目标检测常用损失函数 2023年4月8日 上午12:01 • 目标检测 本站文章如无特殊说明,均为本站原创,如若转载,请注明出处:目标检测常用损失函数 - Python技术站 人工智能目标检测 赞 (0) 0 0 打赏 微信扫一扫 支付宝扫一扫 生成海报 7. 目标检测算法之Faster R-CNN算法详解(转) 上一篇 2023年4月8日 上午12:01 FasterRCNN目标检测实践纪实 下一篇 2023年4月8日 上午12:01 相关文章 目标检测 目标检测之R-FCN 一、目标检测之R-FCN R-FCN: Object Detection via Region-based Fully Convolutional Networks(R-FCN:基于区域的全卷积网络的目标检测) 论文链接:https://arxiv.org/abs/1605.06409 论文翻译:http://noahsnail.com/2018/01/22… 2023年4月8日 000 知识图谱实体对齐3:无监督和自监督的方法 我们在前面介绍的都是有监督的知识图谱对齐方法,它们都需要需要已经对齐好的实体做为种子(锚点),但是在实际场景下可能并没有那么多种子给我们使用。为了解决这个问题,有许多无监督/自监督的知识图谱对齐方法被提出。其中包括基于GAN的方法,基于对比学习的方法等。他们在不需要事先给定锚点的情况下将来自不同知识图谱实体embeddings映射到一个统一的空间。 1 导引… 机器学习 2023年4月11日 000 tensorflow Tensorflow学习笔记5: Object_detection之训练PASCAL VOC数据集 参考:Running Locally 1、检查数据、config文件是否配置好 可参考之前博客: Tensorflow Object_detection之配置Training Pipeline Tensorflow Object_detection之准备数据生成TFRecord 2、训练模型 PIPELINE_CONFIG_PATH=/data/zxx/mo… 2023年4月6日 000 机器学习分类和回归的区别 机器学习中的分类和回归是两个基本的任务类型,它们的区别在于所预测的目标变量的不同。分类是一种监督学习任务,其目标是将输入数据分到不同的类别中。而回归则是根据输入数据来预测一个实数值的目标变量。下面将从以下几个方面详细讲解机器学习分类和回归的区别: 预测目标 分类任务的目标是预测输入样本所属的类别,这个类别可以是二分类(只有两个类别),也可以是多分类(多个类别… artificial-intelligence 2023年3月27日 001 PyTorch 如何入门Pytorch之四:搭建神经网络训练MNIST 上一节我们学习了Pytorch优化网络的基本方法,本节我们将以MNIST数据集为例,通过搭建一个完整的神经网络,来加深对Pytorch的理解。 一、数据集 MNIST是一个非常经典的数据集,下载链接:http://yann.lecun.com/exdb/mnist/ 下载下来的文件如下: 该手写数字数据库具有60,… 2023年4月6日 000 入门机器学习:代码+预训练模型,赶快练练吧! 来源商业新知网,原标题:开源鉴黄AI新鲜出炉:代码+预训练模型,还附手把手入门教程 要入门机器学习,一个自己感兴趣又有丰富数据的领域再好不过了。 今天我们就来学习用Keras构建模型,识别NSFW图片,俗称造个鉴黄AI。 资源来自一名印度小哥Praneeth Bedapudi,涉及图像分类和目标检测两个科目。他在GitHub上最新发布了NudeNet项目,包… 机器学习 2023年4月13日 000 GAN生成对抗网络 Ian Goodfellow 生成对抗网络(GAN)论文解析 原文:Generative Adversarial Nets 作者:Adit Deshpande 编译:KK4SBB 欢迎人工智能领域技术投稿、约稿、给文章纠错,请发送邮件至[email protected] Yann LeCun大神曾经说过,“对抗训练是近些年来机器学习领域中最炫酷的想法”。没错,对抗训练已经在深度学习的圈子里掀起了不小的涟漪。本文将介绍三… 2023年4月6日 000 软件——机器学习与Python,聚类,K——means K-means是一种聚类算法: 这里运用k-means进行31个城市的分类 城市的数据保存在city.txt文件中,内容如下: BJ,2959.19,730.79,749.41,513.34,467.87,1141.82,478.42,457.64TianJin,2459.77,495.47,697.33,302.87,284.19,735.97,570.… 机器学习 2023年4月10日 000