相关阅读
相关 2019CVPR细粒度论文笔记《Destruction and Construction Learning for Fine-grained Image Recognition》
CVPR2019的一篇细粒度分类，京东AI研究院： Chen Y, Bai Y, Zhang W, Mei T. Destruction and Constru
妖狐艹你老母相关 细粒度论文笔记《Webly Supervised Learning Meets Zero-Shot Learning: A Hybrid Approach for FGVC 》
L. Liu, A. Veeraraghavan, A. Sabharwal. Webly Supervised Learning Meets Zero-Shot Learni
相关 细粒度论文笔记《Fully convolutional attention localization networks for FGVC》
X. Liu, T. Xia, J. Wang, Y. Q. Lin. Fully convolutional attention localization networks:
相关 Supervised Contrastive Learning
这篇文章非常有意思，在代表自监督领域的对比学习方法中提出了有监督的对比学习框架。 Introduction 交叉熵损失函数有缺乏对嘈杂标签鲁班性，差边距等缺点，但是很多
相关 Supervised Learning
Supervised Learning deal with two problems: continuous & discrete regression deal with
相关 机器学习笔记1-Supervised learning
1.1 Generalized Linear Models both of these methods mentioned before are special cases
相关 《A Discriminative Feature Learning Approach for Deep Face Recognition》论文笔记
1. 论文思想 在这篇文章中尉人脸识别提出了一种损失函数，叫做center loss，在网络中加入该损失函数之后可以使得网络学习每类特征的中心，惩罚每类的特征与中心之间的
相关 Disentangled Variational Auto-Encoder for Semi-supervised Learning论文阅读
这篇论文主要讲了在求隐变量的过程中就提取了特征信息，然后用来一些约束效果比较好。 公式10的推导：（感觉不太懂为什么。。。。不太对但推出来了） 
亦凉相关 Semi-supervised Learning with Deep Generative Models论文笔记
Abstract 现代数据集的规模不断扩大, 加上获取标签信息的难度, 使得半监督学习成为现代数据分析中具有重要现实意义的问题之一。我们重新审视使用生成模型进行半监督学习的方
相关 Center Loss: A Discriminative Feature Learning Approach for Deep Face Recognition（论文阅读笔记）
摘要 卷积神经网络(CNNs)在计算机视觉领域得到了广泛的应用，极大地提高了计算机视觉领域的技术水平。在现有的神经网络中，大多采用softmax损失作为监督信号来训练模型
还没有评论，来说两句吧...