【SKConv】即插即用！来自CVPR 2019的选择性内核网络帮你论文涨点
前言 在卷积操作中，每个卷积核都是固定大小的，无法适应输入数据中的不同空间结构。为了解决这个问题，一种新型的卷积操作——SKCONV应运而生。SKCONV引入了动态卷积核形状的概念，能够自适应地学习卷积核的形状和大小，从而能够更好地适应输入数据的空间结构，提高模型的性能。本文将介绍SKCONV的...
CVPR 2023 | 主干网络FasterNet 核心解读 代码分析
本文分享来自CVPR 2023的论文，提出了一种快速的主干网络，名为FasterNet。论文提出了一种新的卷积算子，partial convolution，部分卷积(PConv)，通过减少冗余计算和内存访问来更有效地提取空间特征。创新在于部分卷积(PConv)，它选择一部分通道的特性进行常规卷积，剩...
CVPR 2023 | 三维场景生成：无需任何神经网络训练，从单个样例生成多样结果
北京大学陈宝权团队联合山东大学和腾讯AI Lab的研究人员，提出了首个基于单样例场景无需训练便可生成多样高质量三维场景的方法。多样高质的三维场景生成结果论文地址：https://arxiv.org/abs/2304.12670项目主页：http://weiyuli.xyz/Sin3DGen/引言使用...
CVPR 2023 | 神经网络超体？新国立LV lab提出全新网络克隆技术
神经网络开发到 100% 会发生什么？神经网络的究极形态又是什么？何为网络超体？上述问题的答案可能可以在电影超体（Lucy）中找到。在电影中，随着女主角 Lucy 脑力的逐渐开发，她获得了以下能力：10%：能够控制身体的自主神经系统，提高身体协调能力和反应速...
DenseNet共一、CVPR 2017最佳论文得主刘壮博士论文，从另一视角看神经网络架构
研究者希望这篇文章对神经网络架构感兴趣的人有所帮助，特别是那些正在寻找不同角度进行研究的研究者。深度学习的基本原理可以追溯到几十年前，20 世纪 80 年代 Geoffrey Hinton 等人提出了基于梯度的反向传播学习算法，而 ConvNets 从早期就被应用于手写数字识别等计算机视觉任务。然而...
CVPR 2022 | 提高小数据集利用效率，复旦等提出分层级联ViT网络
来自复旦大学、上海市智能信息处理重点实验室和香港大学的研究者提出了一种基于 DINO 知识蒸馏架构的分层级联 Transformer (HCTransformer) 网络。小样本学习是指从非常少量的标记数据中进行学习的问题，它有望降低标记成本，实现低成本、快速的模型部署，缩小人类智能与机器模型之间的...
CVPR 2022 | 这个自蒸馏新框架新SOTA，降低了训练成本，无需修改网络
机器之心编辑部OPPO 研究院联合上海交通大学提出的新的自蒸馏框架DLB，无需额外的网络架构修改，对标签噪声具有鲁棒性，并可大幅节约训练的空间复杂度，在三个基准数据集的实验中达到了 SOTA 性能。深度学习促进人工智能（AI）领域不断发展，实现了许多技术突破。与此同时，如何在有限硬件资...
CVPR 2023 点云系列 | Point-NN无需训练的非参数、即插即用网络
CV - 计算机视觉 | ML - 机器学习 | RL - 强化学习 | NLP 自然语言处理我们提出了一种用于 3D 点云分析的非参数网络 Point-NN，它由纯不可学习的组件组成：最远点采样 (FPS)、k 最近邻 (k-NN) 和池化操作，具有三角函数.令人惊讶的是，它在各种 3D 任务上表...
CVPR‘2023 | PIDNet: 基于注意力机制引导的实时语义分割网络架构，完美解决空间细节、上下文和边界信息
Title: PIDNet: A Real-time Semantic Segmentation Network Inspired by PID ControllersPaper: https://arxiv.org/pdf/2206.02066.pdfCode: https://github.co...
CVPR 2023 | 清华黄高团队提出适配边端和云端的即插即用型高效神经网络网络架构——Slide-Transformer
Title: Slide-Transformer: Hierarchical Vision Transformer with Local Self-AttentionPaper: https://arxiv.org/pdf/2304.04237.pdfCode: https://github.com...
本页面内关键词为智能算法引擎基于机器学习所生成，如有任何问题，可在页面下方点击"联系我们"与我们沟通。
产品推荐
社区圈子
最佳实践
