16 Matching Annotations
  1. Jan 2021
    1. 上面三种情况(Case)处理问题的核心思路都是:将红色的节点移到根节点;然后,将根节点设为黑色。下面对它们详细进行介绍。

      下面的case1,case2,case3是一个操作的三个步骤,所以图是连续的。

  2. Dec 2020
    1. void tune(Instrument i) {

      使用基类的接收外部输入的派生类,i 代表了该派生类的成员,产生了向上转型,随后可以调用派生类的方法。

  3. Aug 2020
    1. ABCNN-1

      这里的输入A和B分别是5和7,但是convolution是7和9这是因为做了填充,具体参考前面说的序列卷积卷积层。 这样7和9做stride=1,size=3,represention就刚好是5和7。

  4. Jul 2020
    1. 该神经网络重复执行 cell.call() 直至达到 inputs 的最大长度

      从输入的序列中,每次读取的一个词,输入到指定的网络运行 ,在该rnn模块中可以自定义每一步的具体特定操作。

  5. Jun 2020
  6. May 2020
    1. 䳶ਸѝⲴݳ㍐ᗵ享ᱟਟᮓࡇⲴˈ•‡–㊫රᵜ䓛ᱟнਟᮓࡇⲴˈնᱟˆ”‘œ‡•‡–ਟԕD

      frozenset 可散列所以可以当作键值或value

    Annotators

  7. Apr 2020
    1. 具体的网络实现方式如 图19 所示:

      从最高层到低层,C0是最高层,C2是最底层。右边conv是yolodetection网络,进行特征提取。从C0开始处理并把高层语义信息的特征图传到前面的特征图。

    2. route = self.route(out) tip = self.tip(route)

      tip是当前层的特征图输出 route是用于和另一shape的特征图concat提升语义信息 具体看参看下面的多尺度检测中的图示

    3. YOLO-V3在每个区域的中心位置产生3个锚框,在3个层级的特征图上产生锚框的大小分别为P2 [(10×13),(16×30),(33×23)],P1 [(30×61),(62×45),(59× 119)],P0[(116 × 90), (156 × 198), (373 × 326]。

      每个特征图中心生成3个锚框,三个尺度的特征图共生成9个

    4. YOLO-V3在每个区域的中心位置产生3个锚框,在3个层级的特征图上产生锚框的大小分别为P2 [(10×13),(16×30),(33×23)],P1 [(30×61),(62×45),(59× 119)],P0[(116 × 90), (156 × 198), (373 × 326]。

      每个特征图中心生成3个锚框,三个尺度的特征图共生成9个