towards 第6页

对抗机器学习论文-Towards Evaluating the Robustness of Neural Networks（CW2）

TowardsEvaluatingtheRobustnessofNeuralNetworks文章目录TowardsEvaluatingtheRobustnessofNeuralNetworks摘要1介绍2背景2.1威胁模型2.2攻击样本2.3距离度量2.4防御蒸馏方法介绍3攻击算法3.1L-BFGS3.2FGSM3.3JSMA3.4Deepfool4提出的方法4.1目标函数4.2盒子约束（Boxc

冰羽vee9·2022-12-19 18:58

AAAI-2020-SiamFC++：Towards Robust and Accurate Visual Tracking with Target Estimation Guidelines阅读笔记

论文代码地址：https://github.com/MegviiDetection/video_analystAAAI2020论文未开源一、写作动机以往的方法提出了多种目标状态估计方法，但很少考虑到视觉跟踪问题本身的特殊性。跟踪问题可以被视为分类任务和估计任务的组合。第一个任务是通过分类提供一个鲁棒的目标粗定位。第二个任务是估计一个准确的目标状态，通常用一个边界框表示。虽然现代跟踪器已经取得了显著

菜菜子hoho·2022-12-18 01:38

[论文阅读 2020 AAAI 目标跟踪]SiamFC++: Towards Robust and Accurate Visual Tracking with Target Estimation

简介paper:SiamFC++:TowardsRobustandAccurateVisualTrackingwithTargetEstimationGuidelinescode:MegviiDetection/video_analyst这篇论文在SiamFC基础上进行了改进，提出了SiamFC++,并在OTB2015,VOT2018,LaSOT,GOT-10k和TrackingNet上取得了SO

lingqing97·2022-12-18 01:37

《SiamFC++：Towards Robust and Accurate Visual Tracking with Target Estimation Guidelines》论文笔记

参考代码：video_analyst1.概述导读：这篇文章指出之前的一些跟踪算法没有深入讨论针对跟踪任务的实质，很多时候只是在某些点上进行突破，因而最后方法的性能总是有局限性的。对此文章深入分析了跟踪网络的特性，因而对跟踪网络的设计提出了4点建议：G1（目标位置估计和目标判别需要接耦，分别具有各自的分支）/G2（目标判别置信度不能与实际相模糊）/G3（不能依赖数据分布等先验知识，否则导致泛化性鲁棒

m_buddy·2022-12-18 00:36

目标跟踪 SiamFC++ （Towards Robust and Accurate Visual Tracking with Target Estimation Guidelines）

文章标题：《SiamFC++：TowardsRobustandAccurateVisualTrackingwithTargetEstimationGuidelines》文章地址：https://arxiv.org/abs/1911.06188github地址：https://github.com/MegviiDetection/video_analyst2020年AAAI（Proceedingso

Yemiekai·2022-12-18 00:01

Temporal Segment Networks:Towards Good Practices for Deep TSN论文精读笔记

TemporalSegmentNetworks:TowardsGoodPracticesforDeepTSN论文精读笔记这篇论文首先解决了双流卷积网络只能处理较短视频帧的缺陷，论文的主要贡献是提出了TemporalSegmentNetwork，他基于长范围时间结构建模，结合了稀疏时间采样策略和视频级别监督，使得神经网络能够处理较长的时间段，且效果较好。其次，论文还确定了很多很好用的技巧，比如如何进

Encounter84·2022-12-17 14:51

TSN泛读【Temporal Segment Networks: Towards GoodPractices for Deep Action Recognition】

目录0、前沿1、标题2、摘要3、结论4、重要图表5、解决了什么问题6、采用了什么方法7、达到了什么效果0、前沿泛读我们主要读文章标题，摘要、结论和图表数据四个部分。需要回答用什么方法，解决什么问题，达到什么效果这三个问题。需要了解更多视频理解相关文章可以关注视频理解系列目录了解当前更新情况。TSN论文下载：https://arxiv.org/pdf/1608.00859.pdfhttps://ar

weixin_47341656·2022-12-17 14:20

Temporal Segment Networks: Towards Good Practices for Deep Action Recognition

论文笔记（3）TemporalSegmentNetworks:TowardsGoodPracticesforDeepActionRecognition主要贡献TSN实验细节实验结果TemporalSegmentNetworks:TowardsGoodPracticesforDeepActionRecognition主要贡献1.提出了一种新型的基于视频的行为识别的网络结构——TemporalSegm

