深度学习(四十二)——深度ISP, Spiking Neural Network
source link: http://antkillerfarm.github.io/dl/2018/07/25/Deep_Learning_42.html
Go to the source link to view the article. You can view the picture content, updated content and better typesetting reading experience. If the link is broken, please click the button below to view the snapshot at that time.
迁移学习(续)
https://mp.weixin.qq.com/s/U45X5kKMw_E4vfHfVmWZTA
FSAF:来自CMU的Single-Shot目标检测算法
https://mp.weixin.qq.com/s/45CLHvP1cumzcwMV0myj_g
微软-少标签样本构建高性能文本分类器
https://zhuanlan.zhihu.com/p/60420771
领域自适应:利用DIRT-T模型提高性能
https://mp.weixin.qq.com/s/duJK5y9ZeFkYsFkAg4E2Jw
IBM-小样本学习(Few-shot Learning)State of the art方法及论文讲解
https://mp.weixin.qq.com/s/Hok9D8dAzYrBz7XoFmGE2A
AliExpress:在检索式问答系统中应用迁移学习
https://mp.weixin.qq.com/s/f_vB2AXCytnvoZaqfMeIpw
应用TF-Slim快速实现迁移学习
https://mp.weixin.qq.com/s/R1bKmhADfhQAZmhXL9ObiQ
多重预训练视觉模型的迁移学习
https://mp.weixin.qq.com/s/l-l1xbUaPNKc-w5XndjCbQ
通过网络结构迁移学习提高图像识别任务的拓展性
https://mp.weixin.qq.com/s/-KssC3yXsG3ZuV8-I6D_nQ
学习迁移架构用于Scalable图像的识别
https://mp.weixin.qq.com/s/5DtTgc9bIrdXQkmuqRm8CA
谷歌大脑迁移学习:减少调参,直接在数据集中学习最佳图像架构
https://mp.weixin.qq.com/s/fEKc6yFZwTPAHjXJlcHA-w
香港科技大学提出L2T框架:学习如何迁移学习
https://mp.weixin.qq.com/s/pbyByPoZ9SVoP9B7pJMxXg
深度卷积网络迁移学习的脸部表情识别
https://mp.weixin.qq.com/s/aqmeIEVIG-845wiKlyXlsA
小数据、高准确率的文本分类:利用迁移学习创造通用语言模型
https://mp.weixin.qq.com/s/yXF5Cxs_29OBOl41enjfyg
阿里巴巴&浙大Poster论文:基于直推式无偏嵌入的零样本学习
https://mp.weixin.qq.com/s/qYoTgqwjaUlEycuk9LlonA
迁移学习:6张图像vs13000张图像,超越2013 Kaggle猫狗识别竞赛领先水平
http://mp.weixin.qq.com/s/6Urv6TfUfc-BWV1YqTM1PQ
迁移学习+BPE,改进低资源语言的神经翻译结果
https://mp.weixin.qq.com/s/kPFS_4swYEP6Amw8xfXEgg
中科院自动化所-针对小样本问题的学习生成匹配网络方法
https://mp.weixin.qq.com/s/NFziZe6xS_CzVZX_0Den9g
达观数据CTO纪达麒:小标注数据量下自然语言处理实战经验
https://mp.weixin.qq.com/s/6w5S5R_qA0956VMj1isunQ
雷哥带你读论文之深度迁移炼丹!
https://mp.weixin.qq.com/s/wB9skXSWoMHoWnME2JAyIw
基于全局类别表征的小样本学习
https://mp.weixin.qq.com/s/6eHmudo6EG47qBe7xwri6g
ImageNet错误率小于4%,数据量依然不够,N-Shot Learning或是终极解决之道?
