网络 原始网络结构 原始网络采用24层卷积层进行特征的抽取，这部分参数在ImageNet数据集上预训练来初始化。 Head部分采用两个全连接层实现，首先将7*7*1024的Tensor Flatten，并送入输出为4096的全连接层；再接一个输出为1470的全连接层。 最后将1470的向量reshape成7*7*30. 输出解析 输出为SxSx(B*5+C)的tensor,其中SxS为grid cell的个数. 每个grid cell预测B个bounding box.每个bounding box有5个参数----中心点的坐标x和y,box的宽w和高h以及这个box包含物体的置信度confidence. C是物体各个类别的概率(这里是20),这里的概率是条件概率,即在这个grid cell预测的某个bounding box预测物体时,各个类别的概率. $$ P(class)=P(class|obj)*confidence $$ 损失函数 损失函数loss共分为五个部分: 第一部分是负责检测物体的bounding box的中心
Abstract 本文提出了一个开源的可拓展的知识抽取工具包——DeepKE，支持多场景(少资源、文档级别、多模态)下的知识数据库填充。 Introduction KBP的提出是为了从文本语料库中抽取知识来补充知识库(KBs)中缺失的元素，即对知识图谱进行补充。 DeepKE支持标准监督设置和三种复杂场景下的知识抽取任务(命名实体识别、关系抽取和属性提取)。 Core Functions 这一节简要介绍了一下三种知识抽取任务的概念和效果。略。 Toolkit Design and Implementation DeepKE的三大特性： 统一框架，在数据、模型和核心组件方面，不同的任务对象使用相同的框架。 灵活使用，提供自动超参数调整等工具，提高工作效率 现成模型，提供预训练的语言模型。 Data Module 数据模块主要完成数据的预处理和加载。其中的Tokenizer负责实现中文/英文的标记化。图像等其他视觉对象在多模态设置下先转化成视觉信息如标记或image patch。 Model Module 模型模块包
Axuanz
Updating as per fate.
