摘要：
本文重点： 和一般形式的文本处理方式一样，并没有特别大的差异，文章的重点在于提出了一个相似度矩阵 计算过程介绍： query和document中的首先通过word embedding处理后获得对应的表示矩阵 利用CNN网络进行处理获得各自的feature map，接着pooling后获得query对 阅读全文
2018年11月2日
2018年4月29日
摘要：
www.sohu.com/a/159976204_717210 生成模型：基于联合概率~共生关系判别模型：基于条件概率~因果关系 生成模型之学习数据分布：1)概率密度函数估计 2)数据样本生成 模型目标：训练模型，生成样本模型，学习过程是让两者接近解决问题： 数据缺失-因为可以用生成模型自己生成数据 阅读全文
2018年4月21日
2018年4月20日
摘要：
1、# Path to Shapes trained weightsSHAPES_MODEL_PATH = os.path.join(ROOT_DIR, "mask_rcnn_shapes.h5") https://blog.csdn.net/u011574296/article/details/7 阅读全文
2018年4月18日
摘要：
https://blog.csdn.net/chaipp0607/article/details/75577305 https://blog.csdn.net/leastsq/article/details/54374909 tf.logging.set_verbosity(tf.logging.I 阅读全文
摘要：
QA即图像问答：覆盖最全面的AI,ai完备性 动态模型：不同任务需要不同模型 or 不同细分任务需要不同模型参数 数据集： 1）VQA，显示图片+抽象场景；每个问题给10个不同答案；含有无图片答案（考察图片和问题的客观性） 为了降低语言偏置、不均衡（language priors）-》一个问题对应2 阅读全文
2018年4月17日
摘要：
2018-04-25朴素rcnn - 梯度消失严重LSTM长短时记忆模型，有效捕捉长时记忆包含四个神经元组：一个记忆神经元三个控制门神经元：输入、忘记、输出 注意：输入调制门、输出调制门 3个输入：前一时刻的隐藏状态h、前一时刻的记忆状态c、当前时刻的输入x2个输出：当前时刻的隐含状态h，当前时刻的 阅读全文
2018年4月16日
摘要：
显著性检测：1）显著性物体检测-最能引起视觉注意的物体区域2)注视点预测：人类视觉注意机制 视觉注意机制的两种机制：1)自底而上基于数据驱动的注意机制，如颜色、边缘 2）自上而下基于任务驱动的目标的注意机制，如认知因素钟的只是、预期、兴趣 物体分割：Gragh Cuts分割~最小割最大流算法优化Gr 阅读全文
2018年4月14日
摘要：
%mkdir的做法glob('.jpg')np.random.permutation(图片)np.random.rename(，）#save_array：utils中，连接每个btch得到的数组#keras.predict_generatorbatches,preds = vgg.test(,)fi 阅读全文
摘要：
R-CNN: 2014，cnn为Alexnet 训练流程: 1)在imagenet上对cnn模型pre-train 2）使用所有ss生成区域对1）进行fine-tune ~softmax改为21维度 ground-truth：标记的真正的框~lou，阈值0.5~32个正样本，96个负样本 3)在2） 阅读全文