《Deep Learning of Graph Matching》論文閱讀
1. 論文概述
論文首次將深度學習同圖匹配（Graph matching）結合，設計了end-to-end網路去學習圖匹配過程。
1.1 網路學習的目標（輸出）
是兩個圖（Graph）之間的相似度矩陣。
1.2 網路的輸入
拿其中的 imageNet 的鳥舉例如下圖，使用的是另一篇論文使用的資料集。資料特點：①鳥的姿態幾乎一致②每個鳥選取15個關鍵點。這樣就預設不同二圖中相對應的點（如下圖不同顏色的點）是 一 一 匹配的，即當作ground-truth。具體如何將image輸入得到graph，下文講。
相關推薦
《Deep Learning of Graph Matching》論文閱讀
1. 論文概述 論文首次將深度學習同圖匹配（Graph matching）結合，設計了end-to-end網路去學習圖匹配過程。 1.1 網路學習的目標（輸出） 是兩個圖（Graph）之間的相似度矩陣。 1.2 網路的輸入 拿其中的 ima
Deep Learning of Graph Matching 閱讀筆記
We have presented an end-to-end learning framework for graph matching with general applicability to models containing deep feature extraction hierarchies a
多目標跟蹤資料關聯的二部圖解：CVPR18多目標跟蹤開創性深度端到端二部圖匹配佳作《Deep Learning of Graph Matching》讀後有感
多目標跟蹤演算法的核心以及瓶頸之處，即是在得到兩個set的DR（detection response，其中一個前序set可能是tracklets，但也由DR來表徵）之後如何實現二部圖匹配。傳統的Hungarian演算法和Kuhn-Munkras演算法可以在最理想情況下以O（n
Wide & Deep Learning for Recommender Systems 論文閱讀總結
Wide & Deep Learning for Recommender Systems 論文閱讀總結 文章目錄 Wide & Deep Learning for Recommender Systems 論文閱讀總結 Abstract
15.Relational inductive biases, deep learning, and graph networks
關係歸納偏置、深度學習、圖網路 摘要 人工智慧（AI）最近經歷了一次復興，在視覺、語言、控制和決策等關鍵領域取得了重大進展。這在一定程度上要歸因於廉價的資料和廉價的計算資源，因為這些資源符合深度學習的自然優勢。然而，在不同的壓力下發展起來的人類智力的許多決定性特徵，仍然是當前方法無法實現的。
On Deep Learning-Based Channel Decoding 論文筆記
摘要 我們重新考慮使用深度神經網路對隨機和結構化碼字（例如極性碼字）進行一次性解碼。 雖然可以為碼字族和短碼字長度實現最大後驗（MAP）誤位元速率（BER）效能，但我們觀察到（i）結構化碼字更容易學習和（ii）神經網路能夠生成在結構化訓練期間從未見過的碼字，而不是隨機碼字。 這些結果提供了一些證據，表明神經
影象檢索入門：CVPR2015《Deep Learning of Binary Hash Codes for Fast Image Retrieval》
研究背景 在基於內容的影象檢索（CBIR）中，影象表示和計算成本都起著至關重要的作用。由於近幾年影象數量的增長，在大型資料庫中的快速搜尋成為新興需求。許多研究旨在回答如何從大規模資料庫中有效檢索相關資料的問題。由於高計算成本，傳統的線性搜尋
【譯】Relational inductive biases, deep learning, and graph network（未完成）
關係歸納偏置、深度學習、圖網路 摘要 人工智慧（AI）最近經歷了一次復興，在視覺、語言、控制和決策等關鍵領域取得了重大進展。這在一定程度上要歸因於廉價的資料和廉價的計算資源，因為這些資源符合深度學習的自然優勢。然而，在不同的壓力下發展起來的人類智力的許多決定性特徵，仍然是當前方法
CVPR2016之A Key Volume Mining Deep Framework for Action Recognition論文閱讀（視訊關鍵幀選取）
該論文的主要思想是從視訊中選取關鍵的幀卷（frame volume）用來行為識別。 該文章的意圖是通過對視訊中關鍵幀進行選取，減少與視訊表達內容不相關的視訊幀，實現視訊中行為識別準確率的提升。 該文章主要從兩個方面進行闡述：1、如何選取關鍵幀。2、如何檢
Deep Learning 26：讀論文“Maxout Networks”——ICML 2013
