列舉一些常見的數(shù)據(jù)問題以及解決方案

其次，有些數(shù)據(jù)集，和很多原因有關(guān)，無論是訓(xùn)練集還是測試集，準確率可能都只是在六七十甚至更低，我們其實無法苛求模型能達到更好的水平。

2022-11-09 標簽：數(shù)據(jù)集 2775 0

利用Transformer和CNN 各自的優(yōu)勢以獲得更好的分割性能

概述 在這篇論文中，提出了一種新的醫(yī)學(xué)圖像分割混合架構(gòu)：PHTrans，它在主要構(gòu)建塊中并行混合 Transformer 和 CNN，分別從全局和局部特...

2022-11-05 標簽：數(shù)據(jù)集cnnTransformer 7260 0

摘要模型理解或捕獲輸入文本的要點

Abstract Intro ? 盡管基于預(yù)訓(xùn)練的語言模型的摘要取得了成功，但一個尚未解決的問題是生成的摘要并不總是忠實于輸入文檔。造成不忠實問題的原因...

2022-11-01 標簽：編碼器語言模型數(shù)據(jù)集 1212 0

普通視覺Transformer（ViT）用于語義分割的能力

本文探討了普通視覺Transformer（ViT）用于語義分割的能力，并提出了SegViT。以前基于ViT的分割網(wǎng)絡(luò)通常從ViT的輸出中學(xué)習(xí)像素級表示。...

2022-10-31 標簽：計算機視覺數(shù)據(jù)集Transformer 5744 0

基于VLP模型的語義對齊機制

在本文中，我們利用圖像描述模型提出一個新穎的探針方法。通過這個方法，我們從文本角度分析了VLP模型的語義對齊機制。我們發(fā)現(xiàn)現(xiàn)有的VLP模型在對齊方面有明...

2022-10-28 標簽：模型數(shù)據(jù)集 1523 0

TOIST借助COCO掩碼將問題擴展到實例分割問題實現(xiàn)更精細的定位

歸功于大規(guī)模視覺語言模型，名詞指代表達理解模型已經(jīng)取得了巨大的進展。然而，在像智能服務(wù)機器人這樣的現(xiàn)實交互中，系統(tǒng)輸入通常較為隱晦(比如舒服得坐下這樣的...

2022-10-27 標簽：機器人模型數(shù)據(jù)集 944 0

MRC和QA中使用的思想方法在信息抽取任務(wù)中的應(yīng)用

主要的評測標準有常見的準確率P、召回率R和F1值。在上述四個任務(wù)的前三個中，使用P、R、F1可以滿足要求。

2022-10-25 標簽：模型數(shù)據(jù)集 1334 0

用于模型評估和選擇的常見方法

機器學(xué)習(xí)已經(jīng)成為我們生活的中心，無論是作為消費者、客戶、研究者還是從業(yè)人員。

2022-10-25 標簽：模型機器學(xué)習(xí)數(shù)據(jù)集 862 0

基于溫度數(shù)據(jù)集的時間序列預(yù)測實戰(zhàn)

本文主要介紹時間序列預(yù)測并描述任何時間序列的兩種主要模式(趨勢和季節(jié)性)。并基于這些模式對時間序列進行分解。最后使用一個被稱為Holt-Winters季...

2022-10-24 標簽：python數(shù)據(jù)集 1991 0

利用基本分類框架來執(zhí)行廣泛的圖像合成任務(wù)

介紹一篇關(guān)于概率生成模型非常有意思的工作，保持了Aleksander Madry一如既往的風(fēng)格。

2022-10-24 標簽：模型機器學(xué)習(xí)數(shù)據(jù)集 623 0

第一個大規(guī)模點云的自監(jiān)督預(yù)訓(xùn)練MAE算法Voxel-MAE

Voxel-MAE證明了對大規(guī)模點云進行基于掩碼的自監(jiān)督預(yù)訓(xùn)練學(xué)習(xí)，來提高無人車的感知性能是可行的。KITTI、nuScenes、Waymo數(shù)據(jù)集上，S...

2022-10-21 標簽：編碼器激光雷達數(shù)據(jù)集 4537 0

基于BIO序列標注的方法和基于片段的圖解析方法

該論文的出發(fā)點是將端到端基于片段的（span-based）語義角色標注（SRL）轉(zhuǎn)換為基于詞的（word-based）圖解析（graph parsing）任務(wù)。

2022-10-21 標簽：BIO數(shù)據(jù)集nlp 3351 0

groupby功能的大多數(shù)用例

groupby是Pandas在數(shù)據(jù)分析中最常用的函數(shù)之一。它用于根據(jù)給定列中的不同值對數(shù)據(jù)點(即行)進行分組，分組后的數(shù)據(jù)可以計算生成組的聚合值。 如果...

2022-10-20 標簽：函數(shù)數(shù)據(jù)分析數(shù)據(jù)集 1257 0

如何充分挖掘預(yù)訓(xùn)練視覺-語言基礎(chǔ)大模型的更好零樣本學(xué)習(xí)能力

因此，合適的prompt對于模型的效果至關(guān)重要。大量研究表明，prompt的微小差別，可能會造成效果的巨大差異。研究者們就如何設(shè)計prompt做出了各種...

2022-10-19 標簽：模型數(shù)據(jù)集Clip 1765 0

基于異常檢測的模型表現(xiàn)對比

但這種分類方式常因為上下文定義邊界模糊，導(dǎo)致集體異常值和上下文異常值的定義邊界也模糊。上下文異常值的上下文在不同文獻中通常非常不同。

2022-10-18 標簽：函數(shù)模型數(shù)據(jù)集 2246 0

機器學(xué)習(xí)技術(shù)在圖像處理中的應(yīng)用

在本章中，我們將討論機器學(xué)習(xí)技術(shù)在圖像處理中的應(yīng)用。首先，定義機器學(xué)習(xí)，并學(xué)習(xí)它的兩種算法——監(jiān)督算法和無監(jiān)督算法；其次，討論一些流行的無監(jiān)督機器學(xué)習(xí)技...

2022-10-18 標簽：圖像處理機器學(xué)習(xí)數(shù)據(jù)集 2697 0

文本噪聲標簽在預(yù)訓(xùn)練語言模型（PLMs）上的特性

數(shù)據(jù)的標簽錯誤隨處可見，如何在噪聲數(shù)據(jù)集上學(xué)習(xí)到一個好的分類器，是很多研究者探索的話題。在 Learning With Noisy Labels 這個大...

2022-10-12 標簽：噪聲語言模型數(shù)據(jù)集 1376 0

多尺度多方法組合的網(wǎng)約車需求預(yù)測方法研究

一般的循環(huán)神經(jīng)網(wǎng)絡(luò)，如RNN通常會因為時間相隔較遠之間的依賴問題難以學(xué)習(xí)，LSTM 通過對輸入信息進行門控處理，很好地解決了時間序列數(shù)據(jù)長期依賴問題。L...

2022-10-11 標簽：數(shù)據(jù)集決策樹 2235 0

利用隨機森林進行特征重要性評估

隨機森林是以決策樹為基學(xué)習(xí)器的集成學(xué)習(xí)算法。隨機森林非常簡單，易于實現(xiàn)，計算開銷也很小，更令人驚奇的是它在分類和回歸上表現(xiàn)出了十分驚人的性能，因此，隨機...

2022-10-10 標簽：RF數(shù)據(jù)集 2520 0