DL4CV an der TU München

Arrow Arrow

Komplett kostenfrei

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

studysmarter schule studium
d

4.5 /5

studysmarter schule studium
d

4.8 /5

Lerne jetzt mit Karteikarten und Zusammenfassungen für den Kurs DL4CV an der TU München.

Beispielhafte Karteikarten für DL4CV an der TU München auf StudySmarter:

What is Self-Supervised Learning?

Beispielhafte Karteikarten für DL4CV an der TU München auf StudySmarter:

How can we restrict degree of freedom/reduced learnable parameters?

Beispielhafte Karteikarten für DL4CV an der TU München auf StudySmarter:

How should be the filter depth dimension?

Beispielhafte Karteikarten für DL4CV an der TU München auf StudySmarter:

How do we get from filters to a ConvNet?

Beispielhafte Karteikarten für DL4CV an der TU München auf StudySmarter:

Why Transfer Learning is good?

Beispielhafte Karteikarten für DL4CV an der TU München auf StudySmarter:

Regularization Techniques?

Beispielhafte Karteikarten für DL4CV an der TU München auf StudySmarter:

Is it ok to treat dimensions separately in Batch Normalilization?

Beispielhafte Karteikarten für DL4CV an der TU München auf StudySmarter:

What is the Depth of Neural Network?

Beispielhafte Karteikarten für DL4CV an der TU München auf StudySmarter:

What if the graph has loop?

Beispielhafte Karteikarten für DL4CV an der TU München auf StudySmarter:

Example of many to one mapping?

Beispielhafte Karteikarten für DL4CV an der TU München auf StudySmarter:

What does KL-Div Loss do in latent space?

Beispielhafte Karteikarten für DL4CV an der TU München auf StudySmarter:

What is the connection between Autoencoder and PCA?

Kommilitonen im Kurs DL4CV an der TU München. erstellen und teilen Zusammenfassungen, Karteikarten, Lernpläne und andere Lernmaterialien mit der intelligenten StudySmarter Lernapp. Jetzt mitmachen!

Jetzt mitmachen!

Flashcard Flashcard

Beispielhafte Karteikarten für DL4CV an der TU München auf StudySmarter:

DL4CV

What is Self-Supervised Learning?
Self-supervised learning is a type of supervised learning where the training labels are determined by the input data.

word2vec and similar word embeddings are a good example of self-supervised learning. word2vec models predict a word from its surrounding words (and vice versa). Unlike “traditional” supervised learning, the class labels are not separate from the input data.

Autoencoders are another example of self-supervised learning, as they are trained to shrink and reconstruct their inputs.

DL4CV

How can we restrict degree of freedom/reduced learnable parameters?
1) In conVnets connections are structured (everything is not connected with everything)
2) in convolution wen we apply a filters to different spatial location the weights are shared

DL4CV

How should be the filter depth dimension?
Depth dimension *must* match input depth dimension;i.e., filter extends the full depth of the

DL4CV

How do we get from filters to a ConvNet?
The idea is optimize for filter banks
Filters are spatially-invariant
Extract features at locations
Multiple feature banks per location

DL4CV

Why Transfer Learning is good?
we learning different level of features which we can use for other settings

DL4CV

Regularization Techniques?
Weight Decay
Data Augmentation
Early Stopping
Ensemble
Bagging
Dropout

DL4CV

Is it ok to treat dimensions separately in Batch Normalilization?
Shown empirically that even if features are not decorrelated, convergence is still faster with this method

DL4CV

What is the Depth of Neural Network?
Number of Layers

DL4CV

What if the graph has loop?
we should unroll it and back-propagate it through time

DL4CV

Example of many to one mapping?
Language recognition
Sentimental analysis (grading writings)

DL4CV

What does KL-Div Loss do in latent space?
forcing a unit Gaussian distribution so the latent vector becomes a distribution

DL4CV

What is the connection between Autoencoder and PCA?
PCA is restricted to a linear map, while auto encoders can have nonlinear enoder/decoders.

A single layer auto encoder with linear transfer function is nearly equivalent to PCA, where nearly means that the W
W found by AE and PCA won’t be the same–but the subspace spanned by the respective W
W’s will.

Melde dich jetzt kostenfrei an um alle Karteikarten und Zusammenfassungen für DL4CV an der TU München zu sehen

Singup Image Singup Image
Wave

Andere Kurse aus deinem Studiengang

Für deinen Studiengang an der TU München gibt es bereits viele Kurse auf StudySmarter, denen du beitreten kannst. Karteikarten, Zusammenfassungen und vieles mehr warten auf dich.

Zurück zur TU München Übersichtsseite

Was ist StudySmarter?

Was ist StudySmarter?

StudySmarter ist eine intelligente Lernapp für Studenten. Mit StudySmarter kannst du dir effizient und spielerisch Karteikarten, Zusammenfassungen, Mind-Maps, Lernpläne und mehr erstellen. Erstelle deine eigenen Karteikarten z.B. für DL4CV an der TU München oder greife auf tausende Lernmaterialien deiner Kommilitonen zu. Egal, ob an deiner Uni oder an anderen Universitäten. Hunderttausende Studierende bereiten sich mit StudySmarter effizient auf ihre Klausuren vor. Erhältlich auf Web, Android & iOS. Komplett kostenfrei. Keine Haken.

Awards

Bestes EdTech Startup in Deutschland

Awards
Awards

European Youth Award in Smart Learning

Awards
Awards

Bestes EdTech Startup in Europa

Awards
Awards

Bestes EdTech Startup in Deutschland

Awards
Awards

European Youth Award in Smart Learning

Awards
Awards

Bestes EdTech Startup in Europa

Awards

So funktioniert's

Top-Image

Individueller Lernplan

StudySmarter erstellt dir einen individuellen Lernplan, abgestimmt auf deinen Lerntyp.

Top-Image

Erstelle Karteikarten

Erstelle dir Karteikarten mit Hilfe der Screenshot-, und Markierfunktion, direkt aus deinen Inhalten.

Top-Image

Erstelle Zusammenfassungen

Markiere die wichtigsten Passagen in deinen Dokumenten und bekomme deine Zusammenfassung.

Top-Image

Lerne alleine oder im Team

StudySmarter findet deine Lerngruppe automatisch. Teile deine Lerninhalte mit Freunden und erhalte Antworten auf deine Fragen.

Top-Image

Statistiken und Feedback

Behalte immer den Überblick über deinen Lernfortschritt. StudySmarter führt dich zur Traumnote.

1

Lernplan

2

Karteikarten

3

Zusammenfassungen

4

Teamwork

5

Feedback