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 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 机器学习笔记2-Supervised learning
1.1 Probabilistic interpretation why might the least-squares cost function J, be a rea
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...