Open in app
Sign inGet started
論文閱讀 ECCV 2020 — House-GAN: Relational Generative Adversarial Networks for Graph-constrained House…

論文閱讀 ECCV 2020 — House-GAN: Relational Generative Adversarial Networks for Graph-constrained House…

該論文嘗試在住宅設計的迭代過程中，將 Deep Learning 應用於平面圖生成的環節，並提出新穎的模型架構，稱為「 House-GAN 」。作者們將建築設計上常用來表達空間鄰接關係的 Bubble diagram 轉化為 Graph structure data，並定義為…
Go to the profile of Ken Huang
Ken Huang
論文閱讀 NIPS 2021 — FlexMatch: Boosting Semi-Supervised Learning with Curriculum Pseudo Labeling

論文閱讀 NIPS 2021 — FlexMatch: Boosting Semi-Supervised Learning with Curriculum Pseudo Labeling

該論文將 Curriculum learning 結合 Pseudo Labeling 來改善現有 Semi-supervised learning 作法 ( FixMatch )，解決過去在訓練過程無法考量各類別學習難易度的缺點，有效提昇準確度和收斂速度。
Go to the profile of Ken Huang
Ken Huang
論文閱讀 CVPR 2020 — ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks

論文閱讀 CVPR 2020 — ECA-Net: Efficient Channel Attention for Deep Convolutional Neural Networks

該論文反思既有的 Channel attention 作法，並提出Efficient channel attention ( ECA ) 模組，在 Channel 的維度上善用 1D Convolution 捕捉「 Local cross-channel…
Go to the profile of Ken Huang
Ken Huang
論文閱讀 CVPR 2020 — Improving Convolutional Networks with Self-Calibrated Convolutions

論文閱讀 CVPR 2020 — Improving Convolutional Networks with Self-Calibrated Convolutions

該論文提出 Self-calibrated convolutions，巧妙地在單一層 Convolutional layer 之內異質地利用 Filters，使它在空間上有更強的適應性。該方法易於嵌入在其他架構，並可在不增加運算成本的情況下，提昇神經網路的表現能力。
Go to the profile of Ken Huang
Ken Huang
論文閱讀 CVPR 2019 — Deformable ConvNets v2: More Deformable, Better Results

論文閱讀 CVPR 2019 — Deformable ConvNets v2: More Deformable, Better Results

該論文以 Deformable ConvNets v1 為基礎，擴展其 Deformable convolution layer 的數量，並加入調幅機制 ( Modulation mechanism ) 進行改良，再進一步以 Feature mimicking…
Go to the profile of Ken Huang
Ken Huang
論文閱讀 CVPR 2020 — Semantics-Guided Neural Networks for Efficient Skeleton-Based Human Action…

論文閱讀 CVPR 2020 — Semantics-Guided Neural Networks for Efficient Skeleton-Based Human Action…

該論文有更明確地將人體骨架的語意資訊整合為神經網路的部份輸入，並以此想法提出 Semantics-guided neural network ( SGN )。不論在時間或空間的維度都有改善其準確度，整體架構也非常輕量。
Go to the profile of Ken Huang
Ken Huang
論文閱讀 WACV 2021 — Rotate to Attend: Convolutional Triplet Attention Module

論文閱讀 WACV 2021 — Rotate to Attend: Convolutional Triplet Attention Module

該論文提出 Triplet attention ，是一種新穎的 Attention layer ，可跨維度地捕捉重要特徵，且無須借助任何 Bottleneck 結構就做出非常輕量的設計，在幾個常見的資料集上都有不錯的成果。
Go to the profile of Ken Huang
Ken Huang
About 人工智慧，倒底有多智慧？Latest StoriesArchiveAbout MediumTermsPrivacyTeams