Semantic

点击上方“ 迈微AI研习社 ”，选择“ 星标★ ”公众号 重磅干货，第一时间送达 仅作学术分享，不代表本公众号立场，侵权联系删除 转载于：我爱计算机视觉，52CV君 AI博士笔记系列推荐 周志华《机器学习》手推笔记正式开源！可打印版本附pdf下载链接 前段时间OpenCV正式将SIFT算法的实现从Non-free模块移到主库，因SIFT专利到期了（专利授权后，从申请日开始有20年的保护期）。 美国林肯总统称 "专利制度是给天才之火浇上利益之油" ,专利保护了申请人的利益，促进了科技的进步，但现在也有越来越多的滥用专利权对产业机构敲诈的案例出现。 SIFT 专利权的终结让我们不得不思考，还有哪些著名的算法被申请了专利？对于做研究的朋友来说不需要考虑这个问题，专利算法依然可以参考、复现、对比，但对于产业界朋友就不得不确认清楚：项目中有没有可能使用了别人专利保护算法。 作为计算机视觉领域当今翘楚，两度获得CVPR 最佳论文奖的何恺明大佬有很多论文都具有重大影响力。其部分论文引用数据： 残差网络 ResNet 被引用 51939 次、目标检测算法 Faster RCNN 被引用 20291 次、实例分割算法 Mask RCNN 被引用 7249 次，暗通道去雾被引用 4274 次，这些知名的算法有成百上千的开源实现，也肯定被大量的商业公司使用，有没有被申请专利？ 想想 ResNet

读论文：Seeing isn’t Believing: Towards More Robust Adversarial Attack Against Real World Object Detectors — CCS2019 【 说真的，这是我第一次写文章，完全不会用啊，大哥！！！！！！ 】 Part Ⅰ: Abstract & Introduction 这篇论文主要讲的是 物理世界对抗样本，在开头Abstract 和 Introduction部分，作者主要为了阐明攻击 object detector( in real world ) 和 攻击 images classifier( in digital world )的区别，也论证了在物理层面上实现对抗样本的攻击是更难以实现的，因为有着诸多的约束： 1.target object 与 detector的 相对位置(角度、距离等)会时刻发生改变 2target object 所在的环境条件(背景、光线等)会时刻发生变化 3.受攻击的模型是 object detector，是dynamic，不像images detector，是static。 4.detector在作出分类预测之前，还需要检测whether there is an object。 针对以上所述，作者提出了两种AEs Part Ⅱ：Attack approach –

抠图 (Image Matting)是一个非常有趣的领域，它的任务是对图像前景像素的不透明度（alpha 通道）进行计算，方便后续的图像合成编辑。 传统的Matting方法需要输入三色图（Trimap），如下： 该 图来自 ：http://wangchuan.github.io/archive/projects/robust-matting/ 上图中第一行是原图，第二行是Trimap，Trimap用三个数值标识了三类区域:肯定是背景、肯定是前景和不确定，即图中黑、白、灰。 但近来Matting领域一大特征是越来越多的算法尝试无需输入Trimap的抠图，并有了非常惊艳的表现，这大大提高了Matting的易用性，CVPR 2020 三篇 Matting相关论文均如此。 在短视频应用持续爆发的当下，基于此类技术抠图再图像合成， 无需绿幕 即可实现 大片特效 的需求肯定会越来越多。 大家可以在： http://openaccess.thecvf.com/CVPR2020.py 按照题目下载这些论文。 如果想要下载所有CVPR 2020论文，请点击这里： CVPR 2020 论文全面开放下载，含主会和workshop [1].Background Matting: The World Is Your Green Screen 作者 | Soumyadip Sengupta, Vivek