https://mp.weixin.qq.com/s/cG0TDIZ3z4lUEQb_N1ysbg
使用迁移学习构建顶尖会话AI
https://mp.weixin.qq.com/s/VGdlOlQh1_4FFTAuUHR_VA
迁移学习中如何利用权值调整数据分布?DATL、L2TL两大方法解析
https://mp.weixin.qq.com/s/V-4d-3yMmQpZUVY-h1eaoA
Barbara Plank-NLP模型的跨语言/跨领域迁移-经验分享
https://mp.weixin.qq.com/s/TUrH7qiZBpmqWN4VL5dhlw
清华大学:用于少次关系学习的神经网络雪球机制
https://mp.weixin.qq.com/s/VlxF7BVk7hUQ9HDiGYpzGA
基于Co-Attention和Co-Excitation的少样本目标检测
https://mp.weixin.qq.com/s/xaKqAhuxaHDPV-VwHE7H2A
零样本学习研究进展综述中文版
https://mp.weixin.qq.com/s/YWzHnN5mQQtM9M3Uao8iGQ
伯克利-滴滴出行:深度学习多源领域自适应综述论文
https://mp.weixin.qq.com/s/WwA_IP4rIpZ6GgFkzQ3sNA
增量学习不只有finetune,三星AI提出增量式少样本目标检测算法ONCE
https://mp.weixin.qq.com/s/lUkydJaClqCoZIZ6THTRBA
增量学习(Incremental Learning)小综述
https://mp.weixin.qq.com/s/rTP3-IdQk7iDz058SyOpIQ
零样本图像识别综述论文
https://mp.weixin.qq.com/s/DLcyMGTVfRoA58VHc6z6eg
最新《迁移学习:域自适应理论》综述论文,128页ppt讲解迁移学习与最优传输
https://mp.weixin.qq.com/s/MCJcHhB2g-wDPqnhp7f6Xw
仅需少量视频观看数据,即可精准推断用户习惯:腾讯、谷歌、中科大团队提出迁移学习架构PeterRec
https://mp.weixin.qq.com/s/s0Kxv0-v6OY1ziAiSDth3g
小样本分割综述
https://mp.weixin.qq.com/s/wtY66E0zMGzmdnPGWL3aQw
迁移学习了解下
https://mp.weixin.qq.com/s/6aBzR0O3pwA8-btsuDX82g
现代NLP中的零样本学习
https://mp.weixin.qq.com/s/jYdeaCCaQJwqxK9h6MzJuA
基于深度神经网络的少样本学习综述
https://mp.weixin.qq.com/s/fhTfNXjPeM5wMeLK2Y-yHA
适用于少量数据的深度学习结构
https://mp.weixin.qq.com/s/zQuLpzIptpFQC_f2Xx26og
迁移学习在新闻推荐中的应用
https://mp.weixin.qq.com/s/sKVCFScJq7ql1T6BmTFLow
少标签数据学习,61页ppt,宾夕法尼亚大学
https://mp.weixin.qq.com/s/EPafCEIg7LYqsnwYq3-nvg
从Few-shot Learning再次认识机器学习
深度ISP
HDR+是一个使用连拍摄影生成更好的图像的数据集。
http://hdrplusdata.org
https://zhuanlan.zhihu.com/p/34391353
机器感知Google推出HDR+连拍摄影数据集
HDRNet
HDRNet是一个Image Enhancement方面的数据集。
https://groups.csail.mit.edu/graphics/hdrnet/
《Unprocessing Images for Learned Raw Denoising》
这篇论文虽然不是综述,但有很多内容讲解ISP的流程。
《Deep Learning for Image Denoising: A Survey》
《Deep Learning on Image Denoising: An overview》
这两篇综述都是哈工大深圳分院的作品。
https://mp.weixin.qq.com/s/wA85XFQXeypuoqFnmN2P4g
降噪的新时代
https://mp.weixin.qq.com/s/KZcNmoGtuPUjoNzEaBb8UA
AI ISP的黎明
https://mp.weixin.qq.com/s/rxHoE4f5e6Kv2xIqJLIKdA
哪些功能更适合AI
https://mp.weixin.qq.com/s/919VEvennHEG3iXKkMZoQQ
不止是去噪—从去噪看AI ISP的趋势
https://zhuanlan.zhihu.com/p/27902193
利用卷积自编码器对图片进行降噪
https://zhuanlan.zhihu.com/p/39512000
Noise2Noise:图像降噪,无需干净样本
https://mp.weixin.qq.com/s/Wdxkvlz4nLbJS_gWqHwMjw
无需额外硬件,全卷积网络让机器学习学会夜视能力
https://mp.weixin.qq.com/s/iH7gbRn4opLsWgKWoVFpBA
腾讯优图&港科大提出较大前景运动下的深度高动态范围成像
https://mp.weixin.qq.com/s/WXVZkqCGlj6ym5YrSZS3Vg
谷歌普林斯顿提出首个端到端立体双目系统深度学习方案
https://mp.weixin.qq.com/s/NlYgA-A43q4C155kRdWPAQ
论文复现:谷歌实时端到端双目系统深度学习网络stereonet
https://mp.weixin.qq.com/s/9yfTO2jHz69-k1MsUGIM0Q
双目立体放大!谷歌刚刚开源的这篇论文可能会成为手机双摄的新玩法
https://mp.weixin.qq.com/s/z87Wp3yutq1l5bYfJS2YIA
谷歌新研究用深度学习合成运动模糊效果,手抖也能拍出摄影师级照片
https://mp.weixin.qq.com/s/B5XNmFlSnjEh2xAXB42pHQ
超十亿样本炼就的CNN助力图像质量增强,Adobe推出新功能“增强细节”
https://mp.weixin.qq.com/s/MEjZT_41w2cRqIYDi8a1rw
腾讯优图CVPR中标论文:不靠硬件靠算法,暗光拍照也清晰
https://mp.weixin.qq.com/s/Ek2eNeUPzEJiN6E1Yr6sMw
CVPR2019成像类论文拾英
https://mp.weixin.qq.com/s/qbPAQeJr7OWOwysa4_iDIw
基于深度学习的低光照图像增强方法总结(2017-2019)
https://zhuanlan.zhihu.com/p/82352961
基于深度学习的图像增强综述
https://zhuanlan.zhihu.com/p/56263560
单目视觉深度估计测距的前生今世
https://mp.weixin.qq.com/s/xdV3VHbSrgQa3G51KMHamA
神经网络如何进行深度估计?
