开发者社区

文档建议反馈控制台

最新优惠活动

文章/答案/技术大牛

发布

我如何让kera预测一些不同于单热点矩阵的东西？

要让Keras预测不同于单热点矩阵的东西，可以采用以下步骤：

数据准备：首先，需要准备训练数据和标签数据。与传统的单热点矩阵不同，这里的数据可以是任意形式的，例如文本、图像、音频等。根据数据的类型，选择适当的数据预处理方法进行特征提取和转换。
模型设计：根据问题的特点和数据类型，选择适当的神经网络模型。Keras提供了丰富的预定义模型和层，也可以自定义模型。根据需要添加合适的层，如卷积层、循环层、全连接层等，并配置相应的参数。
模型编译：在编译模型之前，需要选择适当的损失函数、优化器和评估指标。根据具体问题的要求，选择合适的损失函数来衡量预测结果与真实标签之间的差异，选择合适的优化器来更新模型参数，并选择适当的评估指标来评估模型性能。
模型训练：使用准备好的训练数据和标签数据，通过调用Keras提供的fit()函数进行模型训练。可以指定训练的批次大小、训练轮数等参数，并监控训练过程中的损失和准确率等指标。
模型预测：训练完成后，可以使用训练好的模型进行预测。根据具体的需求，将待预测的数据输入到模型中，调用Keras提供的predict()函数得到预测结果。

总结起来，要让Keras预测不同于单热点矩阵的东西，需要进行数据准备、模型设计、模型编译、模型训练和模型预测等步骤。具体的实现方式和参数配置需要根据具体问题和数据类型进行调整。在实践中，可以参考Keras官方文档和示例代码，结合腾讯云提供的云计算服务，如云服务器、云数据库等，来构建和部署完整的解决方案。

腾讯云相关产品和产品介绍链接地址：

腾讯云服务器（CVM）：https://cloud.tencent.com/product/cvm
腾讯云数据库（TencentDB）：https://cloud.tencent.com/product/cdb
腾讯云人工智能（AI）：https://cloud.tencent.com/product/ai
腾讯云物联网（IoT）：https://cloud.tencent.com/product/iot
腾讯云存储（COS）：https://cloud.tencent.com/product/cos
腾讯云区块链（BCS）：https://cloud.tencent.com/product/bcs
腾讯云元宇宙（Metaverse）：https://cloud.tencent.com/product/metaverse

页面内容是否对你有帮助？

有帮助

没帮助

相关·内容

一文详解RNN及股票预测实战(Python)！

循环神经网络（RNN）是基于序列数据（如语言、语音、时间序列）的递归性质而设计的，是一种反馈类型的神经网络，其结构包含环和自重复，因此被称为“循环”。它专门用于处理序列数据，如逐字生成文本或预测时间序列数据(例如股票价格)。

04

ICLR 2023 | PatchTST : 谁说 Transformer 在时序预测中不如线性模型？

预测是时间序列分析中最重要的一项任务之一。随着深度学习模型的快速发展，关于这个话题的研究工作数量也大幅增加。在深度学习模型中，Transformer在自然语言处理（NLP）、计算机视觉（CV）、语音等应用领域取得了巨大成功。近期在时间序列中也取得了成功，这得益于其注意力机制可以自动学习序列中元素之间的联系，因此成为序列建模任务的理想选择。

01

入门学习 | 什么是图卷积网络？行为识别领域新星

【导读】图卷积网络（Graph Convolutional Network，GCN）是近年来逐渐流行的一种神经网络结构。不同于只能用于网格结构（grid-based）数据的传统网络模型 LSTM 和 CNN，图卷积网络能够处理具有广义拓扑图结构的数据，并深入发掘其特征和规律，例如 PageRank 引用网络、社交网络、通信网络、蛋白质分子结构等一系列具有空间拓扑图结构的不规则数据。相比于一般的拓扑图而言，人体骨骼拓扑图具有更加良好的稳定性和不变性，因此从2018年开始，就有许多学者尝试将图卷积网络应用到基于人体骨骼的行为识别领域来，也取得了不错的成果。下面就让我们来深入了解一下什么是图卷积网络，以及它在行为识别领域的最新工作进展吧！

03

行为动作识别

随着计算机学科与人工智能的发展和应用，视频分析技术迅速兴起并得到了广泛关注。视频分析中的一个核心就是人体行为识别，行为识别的准确性和快速性将直接影响视频分析系统后续工作的结果。因此，如何提高视频中人体行为识别的准确性和快速性，已成为视频分析系统研究中的重点问题。