LMW4444·2022-12-17 14:19

【视频理解】TSN Temporal Segment Networks: Towards Good Practices for Deep Action Recognition 笔记

TemporalSegmentNetworks:TowardsGoodPracticesforDeepActionRecognitionhttps://arxiv.org/abs/1608.00859https://github.com/yjxiong/temporal-segment-networkshttps://github.com/yjxiong/tsn-pytorch时间分段网络（TSN

鹿鹿最可爱·2022-12-17 14:45

【论文阅读】Temporal Segment Networks: Towards Good Practices for Deep Action Recognition

Abstract卷积网络在动作识别领域带来的提升不像图像领域那么大提出TSN，基于长距离时序建模的思想，结合时序稀疏采样(sparsetemporalsampling)策略和视频级监督(video-levelsupervision)进行视频动作识别。Introduction卷积网络在图像分类上取得了巨大的成功，但在视频动作识别上却没有取得相应的大幅度提升（相对传统手工特征）动作识别主要需要学习视频

Mr. Anonymous·2022-12-17 14:11

多类别目标计数 Towards Partial Supervision for Generic Object Counting in Natural Scenes 论文笔记

多类别目标计数TowardsPartialSupervisionforGenericObjectCountinginNaturalScenes论文笔记一、摘要二、引言三、相关工作3.1自然场景中通用的目标计数3.2监控现场的人群计数3.3在有限制监督上的通用目标计数3.4与之前版本的不同之处四、带有部分监督的通用目标计数五、低数量(LC)监督框架5.1图像分类分支5.2密度分支5.2.1硬空间指导

乄洛尘·2022-12-16 08:05

CVPR_2019:Towards Real Scene Super-Resolution With Raw Images

利用原始图像（rawimages）实现真实场景的超分辨率摘要由于（1）缺乏真实的训练数据和（2）模型输入的信息丢失，大多数现有的超分辨率方法在实际场景中表现不佳。为了解决问题，本文：（1）提出了一种新的管道，通过模拟数码相机的成像过程来生成逼真的训练数据（2）开发了一个双卷积神经网络来利用原始图像捕获的射线信息。此外，提出了学习空间变化的颜色变换，这有助于更有效的颜色校正。一、介绍用以表示对象的像

M_Y_Y_·2022-12-15 01:13

JDE 《Towards Real-Time Multi-Object Tracking》学习笔记

论文链接：https://arxiv.org/pdf/1909.12605.pdf代码链接：https://github.com/Zhongdao/Towards-Realtime-MOT翻译链接：https

学学没完·2022-12-14 14:39

多目标跟踪算法(JDE)Towards Real-Time Multi-Object Tracking训练方法

论文链接：https://arxiv.org/pdf/1909.12605v1.pdf代码链接：https://github.com/Zhongdao/Towards-Realtime-MOT作者给的数据集链接

耳东广大木木·2022-12-14 14:38

JDE（Towards Real-Time Multi-Object Tracking）代码训练——小白必看

数据集制作1.可直接下载作者给的数据集，是制作好的论文链接：https://arxiv.org/pdf/1909.12605v1.pdf代码链接：https://github.com/Zhongdao/Towards-Realtime-MOT

来吧，搞学习了！·2022-12-14 14:37

Towards-Realtime-MOT源代码学习之JDETracker中的update()函数

该函数主要作用是将模型的预测输出进行处理，计算当前帧所检测到的目标对象与已有目标对象（前一帧所跟踪到的、一定时间内跟丢的、前一帧新出现的目标）之间的特征距离、iou距离，得到当前帧目标对象与已有目标对象的最佳匹配，然后根据目标对象的状态（跟住、跟丢、新出现、跟丢又出现、新出现但跟丢）进行相应的处理self.frame_id+=1activated_starcks=[]#activated_star

想成为书呆子·2022-12-14 14:07

（KDD2020）论文笔记---------XGNN: Towards Model-Level Explanations of Graph Neural Networks

0、最近在看一篇关于在模型层面上做可解释的图神经网络，记录一下。论文链接：XGNN：TowardsModel-LevelExplanationsofGraphNeuralNetworksAbstract图神经网络通过聚合邻居节点的信息来学习节点特征，虽然在许多图任务上取得了较大的成功，但是GNN和传统的深度学习模型一样，是黑盒模型。如果不能理解GNN模型，就不能完全信任它们。本文作者提出了一种在模

Laiguibing521·2022-12-11 18:37

Fairness-aware Adversarial Perturbation Towards Bias Mitigation for Deployed Deep Models[论文笔记]