https://mp.weixin.qq.com/s/0K_NF84wvPJttEARVUGPWA
DeOccNet:国防科大提出阵列相机去除前景遮挡成像新方法
https://mp.weixin.qq.com/s/HxYckWC7rKEq8L6bUMKHTg
手机拍出单反照片,苏黎世理工单个深度卷积模型取代ISP
https://zhuanlan.zhihu.com/p/107840206
深度学习替代手机ISP可行吗?
https://zhuanlan.zhihu.com/p/140926754
低光图像处理方案
https://mp.weixin.qq.com/s/uT4eln61NNCdHYWLeTNsbQ
对数字屏幕拍照时的摩尔纹怎么去除?
https://zhuanlan.zhihu.com/p/161806533
论文阅读:神经形态视觉传感器(事件相机)的研究进展及应用综述
https://mp.weixin.qq.com/s/yIMaptbjV71cdC-GauGtDg
先拍照后对焦,浅析基于深度估计的景深编辑与背景虚化
https://mp.weixin.qq.com/s/RA8rYI5z_18ybKQaVYWOxw
浅析多重曝光与自动图像融合技术
https://mp.weixin.qq.com/s/ry7DFwnhttXghEndfeZ-VA
提高照片清晰度的黑魔法竟然是..
https://mp.weixin.qq.com/s/BczYuj1xaG097gq3t8XLkQ
深度解析爱芯元智AI ISP技术
Spiking Neural Network
除了基于BP算法的NN之外,Spiking Neural Network也是一大类NN。Spiking NN和人脑结构更相似,功耗也更小,但是相关训练和数据量化的算法尚不成熟,属于潜力股。
https://homepages.cwi.nl/~sbohte/publication/paugam_moisy_bohte_SNNChapter.pdf
Computing with Spiking Neuron Networks
https://mp.weixin.qq.com/s/6dpKSaLFVo-ge4gtbG8GQg
简述脉冲神经网络SNN:下一代神经网络
https://mp.weixin.qq.com/s/0n50YO1jIv_mxqe0EeS6kw
综述AI未来:神经科学启发的类脑计算
https://mp.weixin.qq.com/s/5KA7jtlRmnXxijGQhU1k4A
DeepMind哈萨比斯狂推的神经科学,入门需要看什么书?
https://mp.weixin.qq.com/s/TWdeHVCgEf54STvdA1QUPg
DeepMind哈萨比斯长文:伟大的AI离不开神经科学
https://mp.weixin.qq.com/s/8ibcyvyBLYArAMhQElqRzg
Cell研究揭示生物神经元强大新特性,是时候设计更复杂的神经网络了!
https://mp.weixin.qq.com/s/cb6JBlb11xW0Xw0RWI4vFA
浙大&川大提出脉冲版ResNet:继承ResNet优势,实现当前最佳
https://mp.weixin.qq.com/s/yaAuVpuhSGabOswKnv9q5Q
脉冲神经网络与小样本学习
https://mp.weixin.qq.com/s/m7UHX3XL5sC3oBdu3KoyOg
脉冲神经网络(SNN)概述
https://mp.weixin.qq.com/s/vwZfmyIEdEdpqJWKOSKYYw
清华天机AI芯片登Nature封面:全球首款异构融合类脑芯片,实现自行车无人驾驶
https://mp.weixin.qq.com/s/skA3NZIAzTrsnSsNCxCYSA
类脑计算背后的计算神经科学框架
https://mp.weixin.qq.com/s/ku78_exDM-OUwWPBCNahCg
Spiking-YOLO:前沿性研究,脉冲神经网络在目标检测的首次尝试
https://blog.csdn.net/u011853479/article/details/61414913
脉冲神经网络的五脏六腑
https://blog.csdn.net/Yannan_Strath/article/details/105761023
脉冲神经网络(Spiking Neural Network)叙述
https://blog.csdn.net/Yannan_Strath/article/details/108190281
脉冲神经网络(Spiking Neural Network)发展现状
Recommend
About Joyk
Aggregate valuable and interesting links.
Joyk means Joy of geeK