02

小程序拉新难？看转转如何巧借世界杯爆发！

2018年俄罗斯世界杯的赛事已经快过半，在这一个月的比赛期间，球迷可以尽享足球带来的激动时刻，各大商家也借世界杯的热点为自己赚足了噱头。对众多小程序来说，这也是一个“出众”的机会。

07

小程序拉新难？看转转如何巧借世界杯爆发！

2018年俄罗斯世界杯的赛事已经快过半，在这一个月的比赛期间，球迷可以尽享足球带来的激动时刻，各大商家也借世界杯的热点为自己赚足了噱头。对众多小程序来说，这也是一个“出众”的机会。

06

暑期追剧学AI (4) | 人工智能关键概念“神经网络”是什么？不信看完这个视频你还不懂！

大数据文摘作品，转载要求见文末翻译 | Chelle 曾维新校对| Sophie 时间轴&压制 | 毯子后台回复“字幕组”加入我们！人工智能中的数学概念一网打尽！欢迎来到YouTube网红小哥Siraj的系列栏目“The Math of Intelligence”，本视频是该系列的第四集，讲解神经网络背后的数学原理。本期视频时长11分钟，来不及看视频的小伙伴，可以先拉到视频下方看文字部分。后续系列视频大数据文摘字幕组会持续跟进，陆续汉化推出。全部课表详见： https://github.com

06

R语言时间序列TAR阈值模型分析

例如，在药物毒理学应用中，可能低于阈值量的所有剂量都是安全的，而随着剂量增加到阈值量以上，毒性增加。或者，在动物种群丰富度研究中，人口可能会缓慢增加至阈值大小，但一旦人口超过一定规模后可能会迅速减少（由于食物有限）。

03

多动态模型揭示了时变静息功能磁共振成像的强相关性

大脑功能网络的活动是时变认知和行为的基础。研究证实，静息功能磁共振成像中的时变相关性（即功能连通性）可以预测行为特征、精神疾病和神经系统疾病。本文提出了一种研究方法，将平均大脑活动和功能连接(FC)的变化建模为能够在不同的时间相互发生。本文将这种方法称为多动态对抗生成器-编码器(MAGE)模型，在fMRI数据上使用生成对抗网络的原理进行评估，并可以捕获时间依赖性的网络动态模型。

03

ECCV oral|弱监督语义分割SOTA，高效挖掘跨图像的语义关系

近年来，基于图像标签信息（image-level label）的弱监督语义分割（WSSS）方法主要基于以下步骤：训练图像分类器，通过分类器的CAM获取每张图像在分类中被激活的区域（物体定位图），之后生成伪标签mask作为监督信号训练语义分割模型。

02

个性化资讯推荐算法（上）

作者：justin 前言资讯产品近几年持续火爆，赚足了人们的眼球。以今日头条披露的数据为例：日活跃用户超过一亿，单用户日均使用时长超过 76分钟，资讯类产品的火爆程度可见一斑。资讯类产品的火爆让BA

01

推荐系统 —— 协同过滤

作为推荐系统这一系列的第二篇文章，我们今天主要来聊一聊目前比较流行的一种推荐算法——协同过滤；当然，这里我们只讲理论，并不会涉及到相关代码或者相关框架的使用，在这一系列的后续文章，如果可能，我们可以将我们的所有理论知识整合一下，实践一个推荐系统的实战。

03

5G通信应该配置什么样的基站

4G结束，5G来临，4G基站已经无法承载新时代5G的信号发射需求，而且纵观通信技术发展，基站无论从形式还是内核上都在进行不断创新。设备商需要通过创新百变的基站来满足运营商建网需求。但是实际上无论基站如何改变形态，从广义上看，其依然只有宏站和小基两种。宏站主要负责室外信号的广覆盖，需要安装在铁塔上，诸如华为5G刀片式的基站；小基站主要在室外热点区域或是室内区域的集中覆盖，无需依靠铁塔，诸如灯杆基站、井盖基站、无人基站等。

00

推荐系统基础知识储备

1.1.1 推荐系统概述首先，需要申明一点的就是推荐系统！=推荐算法。推荐系统是一套完善的推荐机制，包括前期数据的准备、具体推荐的过程(这个过程可能是一套复杂的算法模型，也可能是一个简单的规则，也可能是多种模型的混合结果等等)、后期数据的预测、AB测试效果评估等等。

