类等算法进行数据聚类，使用主成分分析、流形降维等算法减少数据的特征数量。2.半监督学习半监督学习是一种介于有监督学习和无监督学习之间的学习算法，半监督学习的特点就是利用极少量的标签数据和大量的无标签数据进行学
目录
摘要1.介绍2.统一检测2.1.网络设计2.2.训练2.3.推理2.4.YOLO的局限性3.与其他检测系统的比较4.实验4.1.与其他实时系统的比较4.2. VOC 2007错误分析4.3.结合Fast R-CNN和YOLO4.4. VOC 2012结果4.5.通用性：艺术品中的人检测5.野外实时检测6.总结 摘要我们提出一种新的目标检测算法——YOLO。以前有关目
转载
2024-04-18 16:27:52
356阅读
文章目录原文地址论文阅读方法初识相知核心技术理论分析实验分析回顾开源代码（非官方） 原文地址CutPaste CVPR21原文论文阅读方法三遍论文法初识本文主要提出了一个新的增广方法“CutPaste”，并基于此方法提出了一个两阶段的无监督异常检测方法，① 构建分类器区分正常样本与异常样本，作为代理任务（proxy task）学习特征表示；② 根据训练好的网络提取特征，用于检测异常。此方法在MV
转载
2024-03-25 13:59:14
140阅读
Figure 1. 深度图和Ground-Truth [1]Figure 2. Absolute Trajectory Error(ATE) on KITTI dataset [1]1. 概述1.1为什么要讲这篇文章？在无人驾驶、3D重建和AR三个领域中，对于周围环境物体的深度(Depth)和对自身位置的估计(State Estimation)一直是一个非常棘手而复杂的问题。过去常用的方法，传统的
1.基本信息2.网络结构主要看论文中的结构图和伪代码过程。 PredNet的结构如下图: 网络包含一系列重复的堆叠的块，每个这样的块可以看作是一层，每个块包含四个基本部分：输入卷积层Al,递归表示层Rl，预测层A^l,误差表示El，横向排列展开就是按照时间展开的了。Rl是递归卷积神经网络，它会产生一个预测A^l，预测输入Al下一帧是什么样的。 网络计算Al和A^l的差，输出误差表示
众所周知，机器学习的训练数据之所以非常昂贵，是因为需要大量人工标注数据。autoencoder可以输入数据和输出数据维度相同，这样测试数据匹配时和训练数据的输出端直接匹配，从而实现无监督训练的效果。并且，autoencoder可以起到降维作用，虽然输入输出端维度相同，但中间层可以维度很小，从而起到降维作用，形成数据的一个浓缩表示。可以用autoencoder做Pretraining，对难以训练的深
翻栗子量子位 出品 |昨天，Yann LeCun大神发推宣布，Facebook的两个无监督翻译模型，开源了。所谓无监督，便是不需要双语对照文本，只用单语语料库 (Monolingual Corpora) 来训练AI的翻译能力。登上了EMNLP 2018此次开源的两个模型，一个是基于短语的翻译模型 (PBSMT) ，另一个是神经翻译模型 (NMT) 。△ 三步如B)C)D)二者都经历了以下
前言ACM MM 2020录用的一篇文章。不使用任何真实的3D框来进行训练。通过采用归一化的点云密度来生成目标候选框。不过性能一般，算是第一个吃螃蟹的人MIT和微软合作的论文，模型简称为VS3D论文地址：https://arxiv.org/pdf/2007.13970.pdfCode地址：https://github.com/Zengyi-Qin/Weakly-Supervised-3D-Obje
转载
2024-05-08 19:30:09
199阅读
速度和检测效果与yolov5对比：首先还是backbone部分，YOLOX在backbone和neck部分与YOLOV4和V5基本一致。都是CSPDarknet53+FPN+PAN结构。 通过不同stage的输出feature map进行一个特征融合。FPN层自顶向下传达强语义特征，而特征金字塔则自底向上传达强定位特征，从不同的主干层对不同的检测层进行融合。这里结构简单。代码也简单。3 4 5 s
转载
