个人技术笔记

【转】怎样做一个好的营销推广？

发布时间：2021-05-18  栏目：软技能  评论：0 Comments

How to Deliver a Good Sales Pitch Pitching an idea and selling it effectively can be a daunting and challenging task. Where do you start, how do you approach the prospect and what is the first thing you say? By knowing your aud...

MDETR（Modulated Detection for End-to-End Multi-Modal Understanding）详解

发布时间：2021-05-16  栏目：人工智能, 图像处理, 机器翻译, 机器视觉, 深度学习, 自然语言处理  评论：0 Comments

MDETR – Modulated Detection for End-to-End Multi-Modal Understanding   介绍MDETR之前需要先介绍DETR（DEtection TRansformer）， DETR是一种direct set prediction方法，通过剔除了一些加入先验的方法如spatial anchors和non-ma...

指称表达理解(Referring Expression Comprehension)

发布时间：2021-05-14  栏目：人工智能, 机器视觉, 自然语言处理  评论：0 Comments

从 17 年开始，我们就陆续看到一些新的 vision-language 的任务被提了出来，比如被研究比较多的 referring expression comprehension，也叫做 visual grounding，虽然 14 年就有类似的概念被提出，但基本上从 17 年开始相关的方法才多了起来。在...

密码保护：不同任务的Loss Function设计总结

发布时间：2021-05-14  栏目：人工智能, 图像处理, 机器视觉, 深度学习, 自然语言处理  评论：要查看留言请输入您的密码。

深度学习： – 分类：交叉熵损失、BCE Loss(Faster RCNN)   – 目标检测： 交叉熵损失(softmax\logistic) Focal Loss、squared error loss (Yolo V3)     Smooth L1 Loss (Faster RCNN) IOU loss 系数*（相似度[预测框和...

Image-Phrase Grounding

发布时间：2021-05-14  栏目：人工智能, 图像处理, 自然语言处理  评论：0 Comments

Image-Phrase Grounding 是利用指定描述的语句进行标定图片中所显示的物体。它比较类似于image-caption, VQA(Visual Question Answering)这样的图像与文本语义信息相结合的工作，近几年开始逐渐受到人们的关注。

变分推断

发布时间：2021-05-12  栏目：人工智能, 深度学习  评论：0 Comments

在现实生活中，我们经常需要根据已有数据去推断需要的分布p，比如我们在求后验概率时，经常因为边缘分布（分母）很难写出解析解，从而很难求得其后验。 一般来说，针对这种问题我们经常有两种解决方法：第一种最简单的是使用蒙特卡洛方法，第二...

Drug Discovery

发布时间：2021-05-11  栏目：人工智能, 医学  评论：0 Comments

Eltwise层与Concat层

发布时间：2021-05-09  栏目：人工智能, 深度学习  评论：0 Comments

Concat层的作用就是将两个及以上的特征图按照在channel或num维度上进行拼接，并没有eltwise层的运算操作，举个例子，如果说是在channel维度上进行拼接conv_9和deconv_9的话，首先除了channel维度可以不一样，其余维度必须一致（也就是num、H、W...

NUMA(Non-Uniform Memory Access)

发布时间：2021-05-07  栏目：软件、框架及系统  评论：0 Comments

通常，在业界存在两种主要类型的并行体系结构：共享内存体系结构（Shared Memory Architecture）和分布式内存体系结构（Distributed Memory Architecture）。而共享内存结构有两种类型：统一内存访问（UMA）和非同一内存访问（NUMA），有些博客...

DenseNet

发布时间：2021-05-04  栏目：人工智能  评论：0 Comments

DenseNet中Densenet121、DensetNet169、DenseNet201及DenseNet264后面的数字代表什么？是如何计算的？ 数字具体代表卷积层数，计算方法如下：   1+12+1+24+1+48+1+32=121