XiaoMi-AI文件搜索系统
World File Search SystemCS231N
对Wasserstein Gans和F-Gans的探索| CS231N
生成对抗网（GAN）[4]被提议为计算机视觉领域中的生成建模框架。gan从训练数据样本中学习了概率分布，因此从Random Noises生成了新图像。此“学习和生成”机制建立在对手上，一个分类器作为判别模型，以确定是否直接从数据中采样图像还是由发电机生成，也是另一个具有从随机噪声生成图像的代理组件。损失功能鼓励发电机使歧视器将生成的图像分类为实际数据。正如CS231N讲座中所讨论的那样，由于生成模型的本质是检测现有数据中的概率密度，然后对Vanilla Gan及其变体产生，因此这些gan犯罪者的最终输出的最终输出被模型为输入图像的可能性，是从数据中采样的实际图像，而不是生成的。这在以前的工作中被证明是有效的。但是，我们可以考虑其他方法，其中之一是Wasserstein-Gan（Wgan），它不训练歧视者（评论家）作为分类器输出
从海报中推断电影流派-CS231N
将他们的海报分类为正确的流派是一个问题，它可以使自己可以卷积的网络网络进行卷积，并且可以证明对广告商，制作人和观众带来了巨大的好处，因为它可以帮助观众与观众更容易使观众与观众更容易使观众与Browse and Browse and browse and browse and browse和sece lect se lect电影相结合。Movie-Genre分类的先前工作已经尝试从海报中提取低级功能，使用电影本身的功能以及使用KNN和NaéveBayes的标准Resnet50体系结构。在本文中，我探讨了更深入的预先训练的传统网络（如VGG19和Resnet101）以及Alexnet的应用，以探索转移学习的生存能力和此问题的不同架构。使用IMDB电影海报数据集使用Resnet101实现了42％的最高准确性。 其他网络似乎很好地表明，改进的表现可能更多地取决于平衡数据集和功能工程，而不是在这3个网络架构之间进行更改。使用IMDB电影海报数据集使用Resnet101实现了42％的最高准确性。其他网络似乎很好地表明，改进的表现可能更多地取决于平衡数据集和功能工程，而不是在这3个网络架构之间进行更改。
使用计算机视觉进行攀爬等级分类-CS231N
月球板是攀岩社区中的标准化攀岩板弹出板，攀岩概率分为离散类别。当前，没有完美的分类器来确定概率的等级。在这里，我们提出了一种新颖的方法，用于通过提供爬升的图像作为视觉模型的输入来攀登月板攀爬。为此，我们制定了一个数据集，其中每个攀登都有一个相应的图像，其中可用。然后，我们训练了定制的CNN和预定型模型，以将这些攀爬分类为正确的难度。我们在测试数据集上实现了40％的性能，这与先前的非视觉方法相当。由于数据集显着不平衡，因此我们试图通过平均加权不同类别来平衡学习。在以这种方式平衡学习的同时，并不能改善总体结果，但导致平均班级准确性的显着提高。这里提出的另一个新颖的方法是将这个问题构建为回归而不是分类：这导致稍差的恢复，但批判性地，逐一的准确性（我们也认为，当问题放在邻近的困难中时，它是正确分类的）。最后，我们显示了显着图，以指示模型用于分类的特征，以及对错误分类问题的定性讨论。
采用 DINOv2 的脑成像基础模型... - CS231n
近年来，随着 Transformer 等深度学习技术的飞速发展，深度学习已逐渐融入社会的各个领域，用于处理音频、语言和视觉等各种任务。深度学习有助于减轻医疗负担并解决复杂问题，例如模拟蛋白质折叠。随着强大的 Transformer 模型的不断发展，最近的一个重点领域是开发基础模型，以迈向通用人工智能。DINOv2 是一种最近发布的稳健特征提取模型，作为基础模型，在执行各种医疗任务（例如疾病分类和器官分割）方面取得了良好的效果。在本文中，我们尝试将 DINOv2 编码器集成到不同的模型中，从简单的自动编码器模型到更复杂的卷积 Transformer 模型，以解决更复杂的 MRI 成像图像配准问题。结果表明，DINOv2 在 Transformer 模型中有望用于解决 MRI 配准问题，未来需要研究如何集成 DINOv2 以实现更强大的 MRI 配准特征提取。
机器学习的加速器体系结构
Joel Emer，Vivienne Sze，Yu-Hsin Chen，Tien-Ju Yang，Isca 2019 2019年深神经网络的教程有效处理，Vivienne Sze，Yu-Hsin Sze，Yu-Hsin Chen，Tien-Ju Yang Yang，Joel Emer，Joel Emer，Morgan，Morke emer，Morke and Morke and Claypool出版商，2020 Yakun sophia sophia shao shao shao shao shao shao shao shao shao，ucia shao，ucy ucia ucy ucy ucy u e eeee， 2020 CS231N卷积神经网络视觉识别，斯坦福大学，2020年