Trouble..
Trouble..

自然语言处理和计算机视觉相关论文总结

自然语言处理

命名实体识别

论文名称 期刊/会议 时间 解读 特点 代码
Unified Named Entity Recognition as Word-Word Relation Classification AAAI 2022 W2NER 本文建立了一个统一的命名实体识别模型，解决了NER领域当前嵌套实体、不连续实体的难题，其思想和TPLinker有异曲同工之处。将NER建立成2维网格，提出了多粒度卷积进行网格优化，推动了NER任务的统一。 W2NER

关系抽取

论文名称 期刊/会议 时间 解读 特点 代码

事件抽取

综述

论文名称 期刊/会议 时间 解读 特点 代码
A Survey on Deep Learning Event Extraction: Approaches and Applications TANNLS 2022 解读 本文回顾了2022年以前事件抽取模型进展，主要针对深度学习模型的研究。并为事件抽取模型进行文献分类，总结了事件抽取的范式和模型。分析了未来的研究方向。 -

事件检测/事件触发词抽取

论文名称 期刊/会议 时间 解读 特点 代码
Saliency as Evidence: Event Detection with Trigger Saliency Attribution ACL 2022 SaliencyED解读 本文将事件触发词检测分为两种情况，一种是更依赖触发词的，另一种是更依赖上下文的。本文采用触发词显著归因将其进行划分，对于第一种采用正常的序列标注模型，对于第二种将会先检测上下文中部分词显著性较高的词(非触发词)，引入外部知识进行强化。 SaliencyED
DESED: Dialogue-based Explanation for Sentence-level Event Detection COLING 2022 DESED解读 本文提出使用GPT在原始句子的基础上生成对应提示上下文，并提出了三种简单的对话解释，并采用注意力机制将原始句子和生成句子进行融合，从而实现原句增强 DESED
Event Detection with Dual Relational Graph Attention Networks COLING 2022 DualGAT解读 在句子级事件检测的基础上，使用句法关系和语义关系构建了一个对偶关系增强的注意力网络(重点在于句法图和语义图构建和剪枝)，在对偶关系图的基础上使用图注意力网络进行知识增强，最后进行联合知识解码 DualGAT
KiPT: Knowledge-injected Prompt Tuning for Event Detection COLING 2022 KiPT解读 在句子级事件检测的基础上，引入外部知识WordNet和软知识进行特征增强，外部知识引入是根据每个词的词性进行针对性增强，在使用生成模型进行条件解码 -

事件论元抽取

论文名称 期刊/会议 时间 解读 特点 代码
Prompt for Extraction? PAIE: Prompting Argument Interaction for Event Argument Extraction ACL 2022 PAIE解读 本文根据提示在每个角色的输入文本中选择开始/结束标记，引入了两个span选择器，它通过多角色提示捕获论元交互，并通过二部匹配损失(优化算法)进行最优跨度分配的联合优化。PAIE是将提示输入到解码器中，提供了不同的角度去分析论元角色 PAIE
Multilingual Generative Language Models for Zero-Shot Cross-Lingual Event Argument Extraction ACL 2022 X-GEAR解读 本文设计了一种与语言无关的提示模板，兼容了各种语言的事件论元结构。在多语言生成模型上进行微调，来生成最终从输入段落中抽取的论元填充，并分析了各种语言迁移的效果 X-Gear

