摘要
Berrada,L.、Zisserman,A.和Kumar,M.P.深度top-k分类的平滑损失函数。 计算研究库(CoRR) (2018). 谷歌学者 Chen,L.-C.,Papandreou,G.,Kokkinos,I.,Murphy,K.和Yuille,A.L.Deeplab:使用深度卷积网络、反褶积和完全连接的crf进行语义图像分割。 计算研究库(CoRR) (2017). 谷歌学者 Chen,S.和Zhao,Q.《浅化深层网络:基于特征表示的分层修剪》。 IEEE模式分析和机器智能汇刊41 , 12 (2019), 3048--3056. 谷歌学者 交叉引用 陈耀福。 2019年PyTorch CIFAR10/100上的预训练模型。 谷歌学者 Dhamdhere,K.,Sundararajan,M.和Yan,Q.神经元有多重要? 计算研究库(CoRR) (2018). 谷歌学者 Everingham,M.、Van Gool,L.、Williams,C.K.I.、Winn,J.和Zisserman,A.《2012年PASCAL视觉对象类挑战赛》(VOC2012)结果。 http://www.pascal-network.org/challenges/VOC/voc2012/workshop/index.html , 2012. 谷歌学者 Han,S.,Pool,J.,Tran,J.和Dally,W.学习有效神经网络的权重和连接 神经信息处理系统进展会议记录 (2015),C.Cortes、N.Lawrence、D.Lee、M.Sugiyama和R.Garnett,Eds.,Curran Associates,Inc.,第1135-1143页。 谷歌学者 Han,Y.、Huang,G.、Song,S.、Yang,L.、Wang,H.和Wang,Y.动态神经网络:一项调查。 计算研究库(CoRR) (2021). 谷歌学者 He,K.,Gkioxari,G.,Dollár,P.和Girshick,r.Mask r-cnn。 计算研究库(CoRR) (2017). 谷歌学者 He,K.,Zhang,X.,Ren,S.和Sun,J.图像识别的深度剩余学习。 谷歌学者 He,K.,Zhang,X.,Ren,S.和Sun,J.图像识别的深度剩余学习。 计算研究库(CoRR) (2015). 谷歌学者 何,Y.,Kang,G.,Dong,X.,Fu,Y.和Yang,Y.用于加速深层卷积神经网络的软滤波器修剪。 IJCAI’18,AAAI出版社,第2234-2240页。 谷歌学者 Hunter,J.D.Matplotlib:二维图形环境。 科学与工程中的计算9 , 3 (2007), 90--95. 谷歌学者 数字图书馆 Kokhlikyan N.、Miglani V.、Martin M.、Wang E.、Reynolds J.、Melnikov A.、Lunova N.和Reblitz-Richardson O.Pytorch captum,2019年。 谷歌学者 Krizhevsky,A.、Sutskever,I.和Hinton,G.E.用深度卷积神经网络进行Imagenet分类。 在 神经信息处理系统进展会议论文集 (2012),F.Pereira、C.J.C.Burges、L.Bottou和K.Q.Weinberger,Eds.,第25卷,Curran Associates,Inc.,第1106-1114页。 谷歌学者 LeCun,Y.和Cortes,C.MNIST手写数字数据库,2010年。 谷歌学者 LeCun,Y.、Denker,J.和Solla,S.最佳脑损伤。 在 神经信息处理系统进展会议记录 (1989),D.Touretzky,Ed.,Morgan-Kaufmann,第598-605页。 谷歌学者 Leontiadis,I.,Laskaridis,S.,Venieris,S.I.,and Lane,N.D.总是个性化的:利用提前退出实现高效的CNN设备个性化。 计算研究库(CoRR) (2021). 谷歌学者 数字图书馆 Li,H.、Kadav,A.、Durdanovic,I.、Samet,H.和Graf,H.P.修剪过滤器,以实现高效的转换。 计算研究库(CoRR) (2016年)。 谷歌学者 Li,H.、Kadav,A.、Durdanovic,I.、Samet,H.和Graf,H.P.修剪过滤器,以实现高效的转换。 计算研究库(CoRR) (2016年)。 谷歌学者 林,J.,饶,Y.,卢,J.和周,J.运行时神经修剪。 