2024-07-28 23:11:51
150阅读
目录重新思考通往弱监督目标的定位基于U-Net(R2U-Net)的递归残差卷积神经网络在医学图像分割中的应用UNet++: 一种医学图像分割的嵌套U-Net结构使用基于双谱的深度卷积神经网络对非线性时间序列进行分类hAttention-RPN和Multi-Relation的超强小目标检测重新思考通往弱监督目标的定位论文名称：Rethinkingthe Route Towards Weakly
文章目录前言一、常见的2类无监督学习算法1、聚类2、降维二、异常检测的常用算法1、Z-score算法2、KNN异常检测3、Local Outlier Factor（LOF算法）4、Isolation Forest（孤立森林）总结 前言 这一节主要讲解几个异常检测的算法。一、常见的2类无监督学习算法1、聚类 简单说就是一种自动分类的方法，在监督学习中，你很清楚每一个分类是什么，但是聚类则不
转载
2024-03-17 14:50:57
562阅读
开始做新项目啦QAQ一些背景知识什么是无监督式，监督式学习？在正文开始前，我想搞懂这个问题是非常重要的。在目前的机器学习领域，大概把训练(/学习)过程分为三类，一类是监督式学习，一类是半监督式学习，一类是无监督式学习。自学习目标分类器/检测器正是属于无监督式学习的范畴。半监督式学习在这里就不展开说了。下面大概说一下自己对剩下两种模式的理解：监督式学习顾名思义，就是人为提供数据与标定。比如在目标分类
转载
2024-03-11 16:27:22
63阅读
本篇文章记录一下最近发表的两个比较类似的无监督representation learning工作：SimCLR——Hinton组的工作，第一作者Ting ChenMoCo v2——He Kaiming组的工作，第一作者Xinlei ChenSimCLR该研究一次就把无监督学习（学习后再用于分类等后续任务）的指标提升了 7-10%，甚至可以媲美有监督学习的效果。在这篇论文中，研究者发现[4]：多个数
转载
2024-05-05 10:37:37
94阅读
这篇论文有以下三点贡献：1、展示了如何从预训练语言模型中构建知识图谱。2、提出了一种无监督的两阶段方法：MAMA。3、构建了一类全新的知识图谱——开放知识图谱1. 背景介绍简单介绍一下知识图谱：现有大型知识图谱，诸如Wikidata、Yago、DBpedia，富含海量世界知识，并以结构化形式存储。如下图所示，每个节点代表现实世界中的某个实体，它们的连边上标记实体间的关系。这样，美国作家马克·吐温的
UDT是中科大、腾讯AI lab和上交的研究者提出的无监督目标跟踪算法。仔细阅读过这篇文章之后，写下一篇paper reading加深印象。无监督目标跟踪的“无监督”体现在：无需标注的视频数据训练。当然，首帧（模板帧）是需要标注的，这是目标跟踪的底线-_-论文最大的亮点是提出了“一致性损失”(consistency loss)，这也是UDT能够实现无监督跟踪的根本。我们先观察图(a)，#1表示的是
转载
2024-04-24 15:49:28
329阅读
######《Unsupervised Discovery of Object Landmarks as Structural Representations》CVPR2018，Yuting Zhang et al。本文使用无监督的方式来发现结构表现的目标关键点。网络结构： 采用的是名为 hourglass 的网络构架，以图片作为输出，该网络输出 k+1 个 channel，含有 k 个 land
转载
2024-03-28 11:02:37
33阅读
【论文笔记】Unsupervised Deep Image Stitching: ReconstructingStitched Features to Images摘要一、介绍二、相关工作2.1 基于特征的图像拼接2.2 基于学习的图像拼接2.3 深度单应方案三、无监督粗图像对齐3.1 无监督单应性3.2 拼接空间变换层四、无监督粗图像重建4.1 低分辨率图像重建分支4.2 高分辨率图像重建分支
转载
2024-04-15 10:31:28
221阅读