句子级事件抽取

数据集
论文名称 期刊/会议 时间 解读 特点 代码
Title2Event: Benchmarking Open Event Extraction with a Large-scale Chinese Title Dataset EMNLP 2022 Title2Event解读 提出了一种中文新闻标题句子级事件抽取数据集，数据形式类似于三元组，中文数据集。 Title2Event
MEE: A Novel Multilingual Event Extraction Dataset EMNLP 2022 添加链接描述
基于 分类 的方法
流水线抽取
论文名称 期刊/会议 时间 解读 特点 代码
EventGraph: Event Extraction as Semantic Graph Parsing CASE 2022 EventGraph解读 语义图解码方式 EventGraph
CasEE: A Joint Learning Framework with Cascade Decoding for Overlapping Event Extraction ACL 2021 CasEE解读 CasEE依次执行(类型检测、触发词抽取和论元抽取)(前者)，其中重叠的目标根据前者的特定预测分别抽取。 CasEE
Query and Extract: Refining Event Extraction as Type-oriented Binary Decoding ACL 2022 Query and Extract解读 本文提出了一种新颖的事件抽取框架，该框架使用事件类型和论元角色作为自然语言查询，从输入文本中抽取候选触发词和论元。通过数据集中触发词和论元角色的分布进行上下文特征增强 Event_Query_Extract
联合抽取
论文名称 期刊/会议 时间 解读 特点 代码
Joint Information Extraction with Cross-Task and Cross-Instance High-Order Modeling Arixv 2022 HighIE解读 设计了两类高阶因子(同质因子和异质因子)，可以在训练和推理过程中结合跨任务和跨实例交互 HighIE
OneEE: A One-Stage Framework for Fast Overlapping and Nested Event Extraction COLING 2022 OneEE解读 很新颖的想法，将TPlinker关系抽取的思想用于事件抽取，实现了联合抽取触发词和论元，在使用自适应事件融合函数加强事件间的交互。解决了错误传播和事件触发词，论元嵌套的问题 OneEE
Abstract Meaning Representation Guided Graph Encoding and Decoding for Joint Information Extraction NAACL 2021 AMR-IR解读 本文利用抽象语义表示AMR进行辅助事件抽取，利用AMR语义聚合器和AMR引导图解码，分别加强了触发词和抡元之间的交互，触发词和论元之间的解码。 AMR-IE
Cross-Task Instance Representation Interactions and Label Dependencies for Joint Information Extraction with Graph Convolutional Networks NAACL 2021 FourIE解读 本文先进行触发词识别和实体识别，然后构建触发词和实体交互图，利用GCN对图特征进行增强对最后结果进行预测。将预测的结果和真实的情况在重建图，得到预测和真实之间的图损失值进行强化训练。 -
Joint Extraction of Entities, Relations, and Events via Modeling Inter-Instance and Inter-Label Dependencies NAACL 2022 GraphIE解读 本文提出从数据中诱导任务实例之间的依赖关系图来促进表示学习。为了更好地捕获实例标签之间的依赖关系，通过条件随机场直接估计它们的联合分布。引入噪声对比估计来解决模型训练中难以处理的联合似然的最大化问题。最后，为了改进之前工作中的贪心搜索或束搜索的解码，提出了模拟退火，以便在解码时更好地找到实例标签的全局最优分配。 -
A Joint Neural Model for Information Extraction with Global Features ACL 2020 OneIE解读 本文首次提出了事件联合抽取模型，利用识别的触发词和实体提及构建局部图分类器，在使用beam search全局搜索最优图。解码阶段利用全局特征捕获跨实例和跨任务的交互，从而优化结果。 OneIE
基于 问答/提示 的方式
论文名称 期刊/会议 时间 解读 特点 代码
Event Extraction as Machine Reading Comprehension EMNLP 2020 RCEE论文解读 首次将事件抽取转化为机器阅读理解问题，生成特定问题进行事件抽取。 RCEE
Global Constraints with Prompting for Zero-Shot Event Argument Classification EACL 2023 论文解读 提出了一种利用前缀提示进行零样本事件抽取的方法。 Code
Dynamic Prefix-Tuning for Generative Template-based Event Extractio ACL 2022 GTEE-DYNPREF论文解读 基于生成模板的动态前缀事件抽取，通过集成上下文信息和特定类型的前缀来学习每个上下文的特定上下文前缀。 -
DEGREE: A Data-Efficient Generation-Based Event Extraction Model NAACL 2022 DEGREE解读 给定一篇句子和一个手动设计的提示，DEGREE学会将句子中提到的事件总结成一个遵循预定义模式的自然句子。然后用确定性算法从生成的句子中抽取出最终的事件。 DEGREE
Prompt for Extraction? PAIE: Prompting Argument Interaction for Event Argument Extraction ACL 2022 PAIE解读 本文根据提示在每个角色的输入文本中选择开始/结束标记，引入了两个span选择器，它通过多角色提示捕获论元交互，并通过二部匹配损失(优化算法)进行最优跨度分配的联合优化。PAIE是将提示输入到解码器中，提供了不同的角度去分析论元角色 PAIE
Event Extraction by Answering (Almost) Natural Questions EMNLP 2020 EEQAj解读 本文首次将事件抽取任务转化为QA任务，通过问答形式进行抽取事件触发词和论元角色，并且在零样本时也具有一定的效果。 EEQA
Retrieval-Augmented Generative Question Answering for Event Argument Extraction EMNLP 2022 RGQA解读 本文提出了一种用于事件论元抽取的检索增强生成QA模型（R-GQA），检索与文本最相似的QA对，并将其作为当前示例上下文的提示，然后将论元解码为答案。采用聚类的采样策略对少样本学习及逆行深入分析。 RGQA
对比学习
论文名称 期刊/会议 时间 解读 特点 代码
CLEVE: Contrastive Pre-training for Event Extraction ACL 2021 CLEVE解读 CLEVE在与训练过程中使用自动解析器(AMR)去获取大量的无监督数据和语义信息进行预训练，有一个学习语义的文本编码器，一个学习事件语义结构的图编码器 CLEVE
迁移学习
论文名称 期刊/会议 时间 解读 特点 代码
A Multi-Format Transfer Learning Model for Event Argument Extraction via Variational Information Bottleneck COLING 2022 UnifiedEAE解读 不同数据集之间标注可能存在差距，事件记录可能很复杂，很难用统一的模型来抽取。本文采用变分信息瓶颈消除数据集间的不相关信息，保留数据集的共享信息，学习不同数据间的格式 -

文档级事件抽取

数据集
论文名称 期刊/会议 时间 解读 特点 代码
DocEE: A Large-Scale and Fine-grained Benchmark for Document-level Event Extraction NAACL 2022 DocEE解读 提出了一个文档级事件抽取数据集，该数据集具有大规模手动标注、细粒度论元类型和面向应用程序三大特点。该数据集是英文的。 DocEE
方法
论文名称 期刊/会议 时间 解读 特点 代码
Document-Level event Extraction via human-like reading process ICASSP 2022 解读 将文档级事件抽取分解为粗略阅读和精细阅读两个迭代阶段。第一个阶段浏览文档以检测事件的发生，第二个阶段用于抽取特定的事件论元。 -
A Two-Stream AMR-enhanced Model for Document-level Event Argument Extraction NAACL 2022 TSAR解读 TSAR通过双流编码模块从不同角度对文档进行编码，解决论元分散问题。此外，TSAR还引入了基于局部和全局的AMR语义图的AMR引导交互模块，以捕获句内和句间特征。引入一种辅助边界损失来显式增强文本跨度的边界信息。 TSAR
RAAT: Relation-Augmented Attention Transformer for Relation Modeling in Document-Level Event Extraction NAACL 2022 RAAT解读 提出了一种针对事件触发词和论元角色之间关系依赖进行增强的Transformer机制，有效地解决DEE论元分散问题 RAAT
Document-Level Event Role Filler Extraction using Multi-Granularity Contextualized Encoding ACL 2020 Multi-Granularity Reader解读 本文采用一个折中策略来解决DEE，提出了K_sentence阅读器和段落级阅读器，结合两者的特征形成一个多粒度阅读器进行DEE任务 Multi-Granularity Reader
Document-level Event Extraction via Heterogeneous Graph-based Interaction Model with a Tracker ACL 2021 GIT解读 本文针对DEE论元分散和事件间相关性建模问题，提出了带有跟踪器的异构图交互模型，该模型可以捕捉不同句子实体提及的交互，不同事件之间的交互 GIT
Doc2EDAG: An End-to-End Document-level Framework for Chinese Financial Event Extraction EMNLP 2019 Doc2EDAG解读 本文针对DEE任务，提出了一个无触发词的DEE任务，来简化事件标记。利用抽取出来的实体构建实体有向无环图进行交互，融合句子信息、文档信息进行解码 Doc2EDAG
Document-level Event Extraction via Parallel Prediction Networks ACL 2021 DEPPN解读 采用不同粒度解码器进行解码事件和论元角色，并提出了一种新的匹配损失优化计算 DE-PPN
CLIO: Role-interactive Multi-event Head Attention Network for Document-level Event Extraction COLING 2022 CLIO解读 本文提出了一种面向DEE的角色交互多事件头注意力网络。通过将不同的事件映射到多个子空间，将DEE分解为多个子步骤，以处理嵌套的论元和多个事件。为了进一步优化事件表示，应用事件表示增强策略来正则化对比预训练的嵌入空间，使其更加各向同性 -