如果你有非常大的决心从事深度学习，又不想在这一行打酱油，那么研读大牛论文将是不可避免的一步。而作为新人，你的第一个问题或许是：“ 论文那么多，从哪一篇读起？” 本文将试图解决这个问题——文章标题本来是：“从入门到绝望，无止境的深度学习论文”。请诸位备好道具，开启头悬梁锥刺股的学霸姿势。 开个玩笑。 但对非科班出身的开发者而言，读论文的确可以成为一件很痛苦的事。但好消息来了——为避免初学者陷入迷途苦海，昵称为 songrotek 的学霸在 GitHub 发布了他整理的深度学习路线图， 分门别类梳理了新入门者最需要学习的 DL 论文，又按重要程度给每篇论文打上星星。 截至目前，这份 DL 论文路线图已在 GitHub 收获了近万颗星星好评，人气极高。雷锋网感到非常有必要对大家进行介绍。 闲话少说，该路线图根据以下四项原则而组织： 从大纲到细节 从经典到前沿 从一般到具体领域 关注最新研究突破 作者注：有许多论文很新但非常值得一读。 1 深度学习历史和基础 1.0 书籍 █[0] Bengio, Yoshua, Ian J. Goodfellow, and Aaron Courville. "Deep learning ." An MIT Press book. (2015). [pdf] (Ian Goodfellow 等大牛所著的教科书，乃深度学习圣经

用法：pc上20ms aspp = ASPP(320, [3, 6, 9]) input = torch.randn(2, 320, 10, 10) # torch.onnx.export(pelee_net, input, "pelee_net.onnx", verbose=True) for i in range(10): start=time.time() # x, *shortcuts = net(input) # print(time.time()-start,x.shape) start = time.time() x=aspp(input) print(2,time.time() - start, x.shape) from torch.nn import functional as F class ASPPPooling(nn.Sequential): def __init__(self, in_channels, out_channels): super(ASPPPooling, self).__init__( nn.AdaptiveAvgPool2d(1), nn.Conv2d(in_channels, out_channels, 1, bias=False), nn.BatchNorm2d(out_channels), nn.ReLU()) def

前言 CTR预估对于搜索、推荐和广告都是非常重要的一个场景，近年来CTR预估技术更新迭代，层出不穷。这篇文章将记录CTR预估著名模型的相关论文。以下按照年份整理。 1.2020年 ( DFN ). Ruobing Xie. Deep Feedback Network for Recommendation ，2020，IJCAI（CCF-A）. 出自腾讯微信团队. ( DMR ). Zequn Lyu. Deep Match to Rank Model for Personalized Click-Through Rate Prediction , AAAI (CCF-A), 出自阿里团队。 ( DTS ). Shu-Ting Shi. Deep Time-Stream Framework for Click-through Rate Prediction by Tracking Interest Evolution , AAAI (CCF-A), 出自南京大学和阿里合作。 ( UBR4CTR ). Jiarui Qin. User Behavior Retrieval for Click-Through Rate Prediction , SIGIR (CCF-A), 出自上海交通大学。 ( InterHAt ). Zeyu Li. Interpretable Click

摘要：没有尽善尽美的东西，也没有完全完美的行为，任何一个小小的失误都会导致现实的偏差。在软件开发过程中，难免会有失误，或缺陷等不完美的地方。这种问题虽然不能根除，但可以尽可能减少。所以为了提高软件质量，软件开发增添了重要的一环——软件测试。 关键字：软件开发；软件测试；可测试性。 Abstract ：No perfect thing, no perfect behavior, any small mistake will lead to the deviation of reality. In the process of software development, there will inevitably be mistakes, or defects and other imperfections. Although this problem cannot be eradicated, it can be reduced as much as possible. So software testing is an important part of the software development process. Key ：software development；software test；Testability. 1. 可测试性定义和特征 1.1. 可测试性概念 1.1

