Թղթերի հավաքածու, որն ինձ համար օգտակար էր: Բաժինը (տեսլականը) Տրանսֆորմատորը և Ամբոխի հաշվումը ներկայացնում են իմ մագիստրոսական թեզի փաստարկը:

Փաստարկներով թղթերը բաժանվում են, բայց դրանք անսարք են։

TOC

Թղթեր

(տեսլական) Տրանսֆորմատոր

  • Pyramid Vision Transformer. բազմակողմանի ողնաշար խիտ կանխատեսման համար առանց ոլորումների— հղում
  • Պատկերն արժե 16x16 բառ. տրանսֆորմատորներ՝ պատկերների մասշտաբով ճանաչելու համար — հղում
  • Երկվորյակներ. Տեսողության տրանսֆորմատորներում տարածական ուշադրության դիզայնի վերանայում — հղում
  • Ուշադրությունն այն ամենն է, ինչ ձեզ հարկավոր է — հղում
  • ԱԱՀ. Տրանսֆորմատորներ՝ հում տեսանյութից, աուդիոյից և տեքստից բազմամոդալ ինքնավերահսկվող ուսուցման համար — հղում
  • Տրանսֆորմատոր տրանսֆորմատորում — հղում
  • Թուղթ չէ, բայց այն իսկապես լավ բացատրում է հայեցակարգը: https://amaarora.github.io/2021/01/18/ViT.html

Ամբոխի հաշվարկ

  • Բաշխման համապատասխանեցում ամբոխի հաշվման համար — հղում
  • Հասկանալով սխալների ազդեցությունը ֆոնային շրջանների վրա ամբոխի հաշվում — հղում
  • PANet. հեռանկարային ցանց՝ դինամիկ ընկալիչ դաշտերով և ինքնաթորվող վերահսկողությամբ ամբոխի հաշվման համար — հղում
  • CCTrans. Տրանսֆորմատորի միջոցով ամբոխի հաշվման պարզեցում և բարելավում — հղում
  • Բազմության մեջ հաշվարկի և տեղայնացման վերաիմաստավորում. զուտ կետի վրա հիմնված շրջանակ — հղում
  • Սովորելով բնության մեջ ամբոխի հաշվման սինթետիկ տվյալներից — հղում
  • Սովորում ենք հաշվել առարկաները պատկերներում — հղում
  • Ամբոխի հաշվման համար հարմարվողական խտության քարտեզի ստեղծում — հղում
  • CNN-ի վրա հիմնված խտության գնահատում և ամբոխի հաշվում. հարցում – հղում
  • Կոդավորող-ապակոդավորիչի վրա հիմնված կոնվոլյուցիոն նեյրոնային ցանցեր բազմամասշտաբ իրազեկ մոդուլներով ամբոխի հաշվման համար. հղում
  • Հետիոտների գլուխներին հետևելը խիտ ամբոխի մեջ — հղում

Տարբեր

  • Տարածական բուրգի միավորում խորը կոնվոլյուցիոն ցանցերում՝ վիզուալ ճանաչման համար — հղում
  • Բազմամասշտաբ համատեքստի համախմբում ընդլայնված կոնվուլյացիաներով — հղում
  • ChoRaL. հավաքում ենք հումորի արձագանքման պիտակներ միլիոնավոր սոցիալական
    լրատվամիջոցների օգտատերերից— հղում
  • Պարզ սիամական ներկայացուցչական ուսուցում- հղում
  • Ստորագրության ստուգում սիամական ժամանակի հետաձգման նեյրոնային ցանցի միջոցով. հղում
  • Dropblock՝ կոնվոլյուցիոն ցանցերի կանոնավորացման մեթոդ — հղում
  • FaceNet. Դեմքի ճանաչման և կլաստերավորման միասնական ներդրում — հղում
  • Generative Adversarial Networks- հղում
  • Խորը մնացորդային ուսուցում պատկերների ճանաչման համար — հղում
  • Շատ խորը կոնվոլյուցիոն ցանցեր՝ լայնածավալ պատկերների ճանաչման համար — հղում
  • Դուք միայն մեկ անգամ եք նայում՝ միասնական, իրական ժամանակում օբյեկտների հայտնաբերում — հղում
  • YOLO9000. Ավելի լավ, ավելի արագ, ավելի ուժեղ — հղում
  • YOLOv3. Աճող բարելավում — հղում
  • YOLOv4. Օբյեկտների հայտնաբերման օպտիմալ արագություն և ճշգրտություն — հղում
  • Scaled-YOLOv4. Scaling Cross Stage Partal Network — հղում
  • Cspnet. Նոր ողնաշար, որը կարող է բարելավել cnn-ի ուսուցման ունակությունը — հղում

Գրքեր

  • Խորը ուսուցում պիթոնի հետ — Ֆրանսուա Շոլլե
  • Խորը ուսուցում — Յան Գուդֆելոու, Յոշուա Բենջիո, Ահարոն Կուրվիլ
  • Տվյալների գիտություն բիզնեսի համար
  • Եռաչափ համակարգչային տեսողության տեխնիկայի և ալգորիթմների ներածություն
  • Գործնական խորը ուսուցում Cloud-ի, Mobile-ի և Edge-ի համար
  • Մեքենայի ուսուցում ժամանակային շարքերի կանխատեսման համար python-ով
  • Մեքենայի ուսուցման յուրացում AWS-ում
  • Բազմակի տեսքի երկրաչափություն համակարգչային տեսողության մեջ

Մյուսները

https://github.com/floodsung/Deep-Learning-Papers-Reading-Roadmap