事件因果关系识别

论文名称 期刊/会议 时间 解读 特点 代码
Event Causality Extraction with Event Argument Correlations COLING 2022 DualCor解读 传统的事件因果关系识别忽略了关键事件结构和因果关系，DualCor提出了一种双网格标记来捕获事件内和事件间因果关系，进而增强事件因果关系识别 DualCor

预训练语言模型

论文名称 期刊/会议 时间 解读 特点 代码
RoFormer: Enhanced Transformer with Rotary Position Embedding Arxiv 2021 ReFormer解读 提出了一种高效的旋转位置编码，并对当前的位置编码进行综述。 ReFormer

其他

句子嵌入

论文名称 期刊/会议 时间 解读 特点 代码
SimCSE: Simple Contrastive Learning of Sentence Embeddings EMNLP 2021 SimCSE解读 本文提出了一种句子级对比学习的模型，既可以监督方式也可以无监督方式进行句子嵌入，使用该模型可以得到一个句子的向量表示。 SimCSE

计算机视觉

通用视觉骨干网络

论文名称 期刊/会议 时间 解读 特点 代码
Training data-efficient image transformers & distillation through attention ICML 2021 DEIT解读 提出了一种针对vision transformer的数据蒸馏方式，以及卷积模型和vision transformer分别作为教师模型和学生模型的策略。 DEIT
BEIT: BERT Pre-Training of Image Transformers ICLR 2022 BEIT解读 针对vision transformer提出了一种自监督的预训练方式，掩码图像建模，类似于文本的MLM。 BEIT
IS ATTENTION BETTER THAN MATRIX DECOMPOSITION? ICLR 2021 Hamburger解读 提出了Hamburger结构，将全局信息建模转化为低秩补全问题，利用矩阵分解和梯度优化对其及进行求解。 Hamburger
Swin Transformer: Hierarchical Vision Transformer using Shifted Windows ICCV 2021 Swin-Transformer解读 在ViT的基础上提出了分层Transformer的概念，并提出了移位窗口高效的特征交互和计算效率，推动了Vision Transformer的后续发展。 Swin-Transformer
An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale ICLR 2020 ViT解读 首次在视觉领域提出了Transformer的概念，将图像进行分块处理，输入到Transformer模型上进行计算。本文也算Transformer应用到视觉领域的开山之作，打破了CNN在视觉领域的绝对领导地位。 ViT

语义分割网络

论文名称 期刊/会议 时间 解读 特点 代码
The Fully Convolutional Transformer for Medical Image Segmentation WACV 2023 FCT解读 提出了卷积注意力机制，极大提升了实验效果 FCT
SegNeXt: Rethinking Convolutional Attention Design for Semantic Segmentation NeurIPS 2022 SegNext解读 重新设计了卷积结构，结合Hamburger解码器实现了SOTA SegNext
Segment Anything Arxiv 2023 SAM解读 首次将提示用于语义分割领域，号称图像的GPT-3，提供了点、框、文本三种提示方式增强语义分割，开源了一个巨大的语义分割数据集 SAM
Segmenter: Transformer for Semantic Segmentation ICCV 2021 Segmenter解读 本文在ViT的基础上提出了Mask Transformer的语义分割解码器，将类嵌入和ViT提取的特征进行特征增强，得到更好的语义分割结果 segmenter
SegFormer: Simple and Efficient Design for Semantic Segmentation with Transformers NeurIPS 2021 SegFormer解读 SegFormer是专门设计的语义分割网络，采用层次编码结构（类似于Swin-Transformer），可以输出多尺度特征，并且不需要位置嵌入。其次，SegFormer避免了复杂的解码器，使用MLP解码。 SegFormer
Swin-Unet: Unet-like Pure Transformer for Medical Image Segmentation ECCV 2021 Swin-Unet解读 本文利用Swin-Transformer构建了一个U型语义分割网络，并没有按照官方给出的大模型结构，而是自己搭建了一个更小的模型进行预训练，独特之处在于解码器的上采样层不是upsample，而是Swin-Transfromer的path merge的逆过程，有效提升了模型的精度 Swin-Unet
Unified Perceptual Parsing for Scene Understanding ECCV 2018 UperNet解读 本文针对层级图像特征的抽取结果进行分析，将不同层级的特征用于处理不同粒度的任务。该模型的目前广泛被用于语义分割，层级编码器的解码网络 UperNet

多模态

表征学习

论文名称 期刊/会议 时间 解读 特点 代码
Efficient Self-supervised Learning with Contextualized Target Representations for Vision, Speech and Language - 2022 Data2Vec解读 提出了一种视觉、语音和文本的统一自监督模型，相对之前的统一表示模型，现在效率更高、花费更少。 data2vec

你可能感兴趣的:(自然语言处理,计算机视觉,深度学习)

