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
- (տեսիլք)Տրանսֆորմեր
- Ամբոխի հաշվարկ
- Տարբեր - Գրքեր
- "Մյուսները"
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