注册会员 | 设为首页 | 加入收藏夹
您好，欢迎光临本网站！[请登录] ！[注册会员]！  

搜索资源列表

  1. 人脸识别综述:从子空间回归到深度学习

  2. 人脸识别技术介绍：从子空间回归到深度学习，深入分析了以图像梯度方向和韦伯脸为代表的“浅层”特征所引发的零和差异现 象，以PCANet 代表的将卷积神经网络与经典的“特征图-模式图-柱状图”特征提取框架相结合的编码原 理

  3. 所属分类：深度学习

    • 发布日期：2017-12-05
    • 文件大小：4mb
    • 提供者：woshicsdn7547

  1. 《图卷积神经网络》中文综述论文

  2. 过去几年,卷积神经网络因其强大的建模能力引起广泛关注,在自然语言处理、图像识别等领域成功应用。然而,传统的卷积神经网络只能处理欧氏空间数据,而现实生活中的许多场景,如交通网络、社交网络、引用网络等,都是以图数据的形式存在。

  3. 所属分类：机器学习

    • 发布日期：2020-05-19
    • 文件大小：3mb
    • 提供者：syp_net

  1. 最新《图机器学习》综述论文 (斯坦福谷歌)

  2. 近年来，人们对学习图结构数据表示的兴趣大增。基于标记数据的可用性，图表示学习方法一般分为三大类。第一种是网络嵌入(如浅层图嵌入或图自动编码器)，它侧重于学习关系结构的无监督表示。第二种是图正则化神经网络，它利用图来增加半监督学习的正则化目标的神经网络损失。

  3. 所属分类：机器学习

    • 发布日期：2020-05-11
    • 文件大小：1mb
    • 提供者：syp_net

  1. GAN生成对抗网络综述.pdf

  2. 2019-2020年，关于图神经网络的综述性论文，题目：A Review on Generative Adversarial Networks: Algorithms, Theory, and Applications，英文版的

  3. 所属分类：深度学习

    • 发布日期：2020-04-24
    • 文件大小：1mb
    • 提供者：qq_36225236

  1. 图卷积神经网络中的池化综述.pdf

  2. 图卷积神经网络(GCNNs)是深度学习技术在图结构数据问题上的一种强大的扩展。我们对GCNNs的几种池方法进行了实证评估，并将这些图池化方法与三种不同架构(GCN、TAGCN和GraphSAGE)进行了组合。我们证实，图池化，特别是DiffPool，提高了流行的图分类数据集的分类精度，并发现，平均而言，TAGCN达到了可比或更好的精度比GCN和GraphSAGE，特别是对数据集较大和稀疏的图结构。

  3. 所属分类：机器学习

    • 发布日期：2020-04-08
    • 文件大小：323kb
    • 提供者：syp_net

  1. 图神经网络表达能力的研究综述【日本京都大学】.pdf

  2. 图神经网络是解决各种图学习问题的有效的机器学习模型。尽管它们取得了经验上的成功，但是GNNs的理论局限性最近已经被揭示出来。因此，人们提出了许多GNN模型来克服这些限制。在这次调查中，我们全面概述了GNNs的表达能力和可证明的强大的GNNs变体。

  3. 所属分类：机器学习

    • 发布日期：2020-03-10
    • 文件大小：660kb
    • 提供者：syp_net

  1. 基于两阶段的目标检测综述.pptx

  2. object detection(目标检测)就是在给定的图片中，找出图片所在的区域，然后判断这个区域是什么类别。目标检测技术在这几年已经发展得相当的成熟，识别精度还有训练速度在一定程度上已经到达了一个瓶颈期。使用深度学习的目标检测主要常用的方法是使用卷积神经网络提取特征，然后再使用分类器进行分类，还有使用回归方法将检测的目标进行定位。本文主要是介绍目标检测中两阶段目标检测经典的检测算法，以及对比他们的差异性优缺点。本文主要介绍的目标检测方法有，R-CNN、SPP-NET、Fast R-CNN还有