  • COI实验室技能：图像到图像的深度学习开发框架（pytorch版） 山颠海涯 深度学习pytorch人工智能
    Basicdeeplearningframeworkforimage-to-image这个开发框架旨在帮助科研人员快速地实现图像到图像之间的模型开发。github连接：https://github.com/SituLab/Basic-deep-learning-framework-for-image-to-image目录1模型开发1-1克隆项目到本地1-2深度学习开发2环境配置2-1安装conda
  • 【自然语言处理】自然语言处理NLP概述及应用 @我们的天空 人工智能技术nlp人工智能深度学习python机器学习自然语言处理scikit-learn
    自然语言处理（NaturalLanguageProcessing，简称NLP）是一门集计算机科学、人工智能以及语言学于一体的交叉学科，致力于让计算机能够理解、解析、生成和处理人类的自然语言。它是人工智能领域的一个关键分支，旨在缩小人与机器之间的交流障碍，使得机器能够更有效地识别并响应人类的自然语言指令或内容。自然语言处理NLP概述基本任务：文本分类：将文本划分为预定义的类别，如情感分析、主题分类等
  • 大模型面试通关指南：常见问题与答案解析 史上最全超详细 收藏我这一篇就够了 程序员辣条 面试职场和发展大模型人工智能AI大模型
    大模型相关的面试问题通常涉及模型的原理、应用、优化以及面试者对于该领域的理解和经验。以下是一些常见的大模型面试问题以及建议的回答方式：请简述什么是大模型，以及它与传统模型的主要区别是什么？回答：大模型通常指的是参数数量巨大的深度学习模型，如GPT系列。它们与传统模型的主要区别在于规模：大模型拥有更多的参数和更复杂的结构，从而能够处理更复杂、更广泛的任务。此外，大模型通常需要更多的数据和计算资源进行
  • 大模型落地指南：从下载到本地化部署全流程解析 网安猫叔 人工智能自然语言处理语言模型AIGC深度学习
    一、引言随着人工智能技术的迅猛发展，大规模预训练模型（如GPT-4、BERT等）在自然语言处理、图像识别等领域展现出了卓越的性能。然而，如何将这些强大的模型从理论落地到实际应用中，仍然是许多技术从业者面临的挑战。本篇文章旨在为读者提供一份详尽的大模型落地指南，从模型的下载、文件结构的解析，到本地化部署的具体步骤，全面覆盖整个流程。无论你是初次接触大模型的新手，还是希望深入了解部署细节的资深开发者，
  • 自然语言处理系列六十六》对话机器人项目实战》对话机器人原理与介绍 陈敬雷-充电了么-CEO兼CTO python人工智能算法自然语言处理机器人人工智能AIGCchatgptgptai
    注：此文章内容均节选自充电了么创始人，CEO兼CTO陈敬雷老师的新书《自然语言处理原理与实战》（人工智能科学与技术丛书）【陈敬雷编著】【清华大学出版社】文章目录自然语言处理系列六十六对话机器人项目实战》对话机器人原理与介绍对话机器人项目代码实战总结自然语言处理系列六十六对话机器人项目实战》对话机器人原理与介绍对话机器人是一个用来模拟人类对话或聊天的计算机程序，本质上是通过机器学习和人工智能等技术让
  • OPENAI中RAG实现原理以及示例代码用PYTHON来实现 dzend aigcpython开发语言ai
    OPENAI中RAG实现原理以及示例代码用PYTHON来实现1.引言在当今人工智能领域，自然语言处理（NLP）是一个非常重要的研究方向。近年来，OPENAI发布了许多创新的NLP模型，其中之一就是RAG（Retrieval-AugmentedGeneration）模型。RAG模型结合了检索和生成两种方法，可以用于生成与给定问题相关的高质量文本。本文将介绍RAG模型的实现原理，并提供使用Python
  • OpenCV计算机视觉学习（16）——仿射变换学习笔记 牛马程序员24 计算机视觉opencv学习
    OpenCV计算机视觉学习（16）——仿射变换学习笔记如果需要其他图像处理的文章及代码，请移步小编的GitHub地址传送门：请点击我如果点击有误：https://github.com/LeBron-Jian/ComputerVisionPractice在计算机视觉和图像处理中，仿射变换是一种重要的几何变换方法。它可以通过线性变换和平移来改变图像的形状和位置，广泛应用与图像校正，对象识别以及增强现实
  • 自动编码器 - Autoencoder hellozhxy 深度学习人工智能机器学习
    文章目录一、自编码器（Autoencoder）简单模型介绍二、神经网络自编码模型三、神经网络自编码器三大特点四、自编码器（Autoencoder）搭建五、几种常见编码器1.堆栈自动编码器2.欠完备自编码器3.正则自编码器4.噪自编码器（denoisingautoencoder,DAE）参考链接一、自编码器（Autoencoder）简单模型介绍暂且不谈神经网络、深度学习等，仅仅是自编码器的话，其原理
  • Autoencoder chuange6363 人工智能python
    自编码器Autoencoder稀疏自编码器SparseAutoencoder降噪自编码器DenoisingAutoencoder堆叠自编码器StackedAutoencoder本博客是从梁斌博士的博客上面复制过来的，本人利用Tensorflow重新实现了博客中的代码深度学习有一个重要的概念叫autoencoder，这是个什么东西呢，本文通过一个例子来普及这个术语。简单来说autoencoder是一
  • 深度学习部署：Triton（Triton inference server）【旧称：TensorRT serving，专门针对TensorRT设计的服务器框架，后来变为Triton，支持其他推理后端】 u013250861 #LLM/部署深度学习人工智能
    triton作为一个NVIDIA开源的商用级别的服务框架，个人认为很好用而且很稳定，API接口的变化也不大，我从2020年的20.06切换到2022年的22.06，两个大版本切换，一些涉及到代码的工程变动很少，稍微修改修改就可以直接复用，很方便。本系列讲解的版本也是基于22.06。本系列讲解重点是结合实际的应用场景以及源码分析，以及写一些triton周边的插件、集成等。非速成，适合同样喜欢深入的小
  • 微积分在神经架构搜索中的应用 光剑书架上的书 深度强化学习原理与实战元学习原理与实战计算科学神经计算深度学习神经网络大数据人工智能大型语言模型AIAGILLMJavaPython架构设计AgentRPA
