http://blog.tsingjyujing.com/ml/common/Recent content in 一般理论 on 清雨影的BlogHugozh-CNSun, 17 Jan 2021 00:00:00 +0900http://blog.tsingjyujing.com/ml/common/collection/Wed, 03 Jun 2020 00:00:00 +0900http://blog.tsingjyujing.com/ml/common/collection/<h1 id="收藏夹">收藏夹<a class="anchor" href="#%e6%94%b6%e8%97%8f%e5%a4%b9"></a></h1> <h2 id="博客">博客<a class="anchor" href="#%e5%8d%9a%e5%ae%a2"></a></h2> <ul> <li> <p><a href="https://zhuanlan.zhihu.com/p/137965337">编写高效的PyTorch代码技巧</a></p> </li> <li> <p><a href="https://zhuanlan.zhihu.com/p/137578323">动手推导Self-attention-译文</a></p> <ul> <li><a href="https://zhuanlan.zhihu.com/p/130509584">动手推导Self-attention</a></li> </ul> </li> <li> <p><a href="https://zhuanlan.zhihu.com/p/143798072">One Shot Multi-Object Tracking Overview</a></p> <p><strong>开源项目</strong></p> </li> <li> <p><a href="https://github.com/dmmiller612/sparktorch">dmmiller612/sparktorch</a>:Spark训练Pytorch模型的方法</p> </li> </ul>http://blog.tsingjyujing.com/ml/common/conv/Tue, 07 Jul 2020 00:00:00 +0900http://blog.tsingjyujing.com/ml/common/conv/<h1 id="论文阅读快把卷积神经网络中的平移不变性带回来">论文阅读：“快把卷积神经网络中的平移不变性带回来”<a class="anchor" href="#%e8%ae%ba%e6%96%87%e9%98%85%e8%af%bb%e5%bf%ab%e6%8a%8a%e5%8d%b7%e7%a7%af%e7%a5%9e%e7%bb%8f%e7%bd%91%e7%bb%9c%e4%b8%ad%e7%9a%84%e5%b9%b3%e7%a7%bb%e4%b8%8d%e5%8f%98%e6%80%a7%e5%b8%a6%e5%9b%9e%e6%9d%a5"></a></h1> <h2 id="简介">简介<a class="anchor" href="#%e7%ae%80%e4%bb%8b"></a></h2> <p>这篇博客主要是我读论文<a href="https://arxiv.org/pdf/1904.11486.pdf">Making Convolutional Networks Shift-Invariant Again</a>的读书笔记，夹杂了自己直白和幼稚的理解。因为我相信所有的创意无论最后的结果多么复杂，最初的想法一定都是直观的。</p>http://blog.tsingjyujing.com/ml/common/hand-detection/Wed, 03 Jun 2020 00:00:00 +0900http://blog.tsingjyujing.com/ml/common/hand-detection/<h1 id="手部检测和手势识别">手部检测和手势识别<a class="anchor" href="#%e6%89%8b%e9%83%a8%e6%a3%80%e6%b5%8b%e5%92%8c%e6%89%8b%e5%8a%bf%e8%af%86%e5%88%ab"></a></h1>http://blog.tsingjyujing.com/ml/common/regularization/Tue, 05 May 2020 00:00:00 +0900http://blog.tsingjyujing.com/ml/common/regularization/<h1 id="再谈正则化项">再谈正则化项<a class="anchor" href="#%e5%86%8d%e8%b0%88%e6%ad%a3%e5%88%99%e5%8c%96%e9%a1%b9"></a></h1> <h2 id="前言">前言<a class="anchor" href="#%e5%89%8d%e8%a8%80"></a></h2> <p>今天是除夕，马上过年了，先给大家拜个早年，感谢大家还没有取关我这个拖更了半年的鸽王。 我们今天要讨论的是（广义的）正则化项，从另一种角度来讨论。 说到正则化，每一个做机器学习的同志都不会陌生。做机器学习的过程需要花上很大的力气和过拟合作斗争。 但是原则上来说，我是不喜欢（狭义的）正则化项，因为不直观，凭什么参数的平方和这种东西会和模型复杂度有关系呢？为什么是平方和不是四次方和呢？或者是绝对值和？ PRML上有一张很有名的图片用可视化的方法说明了正则项的实际意义，但是仍然让我们觉得这样不OK，凭什么这一种正则化方法可以用在这么多的任务上并且保持有效？</p>http://blog.tsingjyujing.com/ml/common/semi-supervised-learning/Sun, 17 Jan 2021 00:00:00 +0900http://blog.tsingjyujing.com/ml/common/semi-supervised-learning/<h1 id="半监督无监督学习">半监督/无监督学习<a class="anchor" href="#%e5%8d%8a%e7%9b%91%e7%9d%a3%e6%97%a0%e7%9b%91%e7%9d%a3%e5%ad%a6%e4%b9%a0"></a></h1> <h2 id="无监督">无监督<a class="anchor" href="#%e6%97%a0%e7%9b%91%e7%9d%a3"></a></h2> <ul> <li><a href="https://arxiv.org/pdf/1901.03360.pdf">Unsupervised Moving Object Detection</a> <ul> <li><a href="https://github.com/antonilo/unsupervised_detection">antonilo/unsupervised_detection</a></li> </ul> </li> <li><a href="https://arxiv.org/abs/1911.04252">Self-training with Noisy Student improves ImageNet classification</a> <ul> <li><a href="https://zhuanlan.zhihu.com/p/164597142">Self-training with Noisy Student</a></li> <li><a href="https://www.jiqizhixin.com/articles/2020-08-03-6">Self-training在目标检测任务上的实践</a></li> </ul> </li> <li><a href="https://arxiv.org/pdf/1808.04593.pdf">Unsupervised learning of foreground object detection</a></li> <li><a href="https://www.jiqizhixin.com/articles/2019-11-15-6">何恺明一作，刷新7项检测分割任务，无监督预训练完胜有监督</a></li> <li><a href="https://cloud.tencent.com/developer/article/1613547">2020年国内最新最优目标检测（完结篇）</a></li> <li><a href="https://zhuanlan.zhihu.com/p/112942266">目标检测算法进展大盘点</a></li> <li><a href="https://www.infoq.cn/article/yzldalqwipqbijo5xlah">AAAI 2020 论文解读：商汤科技提出新弱监督目标检测框架</a></li> </ul> <h2 id="半监督弱监督">半监督/弱监督<a class="anchor" href="#%e5%8d%8a%e7%9b%91%e7%9d%a3%e5%bc%b1%e7%9b%91%e7%9d%a3"></a></h2> <ul> <li><a href="https://zhuanlan.zhihu.com/p/344531704">ICLR2021 Oral ｜利用一个样本估计类别数据分布 9行代码提高少样本学习泛化能力</a> <ul> <li>只适合分类问题</li> </ul> </li> </ul>