对抗性扰动能提升公平性？！在arxiv上看到一篇用对抗样本来做公平性提升的论文，fairness-awareAdversarialPerturbationTowardsBiasMitigationforDeployedDeepModels，被CVPR2022接收。arxiv链接简介文章解决的问题：提升深度学习模型的公平性现有方案劣势：现有的深度学习模型公平性提升方案，更多的是讨论如何训练出一个公平

威化饼的一隅·2022-12-10 21:02

【读点论文】MicroNet: Towards Image Recognition with Extremely Low FLOPs，在极高限制下的轻量化网络

MicroNet:TowardsImageRecognitionwithExtremelyLowFLOPsAbstract这篇论文旨在以极低的计算成本解决性能大幅下降的问题。提出了微分解卷积，将卷积矩阵分解为低秩矩阵，将稀疏连接整合到卷积中。提出了一个新的动态激活函数--DynamicShiftMax，通过最大化输入特征图与其循环通道移位之间的多个动态融合来改善非线性。在这两个新操作的基础上，得到

羞儿·2022-12-10 02:31

WIDER FACE六项第一！阿里达摩院提出MogFace：人脸检测新工作 | CVPR 2022

TowardsaDeeperAppreciationonFaceDetection1.论文链接：https://openaccess.thecvf.com/content/CVPR2022/papers/Liu_MogFace_Towards_a_Deeper_Appr

Amusi（CVer）·2022-12-10 00:30

论文阅读 Towards Implicit Content-Introducing for Generative Short-Text Conversation Systems

本篇论文实际上是对上一篇论文的优化（seq2BF），使用关键词作为软约束，即关键词不一定出现在生成文本中。一、模型框架本框架有三个部分组成：标准GRU;提示词GRU和融合单元。（标准GRU和提示词GRU不共享信息，标准GRU操作一个一般的解码过程，提示词GRU模仿这个过程，但将预测的提示词作为当前输入。对于融合单元，它结合标准GRU和提示字GRU的隐藏状态以生成当前输出字。实验结果证明了该方法的有

欢桑·2022-12-08 08:00

车道线检测--Towards End-to-End Lane Detection: an Instance Segmentation Approach

TowardsEnd-to-EndLaneDetection:anInstanceSegmentationApproachInIEEEIntelligentVehiclesSymposium(IV’18)https://github.com/MaybeShewill-CV/lanenet-lane-detection以前的CNN网络将所有的车道线检测出来，没做区分，需要后续处理区分出不同的车道线。

O天涯海阁O·2022-12-08 01:05

[论文笔记]Towards Solving the DeepFake Problem

TowardsSolvingtheDeepFakeProblem:AnAnalysisonImprovingDeepFakeDetectionusingDynamicFaceAugmentation两个问题为什么在大量数据上训练出来的的深度伪造检测器的泛化性仍然不佳？如何使用现有视觉网络架构来达到检测器在面对未知数据集的泛化性？主要贡献（创新点）对目前主流的伪造数据集进行了易于理解的分析来标识出其

zwplus·2022-12-08 01:05

车牌检测识别--Towards End-to-End Car License Plates Detection and Recognition with Deep Neural Networks

TowardsEnd-to-EndCarLicensePlatesDetectionandRecognitionwithDeepNeuralNetworkshttps://arxiv.org/abs/1709.08828本文使用CNN网络来进行车牌检测和识别，一个网络完成端对端训练，检测和识别不用分离。Thewholeframeworktakes0.3−0.4secondperimageonaTi

O天涯海阁O·2022-12-08 01:04

车牌识别--Towards End-to-End License Plate Detection and Recognition: A Large Dataset and Baseline

TowardsEnd-to-EndLicensePlateDetectionandRecognition:ALargeDatasetandBaselineECCV2018https://github.com/detectRecog/CCPD本文使用CNN网络端对端解决车牌识别问题。首先针对车牌识别问题，我们建立了一个比较大的数据库CCPD，这是目前为止车牌识别方面的最大的开源数据库CCPDisth

O天涯海阁O·2022-12-08 01:04

Towards End-to-End Lane Detection: an Instance Segmentation Approach

Lanenet车道线检测网络模型学习（论文解读）2018年06月08日18:25:23ciky奇阅读数：8598本文讲解的是用于车道线检测的一个网络结构叫lanenet，转载请备注，多谢哈|！2018.2发表出来的，文章下载地址：https://arxiv.org/abs/1802.05591github上代码：https://github.com/MaybeShewill-CV/lanenet-