  3. 所属分类：讲义

    • 发布日期：2019-07-21
    • 文件大小：2mb
    • 提供者：qq_28503457

  1. 医学图像分割方法综述_刘宇2017.pdf

  2. 摘 要 医学图像分割方法与理论众多，文中简要介绍了基于边界阈值区域增长统计学图论活动轮廓信息 论模糊集理论神经网络的医学图像分割方法，这些方法各有优劣，部分已成为临床基本的图像分割技术 近年来许多 学者对经典的分割方法进行改良，通过多种分割方法结合，有效提高了分割的效率，或改进算法弥补原有分割方法缺陷 随着计算机计算性能的提高，各种新的算法将不断涌现 关键词 医学影像; 图像分割; 神经网络

  3. 所属分类：医疗

    • 发布日期：2020-06-29
    • 文件大小：205kb
    • 提供者：phytle0

  1. 一份实用《图神经网络GNN》笔记

  2. GNN综述阅读报告，报告涵盖有多篇GNN方面的论文，以及一个按照论文《The Graph Neural Network Model 》使用pytorch编写的模型例子，该模型在人工数据上进行运行和验证。

  3. 所属分类：机器学习

    • 发布日期：2020-07-22
    • 文件大小：6mb
    • 提供者：syp_net

  1. 28组-大数据处理-异质图神经网络.pptx

  2. 实际系统往往由大量类型各异、彼此交互的组件构成.当前大多数工作将其建模为同质信息网络,并未对网络中不同类型的对象及链接加以区分.近年来,越来越多的研究者将这些互联数据建模为由不同类型节点和边构成的异质信息网络,并利用网络中全面的结构信息和丰富的语义信息进行更精准的知识发现.随着大数据时代的到来,异质信息网络自然融合异构多源数据的优势使其成为解决大数据多样性的重要途径.因此,异质信息网络分析迅速成为数据挖掘研究和产业应用的热点.本文对异质信息网络分析与应用进行了全面综述.除介绍异质信息网络领域的基

  3. 所属分类：机器学习

    • 发布日期：2020-09-29
    • 文件大小：5mb
    • 提供者：qq_41346728

  1. 图神经网络计算综述论文（2020年）

  2. 近年来，图神经网络(GNNs)由于具有建模和从图结构数据中学习的能力，在机器学习领域得到了迅猛发展。这种能力在数据具有内在关联的各种领域具有很强的影响，而传统的神经网络在这些领域的表现并不好。

  3. 所属分类：机器学习

    • 发布日期：2020-10-05
    • 文件大小：2mb
    • 提供者：syp_net

  1. 《图神经网络推荐系统》2020综述论文

  2. 随着网络信息的爆炸式增长，推荐系统在缓解信息过载方面发挥了重要作用。由于推荐系统具有重要的应用价值，这一领域的研究一直在不断涌现。近年来，图神经网络(GNN)技术得到了广泛的关注，它能将节点信息和拓扑结构自然地结合起来。

  3. 所属分类：机器学习

    • 发布日期：2020-11-07
    • 文件大小：2mb
    • 提供者：syp_net

  1. 《图神经网络推荐系统》2020综述论文

  2. 构建和管理一个知识图谱需要一些努力和语义技术方面的大量经验。将这个知识图谱转化为解决问题的有用资源需要更多的努力。

  3. 所属分类：机器学习

    • 发布日期：2020-11-07
    • 文件大小：25mb
    • 提供者：syp_net

  1. 基于深度学习的行为检测方法综述_高陈强.caj

  2. 行为检测在自动驾驶、视频监控等领域的广阔应用前景使其成为了视频分析的研究热点。近年来，基于深度学习的方法在行为检测领域取得了巨大的进展，引起了国内外研究者的关注，对这些方法进行了全面的梳理和总结，介绍了行为检测任务的详细定义和面临的主要挑战; 从时序行为检测和时空行为检测 2 个方面对相关文献做了细致地分类，综合分析了每一类别中不同研究方法的思路和优缺点，并阐述了基于弱监督学习、图卷积神经网络、注意力机制等新兴研究话题的相关方法; 介绍了行为检测领域常用的数据集以及性能评估指标，在这些数据集上比

