不久前看到一篇paper，感觉效果虽然不是特别好，但是对于图像检索和目标识别的后续工作特别有启发意义，所以大致记录一下阅读笔记，以此激励自己学习。 近年来，基于CNN的图像表征已经为图像检索提供了很有效的描述子，超越了很多由预训练CNN模型的到的短向量表示。然而这些方法和模型不适用于几何感知重排，仍然会被一些依赖于精确的特征匹配，几何重排或者查询扩展的传统图像检索所超越。所以本文的工作利用CNN

tf.keras.activations.deserialize 需要导入的模块： from tensorflow.python.keras.utils.generic_utils import deserialize_keras_object from tensorflow.python.util.tf_export import tf_export tf.keras.activatio

今天使用transformers遇到这个错误，查了很多都是说pytorch、tensorflow以及keras版本不对应问题。更改torch版本和transformers版本均不行，按照别人经验将tensorflow升级为最新2.3.1版也不行。 看报错发现是下面这句 点进去，将该激活方法注释掉即可。（前提是我没有使用到） 解决！

CVPR2019 很简单的一篇文章，不是在网络结构设计或者loss上做改进， 而是提出一种简单的学习策略。它基于curriculum learning 的思想：如果我们先学习简单的任务， 再学习复杂的任务， 我们会取得更好的效果。 以YOLO为例： 在YOLO的网络中加入这样的辅助激发层(AE）。 它根据ground truth的位置， 在原有特征图上激发对应位置（实质也是attenti

实验代码github:https://github.com/teganmaharaj/zoneout 摘要 我们提出了zoneout，这是一种用于正则化RNN的新方法。 在每个时刻，zoneout随机地令某些隐藏单元保持其上一时刻的值。像dropout一样，zoneout使用随机噪声来训练伪集合，从而改善泛化。并且，通过保留而不是丢弃隐藏单元，梯度信息和状态信息更容易通过时间传播，如在前馈随机