論文Maxout Networks實際上非常簡單，只是發現一種新的啟用函式（叫maxout）而已，跟relu有點類似，relu使用的max(x,0)是對每個通道的特徵圖的每一個單元執行的與0比較最大化操作，而maxout是對5個通道的特徵圖在通道的維度上執行最大化操作 這些論文已經有很多前人幫我們解讀了，所
Deep Learning 24：讀論文“Batch-normalized Maxout Network in Network”——mnist錯誤率為0.24%
讀本篇論文“Batch-normalized Maxout Network in Network”的原因在它的mnist錯誤率為0.24%，世界排名第4。並且程式碼是用matlab寫的，本人還沒裝cafe…… 理論知識 本文是臺灣新竹國立交通大學的Jia-Ren Chang 寫的，其實要說這篇文章有多在
Deep Learning 25：讀論文“Network in Network”——ICLR 2014
論文Network in network （ICLR 2014）是對傳統CNN的改進，傳統的CNN就交替的卷積層和池化層的疊加，其中卷積層就是把上一層的輸出與卷積核（即濾波器）卷積，是線性變換，然後再加上一個非線性變換的啟用函式（比如：relu），但是在NIN中並有像CNN中這樣， 1.它們的區別之一是卷
Deep Learning 33：讀論文“Densely Connected Convolutional Networks”-------DenseNet 簡單理解
1 Model created 2 ____________________________________________________________________________________________________ 3 Layer (type) Output Shape P
機器學習(Machine Learning)與深度學習(Deep Learning)資料 之 相關論文和會議報告
介紹:對深度學習和representationlearning最新進展有興趣的同學可以瞭解一下介紹:主要是順著Bengio的PAMIreview的文章找出來的。包括幾本綜述文章，將近100篇論文，各位山頭們的Presentation。全部都可以在google上找到。介紹：20
Sequence to Sequence Learning with Neural Networks論文閱讀
[論文下載](https://papers.nips.cc/paper/5346-sequence-to-sequence-learning-with-neural-networks.pdf)  作者
1705.Person Re-Identification by Deep Joint Learning of Multi-Loss Classification 論文閱讀筆記
Person Re-Identification by Deep Joint Learning of Multi-Loss Classification 本文采用多loss分類聯合訓練同時學習行人條紋區域性特徵和全域性特徵，受益於區域性和全域性學習到的特徵具有
論文閱讀《End-to-End Learning of Geometry and Context for Deep Stereo Regression》
註意 4.3 匹配算法 argmin hang 立體聲 移動 數據集 聚集 端到端學習幾何和背景的深度立體回歸 摘要 本文提出一種新型的深度學習網絡，用於從一對矯正過的立體圖像回歸得到其對應的視差圖。我們利用問題（對象）的幾何知識，形成一個使
論文閱讀 | DeepDrawing: A Deep Learning Approach to Graph Drawing
作者：Yong Wang, Zhihua Jin, Qianwen Wang, Weiwei Cui, Tengfei Ma and Huamin Qu 本文發表於VIS2019, 來自於香港科技大學的視覺化小組(屈華民教授領導)的研究 1. 簡介 圖資料廣泛用於各個領域，例如生物資訊學，金融和社交網路分析。
論文閱讀之獻給新手的深度學習綜述——Recent Advances in Deep Learning: An Overview
這篇綜述論文列舉出了近年來深度學習的重要研究成果，從方法、架構，以及正則化、優化技術方面進行概述。本人認為，這篇綜述對於剛入門的深度學習新手是一份不錯的參考資料，在形成基本學術界圖景、指導文獻查詢等方面都能提供幫助。 論文地址：https://arxiv.org/pdf/1807.08169v1
論文閱讀 | A Deep Relevance Matching Model for Ad-hoc Retrieval
A Deep Relevance Matching Model for Ad-hoc Retrieval （2016 CIKM） 模型細節 1.對於query中的每個詞建立mapping直方圖 輸入：query中的每個詞和doc所有詞產生term pair，