unsupervised专题
Structure-Aware Feature Fusion for Unsupervised Domain Adaptation
Structure-Aware Feature Fusion for Unsupervised Domain Adaptation 摘要引言相关工作UDA中的分布匹配方法 Model 摘要 无监督域适应（Unsupervised Domain Adaptation，UDA）旨在从有标注的源域中学习并迁移通用特征到无任何标注的目标域。现有的方法仅对高层次的表示进行对齐，却没有利
Language Models are Unsupervised Multitask Learners
摘要 自然语言处理任务，如问答、机器翻译、阅读理解和摘要，通常在任务特定的数据集上使用监督学习来处理。当在一个名为WebText的数百万网页的新数据集上训练时,我们证明了语言模型在没有任何明确监督的情况下开始学习这些任务。在不使用127,000多个训练示例的情况下，当以文档和问题为条件时，语言模型生成的答案在CoQA数据集上达到55的F1值 -匹配或超过4个基线系统中的3个的性能。语言模型的能力
[MOCO] Momentum Contrast for Unsupervised Visual Representation Learning
1、目的 无监督表示学习在自然图像领域已经很成功，因为语言任务有离散的信号空间（words, sub-word units等），便于构建tokenized字典 现有的无监督视觉表示学习方法可以看作是构建动态字典，字典的“keys”则是从数据（images or patches）中采样得到的，并用编码网络来代表 构建的字典需要满足large和co
UNSUPERVISED CROSS-DOMAIN IMAGE GENERATION
本文提出了一个域转换网络(domain transfer network,DTN),网络的作用是,对于给定两个域S,T,我们希望学习一个生成函数G,将S域的样本映射到域T,这样,对于一个给定函数f,不管f的输入为来自域S或T,f的输出会保持不变. 网络结构如下: 生成网络包括函数f,g.f用于提取输入图像的特征,得到一个特征向量.g的输入为f的输出,输出为目标风格的图像.训练数据为为无监督
Unsupervised Domain Adaptation by Backpropagation 阅读笔记
链接:Unsupervised Domain Adaptation by Backpropagation笔记
3D 论文阅读 PointContrast: Unsupervised Pre-training for 3D Point Cloud Understanding简记
PointContrast: Unsupervised Pre-training for 3D Point Cloud Understanding 摘要PointContrast Pre-training实验结果 摘要 简单记一下Charles R. Qi的新作 PointContrast: Unsupervised Pre-training for 3D Point Clou
Datacamp 笔记代码 Unsupervised Learning in Python 第三章 Decorrelating your data and dimension reduction
更多原始数据文档和JupyterNotebook Github: https://github.com/JinnyR/Datacamp_DataScienceTrack_Python Datacamp track: Data Scientist with Python - Course 23 (3) Exercise Correlated data in nature You are gi
Datacamp 笔记代码 Unsupervised Learning in Python 第二章 Visualization with hierarchical clustering t-SNE
更多原始数据文档和JupyterNotebook Github: https://github.com/JinnyR/Datacamp_DataScienceTrack_Python Datacamp track: Data Scientist with Python - Course 23 (2) Exercise Hierarchical clustering of the grain
Datacamp 笔记代码 Unsupervised Learning in Python 第一章 Clustering for dataset exploration
更多原始数据文档和JupyterNotebook Github: https://github.com/JinnyR/Datacamp_DataScienceTrack_Python Datacamp track: Data Scientist with Python - Course 23 (1) Exercise Clustering 2D points From the scatte
CoSeg: Cognitively Inspired Unsupervised Generic Event Segmentation
名词解释 1.特征重建 特征重建是一种机器学习中常用的技术，通常用于自监督学习或无监督学习任务。在特征重建中，模型被要求将输入数据经过编码器（encoder）转换成某种表示，然后再经过解码器（decoder）将这种表示转换回原始的输入数据。 具体来说，特征重建的过程通常分为以下几个步骤： 1.编码（Encoding）： 输入数据经过编码器，被映射到一个低维度的表示空间中，这个表示通常称为特征向
Unsupervised Image-to-Image Translation Networks
Unsupervised Image-to-Image Translation Networks 无监督图像到图像翻译网络 Ming-Yu Liu, Thomas Breuel, Jan Kautz 刘明玉，Thomas Breuel，Jan Kautz NVIDIA {mingyul,tbreuel,jkautz}@nvidia.com NVIDIA {mingyul，tbreuel，jka
GoodPoint: unsupervised learning of keypoint detection and description∗
主要提供了一种无监督的deep feature的提取方式 good point应该满足： they should be distributed more or less evenly throughout the image; have good repeatability between different view- points; be recognizable a
Andrew Ng机器学习week8(Unsupervised Learning)编程习题
Andrew Ng机器学习week8(Unsupervised Learning)编程习题 findClosestCentroids.m function idx = findClosestCentroids(X, centroids)%FINDCLOSESTCENTROIDS computes the centroid memberships for every example% i