    微积分在神经架构搜索中的应用1.背景介绍随着深度学习技术的飞速发展,神经网络模型的复杂度也在不断提高,从最初的简单全连接网络,到如今的卷积神经网络、循环神经网络、注意力机制等各种复杂的神经网络架构。这些先进的神经网络架构大大提高了深度学习模型的性能,但同时也给神经网络的设计和调优带来了巨大的挑战。手工设计神经网络架构通常需要大量的专业知识和经验积累,过程繁琐复杂,难以推广。为了解决这一问题,神经架
  • 汽车智能驾驶算法汇总 芊言芊语 汽车算法
    汽车智能驾驶算法是自动驾驶技术的核心，它们集成了多个学科的知识，包括计算机视觉、机器学习、控制理论、路径规划等。以下是对汽车智能驾驶算法的一个详细汇总，内容分为几个关键部分进行阐述。一、计算机视觉算法计算机视觉是智能驾驶算法中用于识别和理解环境的关键技术。它主要包括图像处理、特征提取和对象识别等步骤。图像处理：通过摄像头等设备获取车辆前方的图像，然后进行预处理，如灰度化、二值化、滤波等操作，以提高
  • 理性拥抱机器学习热潮：ML祖师爷Tom Mitchell最新洞见 「已注销」
    来源：雷锋网作者：杨晓凡本文共3484字，建议阅读7分钟。本文与你分享TomMitchell教授的最新洞见。编者按：上个月，全球移动互联网大会GMIC2018在北京开幕。此次主题为"AI生万物，谐音爱生万物，科学技术要有人文的温度，机器有爱，真芯英雄"的大会上，全球人工智能领袖汇聚全球业界顶尖领袖，探讨在基础硬件、大数据与开源平台、深度学习为代表的算法等人工智能领域的最新洞见，是年度行业发展的风向
  • 2021-01-02随笔 0清婉0
    人工智能时代最重要的是机器学习，像数据分析、图像识别、数据挖掘、自然语言处理、语音识别等都是以其为基础的，也可以说人工智能的各种应用都需要机器学习来支撑。现在各大公司越来越注重数据的价值，人工成本也是越来越高，所以机器学习也就变得不可或缺了。数据分析、自然语言处理、语音识别，这将是作为前端人员的我，在2021年学习的重点。现收集几本关于数据分析的书籍，作为参考书籍学习：1.《跟着迪哥学Python
  • 当NAS遭遇鲁棒性：寻找对抗攻击的坚固架构 甄如冰Lea
    当NAS遭遇鲁棒性：寻找对抗攻击的坚固架构RobNets项目地址:https://gitcode.com/gh_mirrors/ro/RobNets在当今深度学习的浪潮中，模型的安全性和鲁棒性日益成为研究的热点。本文将为您揭开一款开源项目——《当NAS遇见鲁棒性：对抗攻击下可搜索的鲁棒架构》的神秘面纱。该项目源自CVPR2020的一篇论文，并提供了详细的实现代码和实验指南，致力于探索在网络架构设计
  • 开源AI图像识别：支持扫描文件批量识别快速对接数据库存储 思通数科x 人工智能计算机视觉图像处理OCR文本识别
    随着数字化转型的不断深入，图像识别技术在各行各业中的应用越来越广泛。文件封识别作为图像识别技术的一个分支，能够有效地提高文件处理的自动化程度和准确性。本文将探讨文件封识别技术的原理、应用场景以及如何将识别后的内容批量对应数据库字段进行存储。开源项目介绍(可本地部署，支持国产化)思通数科研发了一款多模态AI能力引擎，专注于提供自然语言处理（NLP）、情感分析、实体识别、图像识别与分类、OCR识别和语
  • 深度学习速通系列:鲁棒性和稳定性 Ven% 深度学习速通系列深度学习自然语言处理人工智能pythonnlp
    在机器学习中，鲁棒性和稳定性是评估模型性能的两个关键指标，它们对于确保模型在实际应用中的可靠性至关重要。鲁棒性（Robustness）定义：鲁棒性指的是模型对于输入数据的扰动、噪声、异常值或对抗性攻击的抵抗能力。一个鲁棒的模型能够在面对这些不利因素时保持其性能。提高鲁棒性的方法：数据增强：通过对训练数据进行变换（如旋转、缩放、裁剪等），使模型能够更好地泛化到未见过的数据。对抗训练：在训练过程中引入
  • 基于深度学习的对抗样本生成与防御 SEU-WYL 深度学习dnn深度学习人工智能
    基于深度学习的对抗样本生成与防御是当前人工智能安全领域的关键研究方向。对抗样本是通过对输入数据进行微小扰动而产生的，能够导致深度学习模型做出错误预测。这对图像分类、自然语言处理、语音识别等应用构成了严重威胁，因此相应的防御措施也在不断发展。1.对抗样本生成对抗样本生成的方法主要有两大类：基于梯度的方法和基于优化的方法。1.1基于梯度的方法这些方法利用模型的梯度信息，通过细微的扰动来生成对抗样本，迫
  • 深度学习思考 夜雪朝歌
    神经网络如果能了解每一层输出的意义，就可以避免end－to－end的黑箱理论，对理论话深度学习很有意义，一个思路是经验值，将每一层在特定任务下都有输出，对结果作经验总结，比方说浅层输出低层次的几何轮廓特征，高层输出语意特征，我曾经在objecttracking用过这样的方法,在大数据集测试，每一层都输出结果，并且和handcraftfeature做比较，发现浅层的效果不如handcraftfeat
  • 基于实时深度学习的推荐系统架构设计和技术演进 阿里云云栖号 云栖号技术分享架构阿里巴巴
    简介：整理自5月29日阿里云开发者大会，秦江杰和刘童璇的分享，内容包括实时推荐系统的原理以及什么是实时推荐系统、整体系统的架构及如何在阿里云上面实现，以及关于深度学习的细节介绍本文整理自5月29日阿里云开发者大会，大数据与AI一体化平台分论坛，秦江杰和刘童璇带来的《基于实时深度学习的推荐系统架构设计和技术演进》。分享内容如下：实时推荐系统的原理以及什么是实时推荐系统整体系统的架构及如何在阿里云上面
  • 德克萨斯大学奥斯汀分校自然语言处理硕士课程汉化版(第十一周) - 自然语言处理扩展研究 Encarta1993 自然语言处理自然语言处理人工智能
    自然语言处理扩展研究1.多语言研究2.语言锚定3.伦理问题1.多语言研究多语言(Multilinguality)是NLP的一个重要研究方向，旨在开发能够处理多种语言的模型和算法。由于不同语言在语法、词汇和语义结构上存在差异，这成为一个复杂且具有挑战性的研究领域。多语言性的研究促进了机器翻译、跨语言信息检索和多语言对话系统等应用的发展。以下是多语言的几个主要研究方向和重要技术：多语言模型的构建，开发
  • pytorch NLP自然语言处理入门一：文本表示 whyte王 pytorchNLP基础pytorch自然语言处理人工智能
    开始编辑：2024/2/16；最后编辑2024/2/16教程出自：https://learn.microsoft.com/en-sg/training/modules/intro-natural-language-processing-pytorch/第二部分：https://blog.csdn.net/qq_33345365/article/details/136142152本博客旨在探讨处理自