  3. 所属分类：深度学习

    • 发布日期：2020-12-25
    • 文件大小：1mb
    • 提供者：WhiffeYF

  1. automl-神经架构搜索(NAS)-综述

  2. 综述文章 Neural Architecture Search: A Survey (神经网络结构搜索survey) 神经架构搜索的几个研究视角 搜索空间/模型结构 搜索空间定义了NAS算法可以搜索的神经网络的类型，同时也定义了应该如何描述神经网络结构。神经网络所实现的计算可以抽象成一个无孤立节点的有向无环图（DAG），图的节点代表神经网络的层（卷积网络中的特征图），边代表数据的流动（进行的操作：卷积、池化等）。每个节点从其前驱节点（有边射入）接收数据，经过计算之后将数据输出到后续节点（有

  3. 所属分类：其它

    • 发布日期：2021-01-06
    • 文件大小：326kb
    • 提供者：weixin_38621386

  1. 「深度图结构学习鲁棒表示」简明综述论文

  2. 图神经网络(GNNs)广泛应用于分析图结构数据。大多数GNN方法对图结构的质量非常敏感，通常需要一个完美的图结构来学习信息嵌入。然而，图中噪声的普遍性需要学习鲁棒表示以解决真实世界问题。为了提高GNN模型的鲁棒性，许多研究围绕图结构学习(Graph Structure Learning, GSL)这一中心概念提出，旨在共同学习优化的图结构及其表示。

  3. 所属分类：机器学习

    • 发布日期：2021-03-07
    • 文件大小：529kb
    • 提供者：syp_net

  1. 基于深度学习的图像语义分割算法综述

  2. 本文来自于个人博客，这篇文章讲述卷积神经网络在图像语义分割（semanticimagesegmentation）的应用。图像分割这项计算机视觉任务需要判定一张图片中特定区域的所属类别。更具体地说，图像语义分割的目标是将图像的每个像素所属类别进行标注。因为我们是预测图像中的每个像素，这个任务通常被称为密集预测（denseprediction）。需要注意的一点是我们不对同一类的实例进行分离;我们只关心每个像素的类别。换句话说，如果输入图像中有两个相同类别的对象，则分割图本身并不一定将它们区分为单独的

  3. 所属分类：其它

    • 发布日期：2021-02-25
    • 文件大小：928kb
    • 提供者：weixin_38508126

  1. 图深度学习(GraphDL)，下一个人工智能算法热点

  2. 【导读】最近，DeepMind、Google大脑、MIT等各大研究机构相继发表了一系列的关于图深度学习的论文，包括关系性RNN、关系性深度强化学习、图卷积神经网络等，这是否预示这是下一个AI算法热点。专知整理了最近图深度学习相关的热点论文，一文看晓。1.Relationalinductivebiases,deeplearning,andgraphnetworks（图网络深度学习综述文章）首先就是这篇由DeepMind、Google大脑、MIT、爱丁堡大学27个作者发表的37页关于关系归纳偏置、典

  3. 所属分类：其它

    • 发布日期：2021-02-23
    • 文件大小：417kb
    • 提供者：weixin_38738005

  1. GNNPapers：关于图神经网络（GNN）的必读论文-源码

  2. 必须阅读的有关GNN的论文 GNN：图神经网络 由周杰，崔干渠，张正彦和白玉石贡献。 图神经网络简介。 人工智能和机器学习，摩根克莱普尔出版社，2020年合成讲座 刘志远周杰 图神经网络：方法与应用综述。 arxiv 2018. 周杰，崔干渠，张正彦，杨成，刘志远，孙茂松。 图神经网络的全面调查。 arxiv 2019. 吴宗汉，潘世瑞，陈凤文，龙国栋，张成启，余飞飞。 图形数据的对抗性和防御性：一项调查。 arxiv 2018. 孙立超，窦颖彤，杨卡尔，王继，余宇飞，李波。 图上的深度学

  3. 所属分类：其它

    • 发布日期：2021-02-19
    • 文件大小：30kb
    • 提供者：weixin_42134144

  1. 大规模图神经网络系统综述(中文版)

  2. 图神经网络（GNN）是一类基于深度学习的处理图域信息的方法，它通过将图广播操作和深度学习算法结合，可以让图的结构信息和顶点属性信息都参与到学习中，在顶点分类、图分类、链接预测等应用中表现出良好的效果和可解释性，已成为一种广泛应用的图分析方法.

  3. 所属分类：机器学习

    • 发布日期：2021-03-30
    • 文件大小：713kb
    • 提供者：syp_net
« 12 »