上海—小雨 2022秋week1 9月12日 计算机视觉： why cv matters？ for safety health security comfort fun access and so on. course contects: salieny detection segmentation object detection object recognition image recognition video processing categories
✅ 文章目录 一、监督学习、无监督学习和自监督学习的定义与关系——自己写的版本1.1 监督学习1.2 无监督学习1.3 自监督学习 二、监督学习、无监督学习和自监督学习的定义与关系——大佬版2.1 学习的范式2.2 什么是自监督学习2.3 自监督学习的主要方法2.3.1 基于上下文（C
1. Introduction of Machine Learning 背景提要： 人工智慧是目标，机器学习是实现该目标的手段，而深度学习是机器学习中的方法之一。 hand-crafted rules（人类设定规则）已经不可取了，现在进行的是machine learning 机器学习三步骤： step 1：定出一个function set； step 2：
声明：平时看些文章做些笔记分享出来，文章中难免存在错误的地方，还望大家海涵。搜集一些资料，方便查阅学习：http://yqli.tech/page/speech.html。语音合成领域论文列表请访问http://yqli.tech/page/tts_paper.html，语音识别领域论文统计请访问http://yqli.tech/page/asr_paper.html。如
Supervise learning self supervise learning label 不需要特别雇佣人类去标记，他可以自动产生 "Self-supervised Learning "这个词，当初Yann LeCun说过，其实并不是一个老词。根据2019年4月在Facebook上的一个帖子，他说，我现在说的这个方法，他叫Self-supervised Learning。为什么不
Housing price prediction Supervised Learning: "right answers" given. Regression: Predict continuous (连续的) valued output (price) Breast cancer (malignant (恶性的), benign (良性的)) Classification: Dicrete (离散的) valued output (0 or 1) 肿瘤大小是判断癌
1.给无标签数据进行标记 def get_pseudo_labels(dataset, model, threshold=0.7): # 给6786个无标签数据标记 # This functions generates pseudo-labels of a dataset using given model. # It returns an instance of DatasetFolder containing images whose pred
Self-Supervised Learning 参考知乎文章：https://zhuanlan.zhihu.com/p/108906502（Self-supervised Learning 再次入门） 自监督学习主要是利用辅助任务（pretext）从大规模的无监督数据中挖掘自身的监督信息，通过这种构造的监督信息对网络进行训练，从而可以学习到对下游任务有价值的表征。
写在最前面，这个综述阅读的reference在这里，原文肯定是写的比我好的，我写文章其实更多是归纳整理给自己来看，然后等我以后沉淀一沉淀，会来优化自己的语言和逻辑，整理成那种好的文本吧 https://ankeshanand.com/blog/2020/01/26/contrative-self-supervised-learning.html http://www.aty
ML之SL：监督学习(Supervised Learning)的简介、应用、经典案例之详细攻略 目录 监督学习(Supervised Learning)的简介 1、监督学习问题的两大类—分类问题和回归问题 2、监督学习常见的算法 3、监督学习过程 1、Model selection during prototyping phase 监督学习(Supervise
download：A multi-scheme semi-supervised regression approach. ----半监督回归 文献阅读笔记【1】：A multi-scheme semi-supervised regression approach. 1. 摘要 文献中提出了一种“多方案半监督回归方法（Multi-scheme Semi-supervised regression approach, MSSRA）”，MSSRA
Semi-supervised learning（半监督学习） 摘要：这节课主要学习了半监督学习，以及半监督学习的两种方法。 目录 一、什么是Semi-supervised learning 为什么要做Semi-supervised learning 二、Semi-supervised learning for generative model 首先看supervised learning for generative
(icassp2020)论文阅读：TRAINING ASR MODELS BY GENERATION OF CONTEXTUAL INFORMATION 下载链接：https://arxiv.org/abs/1910.12367 主要思想： 利用海量的弱监督数据和部分常规的标注数据进行e2e模型训练。【这里的弱监督数据主要指的是仅含有上下文相关文本的音频数据（E
一、机器学习是什么? 机器学习的本质就是自动寻找函式 二、你想找什么样的函式？ 1.regression（回归）： 函数的输出是一个数值 比如PM2.5的预测，给machine的training data是过去的PM2.5资料，而输出的是对未来PM2.5的预测数值，这就是一个典型的regression的问题 2.classfication（分类）：
Semi-supervised Learning 1. What is Semi-supervised Learning Supervised Learning labeled data:\(\{(x^r,\hat{y}^r\}_{r=1}^R\) E.g: image,\(\hat{y}^r\): class labeles Unsupervised Learning unlabeled data:\(\{x^r\}_{r=1}^R\) E.g: Clustering p
论文链接：https://openaccess.thecvf.com/content_ICCV_2019/papers/Zhai_S4L_Self-Supervised_Semi-Supervised_Learning_ICCV_2019_paper.pdf 从论文的模型图来看，将整个数据集分为了有标记数据和无标记数据。对于标记数据来说，模型会同时预测旋转角度和标签，对于无标签数据来
论文笔记：What makes instance discrimination good for transfer learning? 这是一篇很有意思的论文，站在监督/无监督/迁移学习的角度讨论的，不过在这篇论文的阅读之前需要一部分迁移学习的基础来帮助更好的理解论文，那么下面开始把。 abstract： 无监督的视觉基于instance discr
Self-supervised Video Object Segmentation 2020-06-24 12:50:31 Paper: https://arxiv.org/abs/2006.12480 Code: https://github.com/fangruizhu/self_sup_semiVOS 1.
Definition Arthur Samuel: Machine Learing is the field of study that gives the computer the ablility to learn with out being explicitly programmed. Tom Mitchell: a computer program is said to learn from experience E with respect to some class of tasks T
（1） (2) (3) 机器学习指：对于某类任务T和性能度量P，一个计算机程序被认为可以从经验E中学习是指，通过经验E改进后，它在任务T上由性能度量P衡量的性能有所提升。 机器学习中根据学习的方式不同可以主要可以细分为： 1 监督学习（Supervised Learning
Supervised learning——SVM,Neural,networks Unsupervised learning——Clustering,EM algorithm,PCA Semi-Supervised learning Reinforcement learning——自动驾驶 graph LR A[Supervised learning] --> B(classification) A --> C(regression) B --通用--> C 可以使用回
Introduction define a set of function(model) -> goodness of function -> pick the best function Learning Map 下图中，同样的颜色指的是同一个类型的事情 蓝色方块指的是scenario，即学习的情境。通常学习的情境是我们没有办法控制的，比如做reinforcement Learning是因为
supervised learning to used inputs to predict the values of the outputs. inputs predictors; independent variable; features; outputs responses
机器学习的方法(算法)： 监督学习 supervised learning;(有数据和标签)非监督学习 unsupervised learning;(只有数据没有标签)半监督学习 semi-supervised learning;(结合监督学习和非监督学习)强化学习 reinforcement learning;(从经验总结中提升的)遗传算法 genetic algorithm.(和