  • 自然语言处理常用单词 ChenVast NLP机器学习算法理论与实战单词自然语言处理NLP
    AA-not-Aquestion正反问句A-over-AA-上-A原则abbreviation缩写[省略语]ablative夺格(的)abrupt突发音accent口音/{Phonetics}重音accusative受格（的）acousticphonetics声学语音学acquisition习得actionverb动作动词active主动语态activechartparser活动图句法剖析程序ac
  • 【自然语言处理】第一章绪论 Ausgelebt 智能科学与技术自然语言处理人工智能
    第一章绪论文章目录第一章绪论1.什么是自然语言2.自然语言处理的定义2.1自然语言处理NLP2.2计算语言学CL2.3NLP与CL3.自然语言处理的研究内容3.1研究对象3.2研究层次3.3研究问题3.4研究内容3.4.1资源建设3.4.2基础研究3.4.3应用技术研究3.4.4应用系统4.自然语言处理的流派5.自然语言处理的挑战1.什么是自然语言自然语言：通常指人类的语言是人类的思维和逻辑的载体
  • 【详解之OpenCV中的findHomography()函数 和 cv2.warpPerspective()函数】 01_6 计算机视觉opencvopencv人工智能计算机视觉
    文章目录cv2.findHomography()函数介绍:函数原型参数说明返回值使用示例解释cv2.warpPerspective()函数介绍函数定义参数详解示例代码cv2.findHomography()函数介绍:cv2.findHomography()是OpenCV中的一个函数，用于找到两个图像之间的单应性矩阵（Homographymatrix）。在计算机视觉中，单应性矩阵是一个3x3的矩阵，
  • 目标检测-YOLOv1 wydxry 深度学习目标检测YOLO人工智能
    YOLOv1介绍YOLOv1（YouOnlyLookOnceversion1）是一种用于目标检测的深度学习算法，由JosephRedmon等人于2016年提出。它基于单个卷积神经网络，将目标检测任务转化为一个回归问题，通过在图像上划分网格并预测每个网格中是否包含目标以及目标的位置和类别来实现目标检测。YOLOv1的主要特点包括：快速的检测速度：相比于传统的目标检测算法，YOLOv1具有更快的检测速
  • 深度学习框架 人工智能操作系统 训练&前向推理 PyTorch Tensorflow MindSpore caffe 张量加速引擎TBE 深度学习编译器 多面体 polyhedral AI集群框架 EwenWanW 深度学习人工智能pytorch深度学习编译器
    深度学习框架人工智能操作系统训练&前向推理深度学习框架发展到今天，目前在架构上大体已经基本上成熟并且逐渐趋同。无论是国外的Tensorflow、PyTorch，亦或是国内最近开源的MegEngine、MindSpore，目前基本上都是支持EagerMode和GraphMode两种模式。AI嵌入式框架OneFlow&清华计图Jittor&华为深度学习框架MindSpore&旷视深度学习框架MegEn
  • 基于深度学习的结构优化与生成 SEU-WYL 深度学习dnn深度学习人工智能
    基于深度学习的结构优化与生成技术应用于多种领域，例如建筑设计、机械工程、材料科学等。该技术通过使用深度学习模型分析和优化结构形状、材料分布、拓扑结构等因素，旨在提高结构性能、减少材料浪费、降低成本、并加快设计流程。1.结构优化与生成的核心概念结构优化：涉及通过调整结构设计参数（如形状、材料、厚度等）来改善其特定性能指标，如强度、刚度、重量、成本或安全性。传统的优化方法依赖于数值仿真和数学优化算法，
  • 深度学习回归任务训练代码模版 槐月初叁 深度学习深度学习回归人工智能
    深度学习回归任务训练代码模版文章目录深度学习回归任务训练代码模版参数设置功能函数数据加载自定义数据集加载类特征选择（可选）数据读取定义模型训练模型训练迭代＋验证迭代使用`tensorboard`输出模型训练过程和指标可视化(可选)结果预测参考参数设置超参设置：config包含所有训练需要的超参数（便于后续的调参），以及模型需要存储的位置device='cuda'iftorch.cuda.is_av
  • 深度学习与遗传算法的碰撞——利用遗传算法优化深度学习网络结构（详解与实现） 2401_84003733 程序员深度学习人工智能
    self.model.add(layers.Dense(10,activation=‘relu’))self.model.build(input_shape=(4,28*28))self.model.summary()self.model.compile(optimizer=optimizers.Adam(lr=0.01),loss=losses.CategoricalCrossentropy(f
  • springmvc 下 freemarker页面枚举的遍历输出 杨白白 enumfreemarker
    spring mvc freemarker 中遍历枚举 1枚举类型有一个本地方法叫values（），这个方法可以直接返回枚举数组。所以可以利用这个遍历。 enum public enum BooleanEnum { TRUE(Boolean.TRUE, "是"), FALSE(Boolean.FALSE, "否");
  • 实习简要总结 byalias 工作
    来白虹不知不觉中已经一个多月了，因为项目还在需求分析及项目架构阶段，自己在这段 时间都是在学习相关技术知识，现在对这段时间的工作及学习情况做一个总结： （1）工作技能方面 大体分为两个阶段，Java Web 基础阶段和Java EE阶段 1）Java Web阶段 在这个阶段，自己主要着重学习了 JSP, Servlet, JDBC, MySQL，这些知识的核心点都过 了一遍，也
  • Quartz——DateIntervalTrigger触发器 eksliang quartz
    转载请出自出处：http://eksliang.iteye.com/blog/2208559 一.概述 simpleTrigger 内部实现机制是通过计算间隔时间来计算下次的执行时间，这就导致他有不适合调度的定时任务。例如我们想每天的 1：00AM 执行任务，如果使用 SimpleTrigger，间隔时间就是一天。注意这里就会有一个问题，即当有 misfired 的任务并且恢复执行时，该执行时间