01

循环神经网络初探

循环神经网络初探不同于一张张独立的图像数据的处理，很多序列数据需要考虑到上下文信息，因此引入了循环神经网络(RNN)来进行序列数据的建模。春恋慕

03

推荐系统遇上深度学习(三十七)--基于多任务学习的可解释性推荐系统

论文名称：《Why I like it: Multi-task Learning for Recommendation and Explanation》论文地址：https://dl.acm.org

03

新电商为国货品牌和新品牌的发展带来新红利

各大主流自媒体平台早已打破BAT(腾X，B度，A里)的霸主地位，成为移动互联网流量的新兴贵族。各类自媒体视频和图文平台，因为其符合时间碎片化的人们生活，也成为继BAT之后的最大的流量聚集地。

00

斯坦福深度学习课程第七弹：RNN，GRU与LSTM

◆ ◆ ◆ 1.语言模型语言模型用于对特定序列的一系列词汇的出现概率进行计算。一个长度为m的词汇序列的联合概率被表示为由于在得到具体的词汇之前我们会先知道词汇的数量，词汇的属性变化会根据其在

03

【NLP】Transformer理论解读

Transformer 是 Google 的团队在 2017 年提出的一种 NLP 经典模型，目前已经在目标检测、自然语言处理、时序预测等多个深度学习领域获得了应用，成为了新的研究热点。

02

时间序列中的动态模态分解

动态模态分解 (dynamic mode decomposition) 最早是被用来分析流体（例如水流）的动态过程，它可以把复杂的流动过程分解为低秩的时空特征 (low-rank spatiotemporal features)，这种方法的强大之处在于它不依赖于动态系统中的任何主方程。作为衍生，动态模态分解可以被用来分析多元时间序列 (multivariate time series)，进行短期未来状态预测。

01

谷歌官宣TensorFlow-GNN 1.0发布！动态和交互采样，大规模构建图神经网络

2005年，划时代之作「The Graph Neural Network Model」的问世，将图神经网络带到每个人面前。

01

静息态网络拓扑传输认知任务信息

来自美国罗格斯大学的Takuyalto等人在Nature communications期刊上发文，提出了一种新方法——信息传输映射——来验证假设：静息态功能网络拓扑可以描述传输认知任务信息的脑区间计算映射。作者发现基于静息态网络估计的活动流可以预测广泛分布的脑区内多种多样任务规则信息的传输。进一步，作者发现这些任务态信息的传输通过认知控制网络内的全局中心区域进行协调。人脑被认为是一个分布信息处理装置，信息传输路径构成决定其计算架构的一个核心特征。许多研究利用静息态fMRI时间序列的相关来研究人脑功能连接（

静息态网络拓扑传输认知任务信息

来自美国罗格斯大学的Takuyalto等人在Nature communications期刊上发文，提出了一种新方法——信息传输映射——来验证假设：静息态功能网络拓扑可以描述传输认知任务信息的脑区间计算映射。作者发现基于静息态网络估计的活动流可以预测广泛分布的脑区内多种多样任务规则信息的传输。进一步，作者发现这些任务态信息的传输通过认知控制网络内的全局中心区域进行协调。人脑被认为是一个分布信息处理装置，信息传输路径构成决定其计算架构的一个核心特征。许多研究利用静息态fMRI时间序列的相关来研究人脑功能连接（

06

最新Transformer模型大盘点，NLP学习必备，Google AI研究员出品丨资源

可高效处理长文本的模型Longformer、和堪称“升级版”Transformer的BigBird模型，到底有什么区别？

01

静息态网络拓扑传输认知任务信息

Please 关注 our 公众号来自美国罗格斯大学的Takuyalto等人在Nature communications期刊上发文，提出了一种新方法——信息传输映射——来验证假设：静息态功能网络拓扑可以描述传输认知任务信息的脑区间计算映射。作者发现基于静息态网络估计的活动流可以预测广泛分布的脑区内多种多样任务规则信息的传输。进一步，作者发现这些任务态信息的传输通过认知控制网络内的全局中心区域进行协调。人脑被认为是一个分布信息处理装置，信息传输路径构成决定其计算架构的一个核心特征。许多研究利用静息态f