李泽滨_123·2022-12-08 01:02

Towards End-to-End Unified Scene Text Detection and Layout Analysis(2022)

[PDF][GitHub]摘要场景文本检测和文档布局分析长期以来一直被视为不同图像域中的两个独立任务。在本文中，我们将它们结合在一起，介绍了统一场景文本检测和布局分析的任务。引入了第一个分层场景文本数据集以实现这一新颖的研究任务。我们还提出了一种新颖的方法，能够同时检测场景文本并以统一的方式形成文本集群。综合实验表明，我们的统一模型比多种设计良好的基线方法具有更好的性能。此外，该模型在多个场景文本

studyeboy·2022-12-08 01:31

基于全景分割Max-Deeplab的版面分析：Towards End-to-End Unified Scene Text Detection and Layout Analysis

目录一、全景分割介绍二、Max-Deeplab1.粗略框架2.官方框架3.详细框架（1）Encoder（2）self-attention（3）Decoder（4）Output4.损失函数（1）PQ风格损失（2）辅助损失函数![在这里插入图片描述](https://img-blog.csdnimg.cn/fb4380daac834b12b43ac4e19ddc0ff6.jpeg#pic_center

哑巴湖哩大水怪·2022-12-08 01:57

【论文阅读】Towards Certified Robustness of Distance Metric Learning

【论文阅读】TowardsCertifiedRobustnessofDistanceMetricLearning距离度量学习的鲁棒性证明时间：2022年10月26日1.主要贡献主张在输入空间中引入对抗性边界，以提高度量学习算法的泛化性和鲁棒性。引入对抗间隙(定义为输入空间中训练实例与其最接近的对抗示例之间的距离)。并证明了对抗间隙考虑了特征空间中的距离裕度以及度量和三元组约束之间的相关性。为了增强

木桷·2022-12-07 21:50

RAILD: Towards Leveraging Relation Features for InductiveLink Prediction In Knowledge Graphs

摘要由于开放世界的假设，知识图(KGs)永远不会是完整的。为了解决这一问题，目前提出了各种链路预测方法。其中一些方法是归纳链接模型，能够学习在训练中没有看到的实体的表示。然而，据我们所知，现有的归纳LP模型没有一个关注于对看不见的关系的学习表示。在这项工作中，提出了一种新的关系感知归纳链接预测(RAILD)用于KG补全，它可以学习未知实体和未知关系的表示。除了通过使用语言模型利用与实体和关系相关联

小蜗子·2022-12-07 20:23

Pose for Everything: Towards Category-Agnostic Pose Estimation 阅读笔记

类无关姿态估计ECCV2022Oral论文链接代码链接其他参考引入了一个新任务：CategoryAgnosticPoseEstimation(CAPE)类无关姿态估计摘要：目前的2D姿态估计与类别耦合，例如人、动物、车辆。但很多场景需要检测未知类的姿态/关键点。本文引入一项类无关姿态估计任务（CategoryAgnosticPoseEstimation(CAPE)），创建一个能定位任意类别物体关键

AnZhiJiaShu·2022-12-07 20:20

paper reading：《Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks》

NIPS2015论文链接：https://arxiv.org/pdf/1506.01497.pdf.文章目录1BackgroundandMotivation2RelatedWork3Advantages/Contributions4Method4.1RegionProposalNetworks4.1.1Anchors4.1.2LossFunction4.1.3TrainingRPNs4.2Shar

小苑同学·2022-12-07 02:13

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 论文笔记

FasterR-CNN:TowardsReal-TimeObjectDetectionwithRegionProposalNetworks论文链接：https://arxiv.org/abs/1506.01497一、ProblemStatement像SPPnet,FastR-CNN这些网络中，使用selectivesearch的方法提取regionproposal,暴露出regionproposa

Tianchao龙虾·2022-12-07 02:42

论文总结——Faster R-CNN（Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks）

详情参看原论文：FasterR-CNN:TowardsReal-TimeObjectDetectionwithRegionProposalNetworks（https://arxiv.org/pdf/1506.01497.pdf）1.发现问题目标检测的发展从R-CNN到SPP-net、FasterR-CNN，网络的速度已经有了很大的提升，特别是FastR-CNN，在忽略生成regionpropos

HFUT_St·2022-12-07 02:41

Faster R-CNN: Towards Real-Time Object Detectionwith Region Proposal Networks--文献笔记