  • Unix快捷键 18289753290 unixUnix；快捷键;
    复制，删除，粘贴： dd:删除光标所在的行                             &nbs
  • 获取Android设备屏幕的相关参数 酷的飞上天空 android
    包含屏幕的分辨率  以及 屏幕宽度的最大dp 高度最大dp   TextView text = (TextView)findViewById(R.id.text); DisplayMetrics dm = new DisplayMetrics(); text.append("getResources().ge
  • 要做物联网？先保护好你的数据 蓝儿唯美 数据
    根据Beecham Research的说法，那些在行业中希望利用物联网的关键领域需要提供更好的安全性。 在Beecham的物联网安全威胁图谱上，展示了那些可能产生内外部攻击并且需要通过快速发展的物联网行业加以解决的关键领域。 Beecham Research的技术主管Jon Howes说：“之所以我们目前还没有看到与物联网相关的严重安全事件，是因为目前还没有在大型客户和企业应用中进行部署，也就
  • Java取模（求余）运算 随便小屋 java
            整数之间的取模求余运算很好求，但几乎没有遇到过对负数进行取模求余，直接看下面代码： /** * * @author Logic * */ public class Test { public static void main(String[] args) { // TODO A
  • SQL注入介绍 aijuans sql注入
    二、SQL注入范例 这里我们根据用户登录页面 <form action="" > 用户名：<input type="text" name="username"><br/> 密 码：<input type="password" name="passwor
  • 优雅代码风格 aoyouzi 代码
    总结了几点关于优雅代码风格的描述： 代码简单：不隐藏设计者的意图，抽象干净利落，控制语句直截了当。 接口清晰：类型接口表现力直白，字面表达含义，API 相互呼应以增强可测试性。 依赖项少：依赖关系越少越好，依赖少证明内聚程度高，低耦合利于自动测试，便于重构。 没有重复：重复代码意味着某些概念或想法没有在代码中良好的体现，及时重构消除重复。 战术分层：代码分层清晰，隔离明确，
  • 布尔数组 百合不是茶 java布尔数组
      androi中提到了布尔数组;   布尔数组默认的是false,  并且只会打印false或者是true   布尔数组的例子;  根据字符数组创建布尔数组 char[] c = {'p','u','b','l','i','c'}; //根据字符数组的长度创建布尔数组的个数 boolean[] b = new bool
  • web.xml之welcome-file-list、error-page bijian1013 javaweb.xmlservleterror-page
    welcome-file-list 1.定义： <welcome-file-list> <welcome-file>login.jsp</welcome> </welcome-file-list>  2.作用：用来指定WEB应用首页名称。   error-page1.定义： <error-page&g
  • richfaces 4 fileUpload组件删除上传的文件 sunjing clearRichfaces 4fileupload
     页面代码               <h:form id="fileForm">            <rich:
  • 技术文章备忘 bit1129 技术文章
    Zookeeper http://wenku.baidu.com/view/bab171ffaef8941ea76e05b8.html http://wenku.baidu.com/link?url=8thAIwFTnPh2KL2b0p1V7XSgmF9ZEFgw4V_MkIpA9j8BX2rDQMPgK5l3wcs9oBTxeekOnm5P3BK8c6K2DWynq9nfUCkRlTt9uV
  • org.hibernate.hql.ast.QuerySyntaxException: unexpected token: on near line 1解决方案 白糖_ Hibernate
    文章摘自：http://blog.csdn.net/yangwawa19870921/article/details/7553181   在编写HQL时，可能会出现这种代码： select a.name,b.age from TableA a left join TableB b on a.id=b.id  如果这是HQL，那么这段代码就是错误的，因为HQL不支持
  • sqlserver按照字段内容进行排序 bozch 按照内容排序
    在做项目的时候，遇到了这样的一个需求：           从数据库中取出的数据集，首先要将某个数据或者多个数据按照地段内容放到前面显示，例如:从学生表中取出姓李的放到数据集的前面；          select * fro
  • 编程珠玑-第一章-位图排序 bylijinnan java编程珠玑
    import java.io.BufferedWriter; import java.io.File; import java.io.FileWriter; import java.io.IOException; import java.io.Writer; import java.util.Random; public class BitMapSearch {
  • Java关于==和equals chenbowen00 java
    关于==和equals概念其实很简单，一个是比较内存地址是否相同，一个比较的是值内容是否相同。虽然理解上不难，但是有时存在一些理解误区，如下情况： 1、 String a = "aaa"; a=="aaa"; ==> true 2、 new String("aaa")==new String("aaa
  • [IT与资本]软件行业需对外界投资热情保持警惕 comsci it