Unsupervised Semantic Segmentation by Contrasting Object Mask Proposals
positive pairs of object-centric crops(X, X + ^+ +) ，negative pairs X k − ^−_k k− 辅助信息 表述不全，不建议复现
2018.8. Unsupervised machine translation: A novel approach to provide fast... 阅读笔记
Unsupervised machine translation: A novel approach to provide fast, accurate translations for more languages FB AI research Abstract 本文提出的方法由两个步骤构成：word-by-word initialization 和 translating sentenc
2018.2. Unsupervised Neural Machine Translation 阅读笔记
2018.2-Mikel Artetxe, Kyunghyum Cho-Unsupervised Nueral Machine Translation UPV/EHU, New York University ICLR2018 Abstract This paer build upon the recent work on unsupervised embedding mappings 这
论文解读：(MoCo)Momentum Contrast for Unsupervised Visual Representation Learning
文章汇总 参数的更新，指encoder q的参数，为encoder k，sampling，monentum encoder 的参数。 值得注意的是对于(b)、(c)这里反向传播只更新，的更新只依赖于。 对比学习如同查字典 考虑一个编码查询和一组编码样本是字典的键。假设字典中只有一个键(记为)与匹配。对比损失[29]是指当与它的正键相似，且与其他所有键不相似时(认
小白的论文学习笔记《Unsupervised Learning of Probably Symmetric Deformable 3D Objects from Images in the Wild》
这篇论文用百度翻译出来中文题目就是：从野外图像中无监督学习可能对称的可变形三维物体。 我本科是学机械的，然后现在研一转成了视觉方向，这也算是我第一次读三维视觉的文章，现在基础知识非常薄弱，所以有许多地方可能会有问题还希望各位能批评指正。 这篇文章主要写的是：从一幅图像中重建可变形物体实例的3D姿态、形状、反照率和光照，具有极佳的保真度。 文章提出了一种在没有外部监督的情况下，从原始单视角图像中学
Deep Unsupervised Learning using Nonequilibrium Thermodynamics
就直接从算法部分开始了： 2 算法 我们的目标是定义一个前向（或者推理）扩散过程，这个过程能够转换任意的复杂数据分部到一个简单、tractable、分布，并且学习有限时间扩散过程的反转 从而 定义我们的生成模型分布。我们接着展示了反转、生成式扩散过程能够被训练，并且被用来评估可能性。我们同样推导出这些反转过程的交叉熵界，并且展示怎么学习分布能够被第二个分布相乘（例如，在修复货去噪图像时，计算后
Unsupervised Image Matching based on Manifold Alignment（笔记）
这是一篇关于无监督流形对齐方法的论文，这里从论文的第三部分开始说明文章的主要算法步骤，前两部分introduction和related work省略。 1.UNSUPERVISED IMAGE MATCHING（原文第三节） 这一节给出了估计两个图像数据集之间对应关系的方法。 给定两个图像数据集, 每幅图像的像素点构成一个向量(就是把一幅图像拉成一列作为一个样
Re62：读论文 GPT-2 Language Models are Unsupervised Multitask Learners
诸神缄默不语-个人CSDN博文目录 诸神缄默不语的论文阅读笔记和分类 论文全名：Language Models are Unsupervised Multitask Learners 论文下载地址：https://cdn.openai.com/better-language-models/language_models_are_unsupervised_multitask_learners.pd
Chen et al. Deep Association Learning for Unsupervised Video Person Re-identification论文翻译
原文：https://arxiv.org/pdf/1808.07301.pdf 有些地方翻译地不是很准确，加上DAL系列的paper就只看了这一篇，其它还要去补。不知道它这个为什么要用TensorFlow来训练模型用matlab来评估。其code在：https://github.com/yanbeic/Deep-Association-Learning Deep Association Learn
UnDeepVO: Monocular Visual Odometry through Unsupervised Deep Learning 论文阅读
论文链接 UnDeepVO: Monocular Visual Odometry through Unsupervised Deep Learning 0. Abstract 提出了一种名为 UnDeepVO 的新型单目视觉里程计（VO）系统。 UnDeepVO 能够使用深度神经网络估计单目相机的 6-DoF 位姿及其视图深度两个显着特征：一是无监督深度学习方案，二是绝对规模恢复
【论文阅读】DMGI：Unsupervised Attributed Multiplex Network Embedding
无监督属性化多路复用网络嵌入 摘要1 引言2 问题陈述3 Unsupervised Attributed Multiplex Network Embedding3.1 Deep Multiplex Graph Infomax: DMGI 4 实验 摘要 多路复用网络中的节点由多种类型的关系连接。然而，大多数现有的网络嵌入方法都假设节点之间只存在一种单一的关系。即使对于考虑网络多重
【论文阅读 | AAAI2020】Unsupervised Attributed Multiplex Network Embedding
论文题目：Unsupervised Attributed Multiplex Network Embedding 论文地址：https://arxiv.org/abs/1911.06750 代码地址：https://github.com/pcy1302/DMGI 引用方式：@article{park2019unsupervised,title={Unsupervised Attrib
Progressive Feature Alignment for Unsupervised Domain Adaptation 学习
http://export.arxiv.org/pdf/1811.08585 讲的是通过聚类的方式进行跨域适应，在目标域上进行聚类的时候，是逐渐聚类的。