HTML描述的是网页内容的含义，即语义。语义化标签（semantic HTML）指的是那些使用最恰当的HTML元素进行标记的内容，在标记的过程中并不关心内容的显示效果。HTML定义的是 基本HTML页面的语义，了解一些常见用的HTML元素。可以通过访问 https://www.w3cschool.cn/ 来了解更多关于HTML元素的基本内容。 <head>头部 <body>主体 <a> 超链接 <marquee>滚动字幕 <ol>有序列表 <ul>无序列表 <dl>说明项目条例 <i>定义斜体字 <b>定义粗体文本 <em>定义着重文字 <small>定义小号字 <strong>定义加重语气 <sub>定义下标字H2O <sup>定义上标字c²=a²+b² <ins>定义插入字(文字下方下划线效果) <del>定义删除字(文字中间有一条横线) <code>定义计算机代码 <kbd>定义键盘码 <samp>定义计算机代码样本 <var>定义变量 <pre>定义预格式文本 <abbr>定义缩写 <address>定义地址 <bdo>定义文字方向 <blockquote>定义长的引用 <q>定义短的引用语 <cite>定义引用、引证 <dfn>定义一个定义项目 <form>定义一个表单 <table>定义一个表格 （部分内容） HTML语义化的重要性。 实现了无障碍访问

点击上方 “ AI算法与图像处理 ”，选择加" 星标 "或“ 置顶 ” 重磅干货，第一时间送达 作者丨玖零猴@知乎 来源丨https://zhuanlan.zhihu.com/p/113285797 编辑丨极市平台 导读 空洞卷积在图像分割需要增加感受野同时保持特征图的尺寸的需求中诞生，本文详细介绍了空洞卷积的诞生、原理、计算过程以及存在的两个潜在的问题，帮助大家将空洞卷积这一算法“消化吸收”。 一、空洞卷积的提出 空洞卷积中文名也叫 膨胀卷积 或者 扩张卷积 ,英文名也叫 Atrous Convolution 空洞卷积最初的提出是为了解决图像分割的问题而提出的,常见的图像分割算法通常使用池化层和卷积层来增加感受野(Receptive Filed),同时也缩小了特征图尺寸(resolution),然后再利用上采样还原图像尺寸,特征图缩小再放大的过程造成了精度上的损失,因此需要一种操作可以在增加感受野的同时保持特征图的尺寸不变,从而代替下采样和上采样操作,在这种需求下,空洞卷积就诞生了(略有修改,引自[4]) 玖零猴：感受野(Receptive Field)的理解与计算@玖零猴 https://zhuanlan.zhihu.com/p/113487374 当然,如果不用空洞卷积这种方案,那怎么去弥补经过下采样而造成信息损失呢?其实,这是另一个思路了,于是才有了我们熟知的skip

欢迎点击上方蓝字，关注啦~ 相关阅读： GAN整整6年了！是时候要来捋捋了！ 数百篇GAN论文已下载好！搭配一份生成对抗网络最新综述！ 有点夸张、有点扭曲！速览这些GAN如何夸张漫画化人脸！ 天降斯雨，于我却无！GAN用于去雨如何？ 脸部转正！GAN能否让侧颜杀手、小猪佩奇真容无处遁形？ 容颜渐失！GAN来预测？ 弱水三千，只取你标！AL（主动学习）结合GAN如何？ 异常检测，GAN如何gan ? 虚拟换衣！速览这几篇最新论文咋做的！ 脸部妆容迁移！速览几篇用GAN来做的论文 【1】GAN在医学图像上的生成，今如何？ 01-GAN公式简明原理之铁甲小宝篇 今天主要是给大家呈上今年1月份在arxiv上的部分GAN论文（50多篇），涵盖各个方向的进展。 若有兴趣，也 可先读读下述 几首诗词 。 注：小编bryant8对 kobe bryant 的突然离世，心痛不已。心中之万千难过、言语实在难表。可见链接： 别了！ 科比布莱恩特！ 为此，私心在本文、穿插图致敬。 《临江仙·滚滚长江东逝水》 杨慎 滚滚长江东逝水，浪花淘尽英雄。 是非成败转头空。 青山依旧在，几度夕阳红。 白发渔樵江渚上，惯看秋月春风。 一壶浊酒喜相逢。古今多少事，都付笑谈中。 《大风歌》 刘邦 大风起兮云飞扬， 威加海内兮归故乡。 安得猛士兮守四方！ 《题韩蕲王庙》 尤侗 忠武勋名百战回，西湖跨蹇且衔杯。 英雄短气莫须有