          我还是那个看法,软件行业需要增强内生动力,尽量依靠自有资金和营业收入来进行经营,避免在资本市场上经受各种不同类型的风险,为企业自主研发核心技术和产品提供稳定,温和的外部环境...       如果我们在自己尚未掌握核心技术之前,企图依靠上市来筹集资金,然后使劲往某个领域砸钱,然
  • oracle 数据块结构 daizj oracle块数据块块结构行目录
    oracle 数据块是数据库存储的最小单位，一般为操作系统块的N倍。其结构为： 块头－－〉空行－－〉数据，其实际为纵行结构。 块的标准大小由初始化参数DB_BLOCK_SIZE指定。具有标准大小的块称为标准块（Standard Block）。块的大小和标准块的大小不同的块叫非标准块（Nonstandard Block）。同一数据库中，Oracle9i及以上版本支持同一数据库中同时使用标
  • github上一些觉得对自己工作有用的项目收集 dengkane github
    github上一些觉得对自己工作有用的项目收集 技能类 markdown语法中文说明 回到顶部 全文检索 elasticsearch bigdesk elasticsearch管理插件 回到顶部 nosql mapdb 支持亿级别map, list, 支持事务. 可考虑做为缓存使用 C
  • 初二上学期难记单词二 dcj3sjt126com englishword
    dangerous 危险的 panda 熊猫 lion 狮子 elephant 象 monkey 猴子 tiger 老虎 deer 鹿 snake 蛇 rabbit 兔子 duck 鸭 horse 马 forest 森林 fall 跌倒；落下 climb 爬；攀登 finish 完成；结束 cinema 电影院；电影 seafood 海鲜；海产食品 bank 银行
  • 8、mysql外键(FOREIGN KEY)的简单使用 dcj3sjt126com mysql
    一、基本概念 1、MySQL中“键”和“索引”的定义相同，所以外键和主键一样也是索引的一种。不同的是MySQL会自动为所有表的主键进行索引，但是外键字段必须由用户进行明确的索引。用于外键关系的字段必须在所有的参照表中进行明确地索引，InnoDB不能自动地创建索引。 2、外键可以是一对一的，一个表的记录只能与另一个表的一条记录连接，或者是一对多的，一个表的记录与另一个表的多条记录连接。 3、如
  • java循环标签 Foreach shuizhaosi888 标签java循环foreach
    1. 简单的for循环 public static void main(String[] args) { for (int i = 1, y = i + 10; i < 5 && y < 12; i++, y = i * 2) { System.err.println("i=" + i + " y="
  • Spring Security（05）——异常信息本地化 234390216 exceptionSpring Security异常信息本地化
    异常信息本地化          Spring Security支持将展现给终端用户看的异常信息本地化，这些信息包括认证失败、访问被拒绝等。而对于展现给开发者看的异常信息和日志信息（如配置错误）则是不能够进行本地化的，它们是以英文硬编码在Spring Security的代码中的。在Spring-Security-core-x
  • DUBBO架构服务端告警Failed to send message Response javamingtingzhao 架构DUBBO
     废话不多说，警告日志如下，不知道有哪位遇到过，此异常在服务端抛出(服务器启动第一次运行会有这个警告)，后续运行没问题，找了好久真心不知道哪里错了。    WARN 2015-07-18 22:31:15,272 com.alibaba.dubbo.remoting.transport.dispatcher.ChannelEventRunnable.run(84)
  • JS中Date对象中几个用法 leeqq JavaScriptDate最后一天
    近来工作中遇到这样的两个需求 1. 给个Date对象，找出该时间所在月的第一天和最后一天 2. 给个Date对象，找出该时间所在周的第一天和最后一天   需求1中的找月第一天很简单，我记得api中有setDate方法可以使用 使用setDate方法前，先看看getDate var date = new Date(); console.log(date); // Sat J
  • MFC中使用ado技术操作数据库 你不认识的休道人 sqlmfc
    1.在stdafx.h中导入ado动态链接库 #import"C:\Program Files\Common Files\System\ado\msado15.dll" no_namespace rename("EOF","end")2.在CTestApp文件的InitInstance()函数中domodal之前写::CoIniti
  • Android Studio加速 rensanning android studio
    Android Studio慢、吃内存！启动时后会立即通过Gradle来sync & build工程。 （1）设置Android Studio a) 禁用插件 File -> Settings...  Plugins 去掉一些没有用的插件。 比如：Git Integration、GitHub、Google Cloud Testing、Google Cloud
  • 各数据库的批量Update操作 tomcat_oracle javaoraclesqlmysqlsqlite
    MyBatis的update元素的用法与insert元素基本相同，因此本篇不打算重复了。本篇仅记录批量update操作的 sql语句，懂得SQL语句，那么MyBatis部分的操作就简单了。 　　注意：下列批量更新语句都是作为一个事务整体执行，要不全部成功，要不全部回滚。 MSSQL的SQL语句 　WITH R AS（ 　　SELECT 'John' as name, 18 as
  • html禁止清除input文本输入缓存 xp9802 input
    多数浏览器默认会缓存input的值，只有使用ctl+F5强制刷新的才可以清除缓存记录。如果不想让浏览器缓存input的值，有2种方法： 方法一： 在不想使用缓存的input中添加 autocomplete="off"; eg: <input type="text" autocomplete="off" name
按字母分类： ABCDEFGHIJKLMNOPQRSTUVWXYZ其他