06

点击率预估模型01-FM因子分解机理论与实践

因子分解机将支持向量机SVM的优势结合分解模型。如SVM，因子分解机是一个通用的预测器，可以用在任意实数值向量上。但是不同于SVM，因子分解机能通过分解参数对变量之间的交互关系进行建模；即使在非常稀疏的场景下，如推荐系统，也能对交叉特征进行建模。因子分解机可以通过算式优化，在线性时间内进行应用计算；而且不同于SVM在对偶形式中求解问题，FM在原问题空间进行求解，不需要支持向量等，可以直接对模型参数进行估计。

02

如何做出优秀的数据分析项目（现场测试版）

临近年底，很多同学问：“如何做出优秀的数据分析项目？不然年终总结都不知道咋写”。今天系统回答一下。想做好数据分析类项目，主要靠的是：树立正确的观念。这里有5道测试题，一起来测一测自己有多大可能做出好项目。

03

NPP:结构MRI数据的生理性别分类显示跨性别者女性的错误分类增加

跨性别者(TIs)表现出不同于其生理性别和心理性别的大脑结构变化。本文结合多变量和单变量的分析方法，证实TIs的大脑结构不同于男性和女性。对1753名顺性别者(CG，就是从心理上认同自己的生理性别)健康被试，基于体素的形态测量预处理后得到灰质分割结果，用于训练(N=1402)和验证(20%，N=351)可以对生理性别进行分类的支持向量机分类器。作为第二次验证，对1104名抑郁症患者进行分类。第三次验证使用与CG样本匹配的跨性别者女性(生理性别男、心理性别女，TW)样本。最后，通过控制性取向、年龄和大脑总体积的单变量分析，比较了CG男性、女性和TW跨性别激素治疗(CHT)前后的大脑体积。将生理性别分类器应用于跨性别者样本，真阳性率显著降低(TPR-男性=56.0%)。有抑郁者(TPR(真实标签正确预测)-男性=86.9%)与无抑郁者(TPR-男性=88.5%)的TPR差异无统计学意义(P>0.05)。对跨性别者样本的单变量分析表明，TW治疗前后在壳核和脑岛，CG女性和CG男性的脑结构存在差异，与全脑分析的结果一致。作者的结果支持这样的假设，即TW(跨性别者女性)的脑结构不同于其生物学性别(男性)的脑结构，也不同于他们感知的性别(女性)的脑结构。这一发现证实了TIs大脑结构发生变化，导致了与CG个体的不同。

02

大型项目源码集合「GitHub 热点速览 v.21.39」

代码，尤其是优雅规范的代码，一直都是学习编程技巧的捷径。虽然有实用的代码小片段，能拯救当前业务的燃眉之急，但是真要去提升自己的技能还是得从大型的项目，尤其是有一定用户体量的项目中学习代码，了解系统背后的设计原理和实现逻辑。所以不妨仔细阅读本周特推的 codebases，了解 Trello、Telegram 之类的大型应用是如何实现的。

02

对角化可逆矩阵怎么求_正交矩阵一定可逆吗

本文给出了一种不同于传统方法的矩阵对角化方法，利用矩阵的初等变换，先求出矩阵的特征根与特征向

01

[预训练语言模型专题] BART & MASS 自然语言生成任务上的进步

BART和MASS都是2019年发布的，面向生成任务，基于Transformer神经翻译结构的序列到序列模型。分别由Facebook 和微软亚洲研究院提出。他们都对encoder输入的屏蔽(mask)方式进行了改进，并且在生成任务的效果也都比之前有了不少提升。让我们花10分钟来一起来看看这两个模型吧。两个模型都是以Transformer的神经翻译模型作为基础结构，而Transformer的encoder-decoder结构（图 1）的具体讲解可以参考上一篇文章。

03

RNN和LSTM

原文：https://maoli.blog.csdn.net/article/details/89390069

01

【技术解析】PointNet系列论文解读

技术解析是由美团点评无人配送部技术团队主笔，每期发布一篇无人配送领域相关技术解析或应用实例，本期为您带来的是论文PointNet系列论文解读。

03

你的朋友也在看！谷歌STUDY算法加持书单推荐系统，让学生爱上阅读

开卷有益，是我们一直以来的认识。阅读可以帮助人们提高自己的语言能力、学习到新的技能....

01

“伟哥之父”穆拉德通过AI药物挖掘，居然发现...

