ORA-00136: invalid LISTENER_NETWORKS specification #string
文档解释ORA-00136:invalidLISTENER_NETWORKSspecification#stringCause:ThesyntaxforthenthLISTENER_NETWORKSspecificationwasinvalid.Action:RefertotheOracleReferenceManua...
ORA-00137: invalid LISTENER_NETWORKS specification with NAME=string
文档解释ORA-00137:invalidLISTENER_NETWORKSspecificationwithNAME=stringCause:ThesyntaxfortheLISTENER_NETWORKSspecificationwiththeindicatedNAMEwasinvalid.Action:Refer...
论文笔记（7）：Constrained Convolutional Neural Networks for Weakly Supervised Segmentation
UCBerkeley的DeepakPathak使用了一个具有图像级别标记的训练数据来做弱监督学习。训练数据中只给出图像中包含某种物体，但是没有其位置信息和所包含的像素信息。该文章的方法将imagetags转化为对CNN输出的label分布的限制条件，因此称为Constrainedconvolutionalneuraln...
论文笔记（4）：Fully Convolutional Networks for Semantic Segmentation
首先回顾CNN测试图片类别的过程，如下图：主要由卷积，pool与全连接构成，这里把卷积与pool都看作图中绿色的convolution，全连接为图中蓝色的fullyconnected。卷积主要是获取高维特征，pool使图片缩小一半，全连接与传统神经网络相似作为权值训练，最后通过softmax输出概率最高的类别。上图中n...
论文笔记（1）：From Image-level to Pixel-level Labeling with Convolutional Networks
文章采用了多实例学习（MIL）机制构建图像标签同像素语义的关联。该方法的训练样本包含了70万张来自ImageNet的图片，但其语义分割的性能很大程度上依赖于复杂的后处理过程，主要包括图像级语义的预测信息、超像素平滑策略、物体候选框平滑策略和MCG分割区域平滑策略。下图是论文所用方法的一般性说明：（1）使用来...
论文学习：Fully Convolutional Networks for Semantic Segmentation
发表于2015年这篇《FullyConvolutionalNetworksforSemanticSegmentation》在图像语义分割领域举足轻重。通常CNN网络在卷积层之后会接上若干个全连接层,将卷积层产生的特征图(featuremap)映射成一个固定长度的特征向量。以AlexNet为代表的经典CNN结构适合于图像...
Language Modeling with Gated Convolutional Networks(句子建模之门控CNN）--模型简介篇
最近忙着实验室的项目，一直没有时间做仿真，所以就先写一下之前看的一篇文章，总结一下吧。这次要说的是GatedCNN，这也是第一次将门限控制引入到CNN中的文章，感觉十分有新意，效果也很棒。下面我们来看一下，文章的主要贡献包括：提出一种新的门控机制缓解梯度传播，降低梯度弥散等现象相比LSTM，模型更加简单，收敛速度更快模...
（译）理解 LSTM 网络 （Understanding LSTM Networks by colah）
@翻译：huangyongye原文链接： UnderstandingLSTMNetworks前言：其实之前就已经用过LSTM了，是在深度学习框架keras上直接用的，但是到现在对LSTM详细的网络结构还是不了解，心里牵挂着难受呀！今天看了tensorflow文档上面推荐的这篇博文，看完这后，焕然大悟，对LST...
LSTM Networks
Humansdon’tstarttheirthinkingfromscratcheverysecond.Asyoureadthisessay,youunderstandeachwordbasedonyourunderstandingofpreviouswords.Youdon’tth...
UCN（User-Centric Networks，用户中心网络）
UCN（User-CentricNetworks，以用户为中心的网络）是下一代移动通信网络（5G）的发展方向，目前尚处于初级发展阶段。2016年11月，IEEESDN研究组（聚焦研发SDN、NFV、5G移动通信技术）联合主席EileenHealy女士、IEEESDN研究组预工业化委员会联合主席CagatayBuyukk...
R-FCN：Object Detection via Region-based Fully Convolutional Networks
fast、faster这些网络都可以被roi-pooling层分成两个子网络：1.ashared,'fullyconvolutional'subnetwork 2.anroi-wisesubnetwork（就是doesnotsharecomputation的子网络）其...
ImageNet Classification with Deep Convolutional Nerual Networks(AlexNet)
Architecture: 整个网络8层，5个卷积层，3个全连接层 ReluNonlinearity： 非饱和的relu比饱和的sigmoid或者tanh训练速度快很多，并有效解决梯度消失 OverlappingPooling： 论文中整个网络都使用重叠网络，分别降低top-1、top-5的错误率0....
Very Deep Convolutional Networks for Large-scale Image Recognition(vggnet)
vggNet是从AlexNet而来，主要探索卷积神经网络的深度与性能之间的关系，通过反复堆叠3x3的卷积核（c中有1x1的卷积核,也只有c中有，c是16层）和2x2的最大池化层，vggNet构筑了16-19层深的卷积神经网络。3x3卷积核：thesmallestsizetocapturethenotionofleft/...