seniusen

摘要： 1. 摘要 CNN 中的特征包含着不同类型的信息，它们对图像重建的贡献也不一样。然而，现在的大多数 CNN 模型却缺少对不同信息的辨别能力，因此也就限制了模型的表示容量。 另一方面，随着网络的加深，来自前面层的长期信息很容易在后面的层被削弱甚至消失，这显然不利于图像的超分辨。 作者提出了一个通道和空 阅读全文

摘要： 1. 摘要 作者提出了一个简单但有效的注意力模块 CBAM，给定一个中间特征图，我们沿着空间和通道两个维度依次推断出注意力权重，然后与原特征图相乘来对特征进行自适应调整。 由于 CBAM 是一个轻量级的通用模块，它可以无缝地集成到任何 CNN 架构中，额外开销忽略不计，并且可以与基本 CNN 一起进 阅读全文

摘要： 1. 摘要 在图像超分辨领域，卷积神经网络的深度非常重要，但过深的网络却难以训练。低分辨率的输入以及特征包含丰富的低频信息，但却在通道间被平等对待，因此阻碍了网络的表示能力。 为了解决上述问题，作者提出了一个深度残差通道注意力网络（RCAN）。特别地，作者设计了一个残差中的残差（RIR）结构来构造深 阅读全文

摘要： 1. 摘要 BN 是一个广泛应用的用于快速稳定地训练深度神经网络的技术，但是我们对其有效性的真正原因仍然所知甚少。 输入分布的稳定性和 BN 的成功之间关系很小，BN 对训练过程更根本的影响是：它让优化更加平滑。这种平滑让梯度更加可预测更加稳定，从而加速训练。 2. BN 和 internal co 阅读全文

摘要： 1. 摘要 传统的 L 层神经网络只有 L 个连接，DenseNet 的结构则有 L(L+1)/2 个连接，每一层都和前面的所有层进行连接，所以称之为密集连接的网络。 针对每一层网络，其前面所有层的特征图被当作它的输入，这一层的输出则作为其后面所有层的输入。 DenseNet 有许多优点：消除了梯度 阅读全文

摘要： 持续了将近两个月的 2019 春季实习生招聘总算是告了一个段落，虽说去年入学时便已知道找工作就在眼前，但当它真正到来的时候，自己依然是措手不及。好在历经坎坷，结果总归是好的，希望接下来的实习收获满满。 1. 前言 春节假期还没有结束，一些公司的实习生招聘已然开始。等我来到学校，完善简历，大致过了一遍 阅读全文

摘要： 1. 题目 2. 解答 初始化 sum=0，然后遍历数组进行累加。如果 sum 变为负数，也就说再继续累加的话贡献为负，我们需要更新 sum=0，重新开始累加。 初始化 max_sum 为数组的第一个元素，之所以不初始化为零，就是防止出现数组中全为负数的情况，比如 [ 2, 1, 3, 4, 5]。 阅读全文

摘要： 小森在公交站等车，有三路公交车均可乘坐到达目的地。A 公交车到站的时间为 0 到 10 分钟内的任一时间点，且服从 [0, 10] 的均匀分布。同样地，B 公交车到站的时间为 0 到 20 分钟内的任一时间点，C 公交车到站的时间为 0 到 30 分钟内的任一时间点。求问小森的平均等车时间？ 1. 阅读全文

摘要： 1. 摘要 更深的神经网络通常更难训练，作者提出了一个残差学习的框架，使得比过去深许多的的网络训连起来也很容易。 在 ImageNet 数据集上，作者设计的网络达到了 152 层，是 VGG 19 的 8 倍，但却有着更低的复杂性。通过集成学习模型最终取得了 3.57% 的错误率，获得了 ILSVR 阅读全文

摘要： 1. 摘要 作者提出了一个代号为 Inception 的卷积神经网络架构，这也是作者在 2014 年 ImageNet 大规模视觉识别挑战赛中用于分类和检测的新技术。 通过精心的设计，该架构提高了网络内计算资源的利用率，因而允许在增加网络的深度和宽度的同时保持计算预算不变。 在作者提交的 ILSVR 阅读全文