原本当时是研究心血管疾病，但男性受试者看到美女护士意外有反应，因此转研究男性勃起功能障碍。 “伟哥之父”穆拉德在一次座谈会上讲述其药物开发过程时，这样讲道。这番话让在场的观众惊讶得合不拢嘴，但这确实是药物发现的一个主要方式：偶然发现。药物发现、生物标志物筛选等环节均是一种苦苦寻觅的过程，要在自然界无数种物质中找到一种能治疗某种特定疾病的物质。大多数情况下，科学家是无限扩大筛选对象以期邂逅目标分子，人们通常利用高通量筛选）进行筛选，HTS成本十分昂贵，它由机器人自动完成，通过在同一时间进行数以百万计的试验，

05

ICLR'21 当图神经网络遇上传统机器学习 x 2

介绍2篇ICLR 2021的文章，其均尝试将传统机器学习方法(如AdaBoost和GBDT)与GNN结合，非常好玩~ 尽管看起来像是A+B式的创新论文，看了之后感觉还是有点东西的~

01

揭秘阿里巴巴的客群画像

阿里巴巴一直在面向未来探索B类新电商模式，并从2019年开始重点构建“新供给、新链接、新营销”三新体系。买家是三新体系的核心，缺少买家维度的数字化经营体系是不完整的。平台场景目标群体及场景间买家差异性尚不明确，客群矩阵就是为场景中控解决这一业务痛点、提高场货分发效能而专门设置的算法研究主题。同时，客群矩阵也是用户增长和算法特征的核心数据。鉴于客群矩阵如此重要且拥有诸多应用，其构建迫在眉睫。

01

大型项目源码集合「GitHub 热点速览 v.21.39」

代码，尤其是优雅规范的代码，一直都是学习编程技巧的捷径。虽然有实用的代码小片段，能拯救当前业务的燃眉之急，但是真要去提升自己的技能还是得从大型的项目，尤其是有一定用户体量的项目中学习代码，了解系统背后的设计原理和实现逻辑。所以不妨仔细阅读本周特推的 codebases，了解 Trello、Telegram 之类的大型应用是如何实现的。

03

”人货场”模型搞懂没？数据分析大部分场景都能用！

做数据分析的同学，很多都听过：人、货、场的分析模型。然而，这东西又是个只闻其名，不见真身的东西。到底该怎么结合实际分析？今天我们系统讲解下。

06

一篇文章了解贝叶斯机器学习

你知道贝叶斯法则。机器学习与它有何相关？它可能很难掌握如何把拼图块放在一起——我们了解它花了一段时间。贝叶斯和频率论者在本质上，贝叶斯意味着概率。这个具体的术语存在是因为有两个概率方法。贝叶斯认为这是一个衡量的信念，因此，概率是主观的，并且指向未来。频率论者有不同看法：他们用概率描述过去发生的事件——这种方式是客观的并且不取决于一个人的信念。这个名字来源于一个方法——例如：我们掷硬币100次，它出现头53次，所以频率/概率为0.53。先验概率，更新和后验概率我们从一种信念开始，叫做先验。然后，我们

06

干货 | 一文读懂什么是贝叶斯机器学习

关键字全网搜索最新排名【机器学习算法】：排名第一【机器学习】：排名第二【Python】：排名第三【算法】：排名第四你知道贝叶斯法则。机器学习与它有何相关？它可能很难掌握如何把拼图块放在一起——我们了解它花了一段时间。贝叶斯和频率论者在本质上，贝叶斯意味着概率。这个具体的术语存在是因为有两个概率方法。贝叶斯认为这是一个衡量的信念，因此，概率是主观的，并且指向未来。频率论者有不同看法：他们用概率描述过去发生的事件——这种方式是客观的并且不取决于一个人的信念。这个名字来源于一个方法——例如：我们掷

07

网络表示学习概述

随着社交媒体的飞速发展，在线社交网络成为了人们赖以生存的第二世界。大规模社交网络用户的形成使得传统的网络表示方法遇到了瓶颈，由于随着深度学习技术的蓬勃发展以及受自然语言处理领域词嵌入技术的启发，自动学习网络中节点的向量表示成为近年来的研究热点。

