【论文夜读】【随笔】当今AI研究的几个原则(rule)

2023-10-08 23:59

本文主要是介绍【论文夜读】【随笔】当今AI研究的几个原则(rule),希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

【论文夜读】【随笔】当今AI研究的几个原则(rule)


什么原则

总体来说,当前的AI研究不外乎三大原则(这三大原则是我按时间维度排列的):

  • 原则一:未来的预言:复杂的智能来自于密集或海量的线性代数或多项式运算映射拟合加上巧妙仿生的结构图谱组合
  • 原则二:当前的概括:当前paper不外乎:
  1. 更好地拟合或映射的技巧;
  2. 一种讨巧于特定的任务场景而为之迎合设计的映射方式结构
  3. 通用的能实现更强大智能的、统御组合各个小映射结构的宏观架构;
  • 原则一:过去的起源:人类的梦/灵魂/思维逻辑/记忆:它们在AI中是否能用算法实现,它们的本质到底是什么;

以下是一些鄙人的论文杂记。。。


Beyond Part Models: Person Retrieval with Refined Part Pooling

这里写图片描述

行人检索,也称为行人重识别(Re-ID),旨在给定一个感兴趣的查询人在一个大的数据库中,检索指定的行人。

本文主要采用ResNet50来进行Part-based Convolutional Baseline (PCB)。本文对解决行人检索问题做出了两方面的贡献。首先,提出了一种基于部分卷积基线(PCB)学习part-informed特征。PCB采用简单的均匀划分策略,并将part-informed特征组装成卷积描述符。PCB将最新的技术水平提升到一个新的水平,证明它是学习part-informed特征的强基线。尽管PCB具有均匀的分区是简单而有效的,但仍有待改进。提出了优化部分池化,以加强在每个部分的内部一致性。细化后,相似的列向量被归纳为相同的部分,使得每个部分更加内部一致。优化部分池化不需要部分标记信息,并显著改善PCB。

总体来说我不大了解这个分支,不过这篇文章属于原则二的第二小点


Competitive Inner-Imaging Squeeze and Excitation for Residual Network

这里写图片描述
这里写图片描述

本文在SE-Net(Squeeze-Excitation)的基础上,根据已有的残差映射作为恒等映射的一种补充建模的论点,提出了残差和恒等流进行竞争建模共同决定channel-wise attention输出的改进,使得恒等流能自主参与对自身补充的权重调控;另外,本文针对网络中间特征的精炼建模任务,提出了对channel squeezed特征进行重成像,将各个信道的global特征重组为一张新的feature map,并使用卷积(21,11两种)操作完成对重组特征图的建模,以此学习来自残差流和恒等流所有channels的信道关系信息,将之前的:1.分别建模chanel-wise关系;2.再合并建模残差映射和恒等映射竞争关系,这样两步融合为建模综合信道关系一步;称这一机制为cnn内部特征的重成像(Inner-Imaging),探索了一种新的,考虑位置关系的,使用卷积进行SE(channel-wise attention)建模的CNNs设计方向。 本文实验在CIFAR-10,100,SVHN,ImageNet2012数据集上进行,验证了提出方法的有效性,并发现提出方法对较小规模网络的潜力挖掘作用,使其能用更少的参数达到甚至超越原先更大网络才能达到的效果。

Inner-Imaging这个概念挺有意思。但是总体来说本文属于原则二的“ 更好地拟合或映射的技巧”。

这篇关于【论文夜读】【随笔】当今AI研究的几个原则(rule)的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!


原文地址:https://blog.csdn.net/hanss2/article/details/81271952
本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.chinasem.cn/article/168870

相关文章

基于Flask框架添加多个AI模型的API并进行交互

《基于Flask框架添加多个AI模型的API并进行交互》:本文主要介绍如何基于Flask框架开发AI模型API管理系统,允许用户添加、删除不同AI模型的API密钥,感兴趣的可以了解下... 目录1. 概述2. 后端代码说明2.1 依赖库导入2.2 应用初始化2.3 API 存储字典2.4 路由函数2.5 应

Spring AI ectorStore的使用流程

《SpringAIectorStore的使用流程》SpringAI中的VectorStore是一种用于存储和检索高维向量数据的数据库或存储解决方案,它在AI应用中发挥着至关重要的作用,本文给大家介... 目录一、VectorStore的基本概念二、VectorStore的核心接口三、VectorStore的

Spring AI集成DeepSeek三步搞定Java智能应用的详细过程

《SpringAI集成DeepSeek三步搞定Java智能应用的详细过程》本文介绍了如何使用SpringAI集成DeepSeek,一个国内顶尖的多模态大模型,SpringAI提供了一套统一的接口,简... 目录DeepSeek 介绍Spring AI 是什么?Spring AI 的主要功能包括1、环境准备2

Spring AI集成DeepSeek实现流式输出的操作方法

《SpringAI集成DeepSeek实现流式输出的操作方法》本文介绍了如何在SpringBoot中使用Sse(Server-SentEvents)技术实现流式输出,后端使用SpringMVC中的S... 目录一、后端代码二、前端代码三、运行项目小天有话说题外话参考资料前面一篇文章我们实现了《Spring

Spring AI与DeepSeek实战一之快速打造智能对话应用

《SpringAI与DeepSeek实战一之快速打造智能对话应用》本文详细介绍了如何通过SpringAI框架集成DeepSeek大模型,实现普通对话和流式对话功能,步骤包括申请API-KEY、项目搭... 目录一、概述二、申请DeepSeek的API-KEY三、项目搭建3.1. 开发环境要求3.2. mav

C#集成DeepSeek模型实现AI私有化的流程步骤(本地部署与API调用教程)

《C#集成DeepSeek模型实现AI私有化的流程步骤(本地部署与API调用教程)》本文主要介绍了C#集成DeepSeek模型实现AI私有化的方法,包括搭建基础环境,如安装Ollama和下载DeepS... 目录前言搭建基础环境1、安装 Ollama2、下载 DeepSeek R1 模型客户端 ChatBo

Spring AI集成DeepSeek的详细步骤

《SpringAI集成DeepSeek的详细步骤》DeepSeek作为一款卓越的国产AI模型,越来越多的公司考虑在自己的应用中集成,对于Java应用来说,我们可以借助SpringAI集成DeepSe... 目录DeepSeek 介绍Spring AI 是什么?1、环境准备2、构建项目2.1、pom依赖2.2

使用 sql-research-assistant进行 SQL 数据库研究的实战指南(代码实现演示)

《使用sql-research-assistant进行SQL数据库研究的实战指南(代码实现演示)》本文介绍了sql-research-assistant工具,该工具基于LangChain框架,集... 目录技术背景介绍核心原理解析代码实现演示安装和配置项目集成LangSmith 配置(可选)启动服务应用场景

Deepseek R1模型本地化部署+API接口调用详细教程(释放AI生产力)

《DeepseekR1模型本地化部署+API接口调用详细教程(释放AI生产力)》本文介绍了本地部署DeepSeekR1模型和通过API调用将其集成到VSCode中的过程,作者详细步骤展示了如何下载和... 目录前言一、deepseek R1模型与chatGPT o1系列模型对比二、本地部署步骤1.安装oll

Spring AI Alibaba接入大模型时的依赖问题小结

《SpringAIAlibaba接入大模型时的依赖问题小结》文章介绍了如何在pom.xml文件中配置SpringAIAlibaba依赖,并提供了一个示例pom.xml文件,同时,建议将Maven仓... 目录(一)pom.XML文件:(二)application.yml配置文件(一)pom.xml文件:首