摘要目前最先进的物体检测网络依靠区域提议（proposal）算法来假设物体的位置。SPPnet和FastR-CNN之类的进步减少了这些检测网络的运行时间，但也揭示了区域提议计算存在瓶颈。在这项工作中，我们引入了一个区域提议网络（RPN），该区域提议网络与检测网络共享全图像卷积特征，从而实现几乎免费（计算）的区域提议。RPN是一个全卷积的网络，可以同时预测每个位置的目标边界和目标得分。对RPN进行了

静~静·2022-12-07 02:41

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks论文阅读笔记2016

文章目录FasterR-CNN:TowardsReal-TimeObjectDetectionwithRegionProposalNetworks论文阅读笔记2016Abstract1.Introduction2.RelatedWork3.FASTERR-CNN3.1RegionProposalNetworks3.1.1Anchors3.1.2ALossFunctionforLearningReg

AndyLiu1997·2022-12-07 02:40

论文翻译 | Faster R-CNN：《Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks》

FasterR-CNN:TowardsReal-TimeObjectDetectionwithRegionProposalNetworks使用RPN实现实时目标检测摘要最先进的（State-of-the-art）目标检测网络依靠regionproposal算法来推测目标的位置。SPPnet[1]和FastR-CNN[2]等研究已经减少了这些检测网络的运行时间，这个时候regionproposal的

诺顿与苏菲·2022-12-07 02:08

论文精读：Faster R-CNN: Towards Real-Time ObjectDetection with Region Proposal Networks

FasterR_CNN代码实现详解参见：faster-rcnn源码详解_樱花的浪漫的博客-CSDN博客_fasterrcnn源码Faster-rcnn详细注释版源码地址：faster_rcnn源码详细注释版+每一步均有详细批注-深度学习文档类资源-CSDN下载Abstract：最先进的目标检测网络依赖于区域建议算法来假设目标的位置。像SPPnet[1]和FastR-CNN[2]这样的进步减少了这些

樱花的浪漫·2022-12-07 02:08

读书笔记：Faster R-CNN：Towards Real-Time Object Detection with Region Proposal Networks

FasterR-CNN：TowardsReal-TimeObjectDetectionwithRegionProposalNetworks著名的fasterR-CNN当然应该好好读一读~Abstract：背景：先进的主流网络的目标检测网络，都依赖着regionproposalalgorithms来推测对象位置。先进的SPPnetFast-RCNN都减少了目标检测探测器的运行时间，而且regionp

Jesse～Lau·2022-12-07 02:34

Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks 精读（Faster R-CNN准备）

目录前期准备名词解释目标检测非极大值抑制（Non-Maximum-Suppression，NMS）RNN神经网络（循环神经网络RecurrentNeuralNetwork)注意力机制鲁棒性IOU拟复现代码前期准备名词解释目标检测输入图像中往往有很多物体，目的是判断出物体出现的位置与类别https://blog.csdn.net/weixin_43336281/article/details/113

小火柴x_x·2022-12-07 02:01

【一】情感对话 Towards Emotional Support Dialog Systems 论文阅读

【一】情感支撑对话论文最近进展EmotionSupportConversation今天给大家介绍一下TowardsEmotionalSupportDialogSystems这篇由黄老师团队发表在2021ACL的数据集。相关论文综述整理指路->点这里主要分成以下几个部分进行介绍：研究背景实例介绍ESC中的三阶段数据收集实验结果总结研究背景全球精神障碍疾病负担沉重，新冠疫情加重精神心理问题[1]目前全

彭伟_02·2022-12-06 18:48

【论文笔记】DS-SLAM: A Semantic Visual SLAM towards Dynamic Environments一种针对动态环境的语义视觉SLAM

DS-SLAM:ASemanticVisualSLAMtowardsDynamicEnvironmentsCentralIdea:本文提出了一种面向动态环境的健壮语义视觉SLAM(DS-SLAM)。在DS-SLAM中，有五个线程并行运行：跟踪、语义分割、局部映射、循环闭合和密集语义地图创建。DS-SLAM将语义分割网络与运动一致性检查方法相结合，降低了动态目标的影响，从而大大提高了动态环境下的定位