03

过于SLAM的一篇杂记

标定就是找到雷达到相机的空间转换关系，在不同的坐标系之间转换需要旋转矩阵 R 和平移矩阵 T，为后续的雷达和相机数据融合做准备：

01

个性化推荐沙龙 | 跨领域推荐，实现个性化服务的技术途径

曹健，上海交通大学计算机系教授。近年来在大数据智能分析领域进行研究与应用。一、跨领域推荐的概念推荐系统在我们这个时代扮演了越来越重要的角色。如何利用海量数据，来对用户的行为进行预测，向用户推荐其感兴趣的物品与服务成为各大互联网公司非常关注的问题。目前学术界与工业界对推荐的研究与应用，主要集中在对单领域的个性化推荐，即根据用户对某一领域（如书籍）的兴趣特点和购买行为，向用户推荐用户感兴趣的信息和商品。领域反映了两组对象相互间的关系，比如用户对书籍的评价数据即可看作一个用户-书籍领域，而这个领域本身

05

深度 | 一文介绍3篇无需Proposal的实例分割论文

选自Medium 作者：Bar Vinograd 机器之心编译参与：Nurhachu Null、黄小天本文解析了实例分割领域中的三篇论文，它们不同于主流的基于 proposal 和 Faster-RCNN 的方法，比如 Mask R-CNN、MaskLab 以及最新的 PANet，后者在多个数据集（CityScapes、COCO 以及 MVD）上实现了当前最优的结果。基于 proposal 的实例分割架构存在三个根本缺陷。首先，两个物体可能共享同一个或者非常相似的边界框。在这种情况中，mask hea

05

IJCAI 2018国际广告算法大赛迁移学习夺冠，中国包揽冠亚季军

📷 ---- 新智元报道来源：IJCAI-18阿里妈妈国际广告算法大赛编辑：文强【新智元导读】IJCAI-18阿里妈妈国际广告算法大赛上周结束，来自中国的团队包揽了冠亚季军。冠军方案采用了迁移学习的方法，核心代码只有一页。 IJCAI 2018阿里妈妈国际广告算法大赛上周圆满结束，有来自50多个国家和地区的6000多名选手组成的5300多支队伍参赛（有700多名来自国外）。中国团队包揽了前三名。实际上，进入决赛的8支队伍均来自中国。这代表了中

03

（五）通俗易懂理解——双向LSTM

大家好，又见面了，我是你们的朋友全栈君。中文翻译作者博客：https://www.cnblogs.com/wangduo/p/6773601.html?utm_source=itdadao&utm_

02

深度学习和经典统计学是一回事？

来源：机器之心本文约7000字，建议阅读10+分钟本文会解释为什么深度学习的基础其实不同于统计学，甚至不同于经典的机器学习。深度学习和简单的统计学是一回事吗？很多人可能都有这个疑问，毕竟二者连术语都有很多相似的地方。在这篇文章中，理论计算机科学家、哈佛大学知名教授 Boaz Barak 详细比较了深度学习与经典统计学的差异，认为“如果纯粹从统计学角度认识深度学习，就会忽略其成功的关键因素”。图源：https://twitter.com/YiMaTweets/status/155391346418

02

深度学习500问——Chapter06：循环神经网络（RNN）（3）

RNN在处理长期依赖（时间序列上距离较远的节点）时会遇到巨大的困难，因为计算距离较远的节点之间联系时会涉及雅可比矩阵的多次相乘，会造成梯度消失或者梯度膨胀的现象。为了解决该问题，研究人员提出了许多解决办法，例如ESN（Echo State Network），增加有漏单元（Leaky Units）等等，其中成功应用最广泛的就是门限RNN（Gated RNN），而LSTM就是门限RNN中最著名的一种。有漏单元通过设计连接间的权重系数，从而允许RNN累积距离较远节点间的长期联系；而门限RNN则泛化了这样的思想，允许在不同时刻改变该系数，且允许网络忘记当前已经积累的信息。

01

Decoders对于语义分割的重要性 | CVPR 2019

今天为大家推荐一篇 CVPR2019 关于语义分割的文章 Decoders Matter for Semantic Segmentation: Data-Dependent Decoding Enables Flexible Feature Aggregation，该文章提出了一种不同于双线性插值的上采样方法，能够更好的建立每个像素之间预测的相关性。得益于这个强大的上采样方法，模型能够减少对特征图分辨率的依赖，能极大的减少运算量。该工作在 PASCAL VOC 数据集上达到了 88.1% 的 mIOU，超过了 DeeplabV3 + 的同时只有其 30% 的计算量。

02

扫码

添加站长进交流群

领取专属 10元无门槛券

手把手带您无忧上云

扫码加入开发者社群

相关资讯

热门标签

活动推荐

运营活动

活动名称

广告关闭