摘要:
指令查询 开发环境 docker 帮助文档 各种目录 中国计算机学会推荐国际学术会议和期刊目录(2022) SCI等评级查询 Python库 网站 介绍 Vega-Altair 绘图库 PyTorch 深度学习框架 前端 网站 介绍 Element-Plus Element-Plus,一套为开发者、 阅读全文
摘要:
有时候服务器只能访问大陆的网站,因此下载 cuda(gpu) 版的 pytorch非常慢。简单的方法是更换镜像源,网上的方法比较乱,实际上换源后直接安装即可。这里使用清华源。 设置全局 pip 源: pip config set global.index-url https://mirrors.tu 阅读全文
摘要:
Background Agent(智能体)指某一个实体,能根据外部的环境,自主做出决策和行动。一个简单的agent示例是一个温度控制器,它能根据环境的温度,自动调节加热器的开关。 \[\begin{aligned}(\text{temperature}>70^{\circ})\wedge(\text 阅读全文
摘要:
前言 模型中常见的可训练层包括卷积层和线性层,这里将给出计算公式并在pytorch下进行验证。 计算模型的参数: import torch.nn as nn def cal_params(model: nn.Module): num_learnable_params = sum(p.numel() 阅读全文
摘要:
这篇文章基于样本选择的噪声标签学习(Learning with Noisy labels)方法,通过引入CLIP帮助过滤噪声样本。 Introduction 噪声标签的方法包括: 开发鲁棒的损失函数 使用标签噪声转移矩阵对噪声标签进行建模 然而这些方法在处理高噪声比和复杂的噪声模式(两个图片很相近但 阅读全文
摘要:
SimCLR Chen, Ting, et al. "A simple framework for contrastive learning of visual representations." International conference on machine learning. PMLR, 阅读全文
摘要:
在工业异常检测任务中,引入并改进扩散模型,通过重建比较实现异常检测。 Background 异常检测(anomaly detection,AD)旨在检测和定位工业产品物体的异常模式,然而: 在某些情况下,为所有异常类型收集足够的异常样本具有挑战性。 由于产品设计和生产流程不断变化,不可能提前收集所有 阅读全文
摘要:
介绍 利用PyQt5搭建一个透明、置顶的画布,根据提供的信息绘制结果。信息包括:边框坐标、检测类别名称、置信度。 屏幕的信息通过mss库实时截屏获取,通过cv2库处理后输入模型进行处理,得到结果。 这里的YOLO v11模型的checkpoints由ultralytics提供,首次使用会自动下载.p 阅读全文
摘要:
相对于R-CNN、Fast RCNN的two-stage目标检测方式,即先在图像中提取候选框,再逐一对图像进行分类。候选框的生成可以是滑动窗口或选择性搜索,再对候选框进行非极大值抑制(一般只在推理时做非极大值抑制,训练时需要这些重复的框)。而YOLO则是one-stage的端到端形式:输入图片,经过 阅读全文
摘要:
本篇论文将大语言模型应用在工业异常检测(Industrial Anomaly Detection,IAD)任务。 引言 IAD任务旨在检测和定位工业产品图像中的异常。由于现实世界样本的稀有性和不可预测性,要求模型仅在正常样本上进行训练,并实现对测试时异常样本的检测。 如图1,现有的IAD方法给出异常 阅读全文
摘要:
基本原理 样本的干净标签后验概率\(P(\mathbf{Y}|X=\mathbf{x})\),可通过噪声标签的后验概率\(P(\bar{\mathbf{Y}}|X = \mathbf{x})\)和噪声转移矩阵\(T(\mathbf{x})\)得到,即: \[P(\bar{\mathbf{Y}}|X= 阅读全文
摘要:
在wsl中配置Ubuntu 在power shell中输出指令,更新并检查版本 wsl --update wsl --version # WSL 版本: 2.3.24.0 # 内核版本: 5.15.153.1-2 # WSLg 版本: 1.0.65 # MSRDC 版本: 1.2.5620 # Di 阅读全文
摘要:
简介 Clothing1M 包含 14 个类别的 100 万张服装图像。这是一个带有噪声标签的数据集,因为数据是从多个在线购物网站收集的,并且包含许多错误标记的样本。该数据集还分别包含 50k、14k 和 10k 张带有干净标签的图像,用于训练、验证和测试。 下载地址:https://github. 阅读全文
摘要:
在不平衡半监督学习的设置下,分类器往往会偏向头部类,这种偏置在有标签集合和无标签集合分布不一致的情况下会进一步加剧,也更难生成准确的伪标签。文中提出了一种新的简单的衡量分类器偏好程度的方法:通过分类器对无意义图片的预测结果来度量模型对类别的偏好,同时根据偏好,在伪标签生成阶段和分类测试阶段调整分类器 阅读全文
摘要:
以cifar100作为闭集(closed-set)数据集,使用resnet18模型进行训练,然后在常见的开集(out-of-distribution)数据集上进行OOD检测。使用MSP(Maximum Softmax Probability)作为OOD检测的依据。 开集噪声数据集使用gaussian 阅读全文
摘要:
在长尾数据集上,本文引入强增强(文中也称为OOD)实现对DeiT的知识蒸馏的改进,实现尾部类分类性能的提升。 动机 ViT相较于CNN缺少归纳偏置,如局部性(一个像素与周围的区域关系更紧密)、平移不变性(图像的主体在图像的任意位置都应该一样重要)。因此需要大型数据集进行预训练。 长尾数据学习的工作有 阅读全文