论文解读（WDGRL）《Wasserstein Distance Guided Representation Learning for Domain Adaptation》
Note：[ wechat：Y466551 | 可加勿骚扰，付费咨询 ] 论文信息 论文标题：Wasserstein Distance Guided Representation Learning for Domain Adaptation论文作者：Jian ......![]()
论文解读（CTDA）《Contrastive transformer based domain adaptation for multi-source cross-domain sentiment classification》
Note：[ wechat：Y466551 | 可加勿骚扰，付费咨询 ] 论文信息 论文标题：Contrastive transformer based domain adaptation for multi-source cross-domain sentimen ......![]()
实时光线追踪（3）Ray Casting
目录 硬件光追（Hardware Ray Tracing） 加速结构（Acceleration Structure，AS） AS 策略 Ray Tracing Pipeline Ray Generation Shader Intersection Shader Hit Sha ......![]()
提升GAN的技术 Tips for Improving GAN
Wasserstein GAN (WGAN) 在一些情况下，用 JS散度来衡量两个分布的远近并不适合： 1. 数据是高维空间中的低维流形（manifold），两个分布在高维空间中的 overlap 少 ......![]()
GAN和GAN的改进
GAN 原始GAN中判别器要最小化如下损失函数，尽可能把真实样本分为正例，生成样本分为负例： 其中是真实样本分布，是由生成器产生的样本分布。 第一个式子我们不看梯 ......![]()
Proximal Algorithms 2 Properties
目录 可分和 基本的运算 不动点 fixed points Moreau decomposition 如果\(f\)可分为俩个变量:\(f(x, y)=\varphi(x) + \psi(y)\), 于是: 如果\(f\)是完全可分 ......![]()
论文笔记：（2019CVPR）PointConv: Deep Convolutional Networks on 3D Point Clouds
目录 摘要 一、前言 1.1直接获取3D数据的传感器 1.2为什么用3D数据 1.3目前遇到的困难 1.4现有的解决方法及存在的问题 二、本文idea 2.1 idea来源 2.2 初始思路 2. ......![]()
StarGAN论文及代码理解
StarGAN的引入是为了解决多领域间的转换问题的，之前的CycleGAN等只能解决两个领域之间的转换，那么对于含有C个领域转换而言，需要学习C*(C-1)个模型，但StarGAN仅需 ......![]()
Proximal Algorithms 4 Algorithms
目录 Proximal minimization 解释 Gradient flow 解释1 最大最小算法 不动点解释 Forward-backward 迭代解释 加速 proximal gradient method 交替方向方法 ADMM ......![]()
↓ 按住下拉
V2AS = Way To Ask
V2AS 一个技术分享与创造的静土
手机扫一扫
移动阅读更方便
近15日热搜文章