浪里翻滚一只虾·2022-12-06 18:34

DS-SLAM: A Semantic Visual SLAM towards Dynamic Environments 论文笔记

DS-SLAM:ASemanticVisualSLAMtowardsDynamicEnvironments论文笔记源码：https://github.com/ivipsourcecode/DS-SLAM主要是通过语义分割和运动一致性检查相结合的离群值剔除方法来检测动态点。摘要本文提出了一种面向动态环境的稳健语义视觉SLAM—DS-SLAM。在DS-SLAM中，有五个线程并行运行:跟踪、语义分割、局

Jumping润·2022-12-06 18:04

Towards Robust Visual Question Answering: Making the Most of BiasedSamples via Contrastive Learning

走向鲁棒的视觉问题回答:通过对比学习，最大限度地利用有偏样本提出问题：视觉问答(VQA)模型通常依赖于虚假的相关性，即语言先验。使得其在分布外(OOD)测试数据面前表现不好。最近的方法通过减少偏倚样本对模型训练的影响，在克服这个问题方面取得了一些进展。但是，其在分布外(OOD)测试数据的改进严重牺牲了分布(ID)数据(由偏置样本主导)上的性能。解决方法和创新点：提出了一种新颖的对比学习方法，MMB

pinkshell_1314·2022-12-03 19:56

Towards Human-Machine Cooperation: Self-supervised Sample Mining for Object Detection (CVPR2018)

原文链接这是一个humanintheloop的自/半监督学习方法。直接根据pipline来简要描述一下初始情况下有一个未标记或部分标记的集合和一个部分训练的Detector然后将一个batch输入进去，Detector得到一些boundingbox将它们放到不含有此类的随机图片中，再进行推理，得到的boundingbox与上一步得到的boundingbox进行比较，这里定义了一个一致性指标来衡量。

Coder.Gnew·2022-12-03 12:09

《RefineMask：Towards High-Quality Instance Segmentation with Fine-Grained Features》论文笔记

参考代码：RefineMask1.概述导读：在这篇文章中针对以Mask-RCNN为代表的实例分割模型存在实例分割mask掩膜边界补贴合的问题进行探究，文章指出由于网络存在下采样操作以及RoIPooling的操作使得进行mask预测的特征图丢失了很多细节信息，进而导致了实例分割结果边界较差的问题。对此文章从如下几个方面对实例分割头部分进行改进：1）直接使用FPN网络特征图输出的P2P2P2特征图添加

m_buddy·2022-12-02 19:25

MMEKG : Multi-modal Event Knowledge Graph towards Universal Representation across Modalities

这里写自定义目录标题·MMEKG:Multi-modalEventKnowledgeGraphtowardsUniversalRepresentationacrossModalities·Abstract·提出：大规模多模态事件知识图谱——**MMEKG**·开发：·Introduction·（描述概念及存在的问题）·（简单介绍本文提出的模型，并给出一个简单的例子进行说明）·（分点说明本文的创新点

Peppa _Peppa·2022-11-30 10:49

UNIMO：Towards Unified-Modal Understanding and Generation via Cross-Modal Contrastive Learning

**本文内容仅代表个人理解，如有错误，欢迎指正**1.Points1)UNIMO是一个预训练模型，其输入可以有不同的形式(eg,Imagecollections,Textcorpus,Image-TextPairs)，并且可以微调后用于单模态(Single-modal)任务与多模态(Multi-modal)任务。即不仅在预训练时利用了image-textpair的数据，还充分利用了大量单模态的数据

BachelorSC·2022-11-29 12:51

论文笔记 HyperNet: Towards Accurate Region Proposal Generation and Joint Object Detection

提出的HyperNet网络基于设计的Hyper特征，这种特征主要先集合分等级的特征图，然后将其压缩到一个空间。这种Hyper特征同时具有足够深和很好的语义信息，在PASCALVOC2007和2012上可以通过每张图产生仅仅100个proposal，而达到很好的精度和效果，同时可以达到实时，GPU下5fps的速度。Hyper方法主要的贡献有：（1）在仅仅50proposal情况下，可达到recall

潇湘_AQ·2022-11-29 12:20

UNIMO: Towards Unified-Modal Understanding and Generation via Cross-Modal Contrastive Learning

UNIMO:TowardsUnified-ModalUnderstandingandGenerationviaCross-ModalContrastiveLearning（通过跨模态对比学习实现统一模态的理解和生成）1.现有方法的不足：目前的方法要么只能专注于单模态的任务，要么只能专注于多模态任务，而不能将这二者有机地统一在一起互相补充2.创新点：提出UNIMO这一统一模态的预训练架构，可以有效地

Jason Avicii·2022-11-29 12:50

推荐频道

towards