在 神经信息处理系统进展会议记录 (2017年),I.Guyon,U.v.Luxburg,S.Bengio,H.Wallach,R.Fergus,S.Vishwanathan,and R.Garnett,Eds.,Curran Associates,Inc.,第2181-2191页。 谷歌学者 Molchanov,P.、Tyree,S.、Karras,T.、Aila,T.和Kautz,J.修剪卷积神经网络以实现资源高效传输学习。 计算研究库(CoRR) (2016年)。 谷歌学者 Nikolaos,F.、Theodorakopoulos,I.、Pothos,V.和Vassalos,E.cnn网络的动态修剪。 在 2019年第十届信息、智能、系统和应用国际会议 (2019年),第1-5页。 谷歌学者 交叉引用 Paszke,A.、Gross,S.、Massa,F.、Lerer,A.、Bradbury,J.、Chanan,G.、Killeen,T.、Lin,Z.、Gimelshein,N.、Antiga,L.、Desmaison,A.、Kopf,A.,Yang,E.、DeVito,Z.,Raison,M.、Tejani,A.、Chilamkurthy,S.,Steiner,B.、Fang,L.,Bai,J.和Chintala,S.Pythort:一个命令式、高性能的深度学习库。 在 神经信息处理系统年度会议记录 (2019年),第8024--8035页。 谷歌学者 佩德雷戈萨(Pedregosa,F.)、瓦罗奎斯(Varoqueux,G.)、格拉姆福特(Gramfort,A.)、米歇尔(Michel,V.)、提里昂(Thirion,B.)、格里塞尔(Grisel,O.)、布隆德尔(Blondel,M.)、普雷滕霍弗(Prettenhofer,P.)、韦斯(Weiss,R.)、杜堡(Dubourg,V.,Vanderplas,J.)、帕索斯(Passos,A.),库纳波(Cournap。 机器学习研究杂志12 (2011),2825-2830。 谷歌学者 数字图书馆 Ronneberger,O.、Fischer,P.和Brox,T。 U-Net:生物医学图像分割的卷积网络。 查姆施普林格,2015年,第234-241页。 谷歌学者 Ruder,S.梯度下降优化算法概述。 计算研究库(CoRR) (2016年)。 谷歌学者 Sabih,M.、Hannig,F.和Teich,J.利用可解释人工智能量化和修剪深层神经网络。 计算研究库(CoRR) (2020). 谷歌学者 Shrikumar,A.、Greenside,P.和Kundaje,A.通过传播激活差异学习重要特征。 计算研究库(CoRR) (2017). 谷歌学者 Srinivas,S.和Babu,R.V.深度神经网络的无数据参数修剪。 计算研究库(CoRR) (2015). 谷歌学者 Sundararajan,M.、Taly,A.和Yan,Q.深度网络公理化归因。 计算研究库(CoRR) (2017). 谷歌学者 Teeraptittayanon,S.、McDanel,B.和Kung,H.T.BranchyNet:通过早期退出深度神经网络进行快速推理。 在 第23届模式识别国际会议(ICPR)会议记录 (2016),IEEE,第2464-2469页。 谷歌学者 交叉引用 Tjoa,E.和Guan,C.关于可解释人工智能(XAI)的调查:面向医学XAI。 计算研究库(CoRR) (2019). 谷歌学者 van der Walt,S.、Colbert,S.C.和Varoquaux,G.《NumPy数组:高效数值计算的结构》。 科学与工程计算13 , 2 (2011), 22--30. 谷歌学者 数字图书馆 Van Rossum,G.和Drake,F.L。 Python 3参考手册。 CreateSpace,美国加利福尼亚州斯科茨谷,2009年。 谷歌学者 You,Z.,Yan,K.,Ye,J.,Ma,M.和Wang,P.Gate装饰器:用于加速深层卷积神经网络的全局过滤器修剪方法。 在 神经信息处理系统进展会议记录 (2019年),第2130--2141页。 谷歌学者
建议
在高维空间中寻找k主导的天际线 2006年ACM SIGMOD国际数据管理会议记录 给定一个 天 -维度数据集、点 第页 控制另一点 q个 如果它优于或等于 q个 在所有方面都优于 q个 至少在一个维度上。 如果不存在任何可以控制它的点,则点就是天际线点。。。 在不确定的数据库中选择天际线恒星 图形抽象显示省略的亮点首先,我们提出了由b-skyline表示的证据性天际线,其目的是返回不受任何其他对象可信支配的证据性对象。 然后我们介绍看似合理的天际线。。。