启智社区最近又发版了,新增模型推理功能,欢迎大家体验>>>

这些优秀的组织正在使用:

黑盒优化框架

Updated 10 hours ago Python

我们推出了 dabnn,一个用 ARM 汇编重写了卷积,高度优化的二值网络 inference 框架。实验显示 dabnn 相对于现有的二值网络和浮点网络 inference 框架均能带来极大的加速。在运行单个二值卷积时,我们的速度是 BMXNet (除 dabnn 外唯一一个二值网络 inference 框架) 的 800%~2400%,在运行二值化的 ResNet-18 时,我们的速度是 BMXNet 的约 700%。

Updated 2 years ago C++

该项目开源了一种可解释的、高效的多文档阅读理解算法SAE(Select, Answer and Explain)。该算法通过选择、回答和解释来对多个信息源进行推理,并通过提供支持证据来解释答案预测。具体地,SAE算法首先过滤掉与答案无关的文件, 从而减少干扰信息的数量。然后将选定与答案相关的文档输入到一个模型中, 预测答案和提供支持的句子。 该模型在答案预测的单词级别和支持句子预测的句子级别同时优化了多任务学习目标, 并通过注意力机制实现了这两个任务的交互。

Updated 2 years ago Python

Cascade R-CNN算法是CVPR2018的文章,通过级联几个检测网络达到不断优化预测结果的目的,与普通级联不同的是,cascade R-CNN的几个检测网络是基于不同IOU阈值确定的正负样本上训练得到的,这是该算法的一大亮点。cascade R-CNN的实验大部分是在COCO数据集做的,而且效果非常出彩。

Updated 1 month ago Python

本代码从全局角度实现了一个维修网络和库存控制的维修供应链联合优化决策问题,并将其建模编码为一个带有机会约束的混合整数非线性规划问题。

Updated 1 month ago C++

2030项目-优化冷链库存周转的调度算法

Updated 1 month ago CSV

Transformer最近已进行了大规模图像分类,获得了很高的分数,这动摇了卷积神经网络的长期霸主地位。但是,到目前为止,对图像Transformer的优化还很少进行研究。在这项工作中,作者为图像分类建立和优化了更深的Transformer网络。 特别是,作者研究了这种专用Transformer的架构和优化之间的相互作用。 作者进行了两次Transformer体系结构更改,从而显著提高了深度Transformer的精度。

Updated 1 month ago Python

该算法利用一种半监督知识蒸馏的方法来解决行人重识别的泛化问题,提出有标注数据和无标注数据的协同优化方法,提升模型整体的泛化能力。目前在多个数据库上接近于监督学习的性能。

Updated 1 month ago C

子课题3-5 https://git.openi.org.cn/PCL_AutoML/bbobenchmark 黑盒优化工具包

Updated 4 weeks ago Python

支持PaddleInference、PPQI的飞桨模型加密库,可对目前所有飞桨静态图模型进行内存级加密/解密,同时内置Golang服务端鉴权工具,进一步优化模型保密的能力。

Updated 2 months ago Python

尽管使用更快更深的卷积神经网络在单图像超分辨率的准确性和速度方面取得了突破,但一个核心问题仍然很大程度上未解决:当我们在大的升级因子上超分辨时,我们如何恢复更精细的纹理细节?基于优化的超分辨率方法的行为主要由目标函数的选择驱动。近期工作主要集中在最小化均方重建误差。由此产生的估计具有高峰值信噪比,但它们通常缺乏高频细节,并且在感知上它们不能满足在较高分辨率下预期的保真度的感觉上不满意。在本文中,我们提出了SRGAN,一种用于图像超分辨率(SR)的生成对抗网络(GAN)。据我们所知,它是第一个能够推断4倍放大因子的照片般逼真的自然图像的框架。为实现这一目标,我们提出了一种感知损失函数,它包括对抗性损失和内容丢失。对抗性损失使用鉴别器网络将我们的解决方案推向自然图像流形,该网络经过训练以区分超分辨率图像和原始照片真实图像。另外,我们使用由感知相似性驱动的内容丢失而不是像素空间中的相似性。我们的深度残留网络能够在公共基准测试中从严重下采样的图像中恢复照片般逼真的纹理。广泛的平均意见得分(MOS)测试显示使用SRGAN在感知质量方面获得了巨大的显着提升。

Updated 1 month ago Python

尽管使用更快更深的卷积神经网络在单图像超分辨率的准确性和速度方面取得了突破,但一个核心问题仍然很大程度上未解决:当我们在大的升级因子上超分辨时,我们如何恢复更精细的纹理细节?基于优化的超分辨率方法的行为主要由目标函数的选择驱动。近期工作主要集中在最小化均方重建误差。由此产生的估计具有高峰值信噪比,但它们通常缺乏高频细节,并且在感知上它们不能满足在较高分辨率下预期的保真度的感觉上不满意。在本文中,我们提出了SRGAN,一种用于图像超分辨率(SR)的生成对抗网络(GAN)。据我们所知,它是第一个能够推断4倍放大因子的照片般逼真的自然图像的框架。为实现这一目标,我们提出了一种感知损失函数,它包括对抗性损失和内容丢失。对抗性损失使用鉴别器网络将我们的解决方案推向自然图像流形,该网络经过训练以区分超分辨率图像和原始照片真实图像。另外,我们使用由感知相似性驱动的内容丢失而不是像素空间中的相似性。我们的深度残留网络能够在公共基准测试中从严重下采样的图像中恢复照片般逼真的纹理。广泛的平均意见得分(MOS)测试显示使用SRGAN在感知质量方面获得了巨大的显着提升。

Updated 1 month ago Python

尽管使用更快更深的卷积神经网络在单图像超分辨率的准确性和速度方面取得了突破,但一个核心问题仍然很大程度上未解决:当我们在大的升级因子上超分辨时,我们如何恢复更精细的纹理细节?基于优化的超分辨率方法的行为主要由目标函数的选择驱动。近期工作主要集中在最小化均方重建误差。由此产生的估计具有高峰值信噪比,但它们通常缺乏高频细节,并且在感知上它们不能满足在较高分辨率下预期的保真度的感觉上不满意。在本文中,我们提出了SRGAN,一种用于图像超分辨率(SR)的生成对抗网络(GAN)。据我们所知,它是第一个能够推断4倍放大因子的照片般逼真的自然图像的框架。为实现这一目标,我们提出了一种感知损失函数,它包括对抗性损失和内容丢失。对抗性损失使用鉴别器网络将我们的解决方案推向自然图像流形,该网络经过训练以区分超分辨率图像和原始照片真实图像。另外,我们使用由感知相似性驱动的内容丢失而不是像素空间中的相似性。我们的深度残留网络能够在公共基准测试中从严重下采样的图像中恢复照片般逼真的纹理。广泛的平均意见得分(MOS)测试显示使用SRGAN在感知质量方面获得了巨大的显着提升。

Updated 1 month ago Python