CylindricalandAsymmetrical3DConvolutionNetworksforLiDARSegmentation（2020年论文）作者：香港中文大学论文链接：https://arxiv.org/pdf/2011.10033.pdf代码链接：https://github.com/xinge008/Cylinder3D摘要为什么做这件事（why）：●目前用于自动驾驶场景的最好的点

论文题目：BaiduApolloEMMotionPlanner0前言EM和Lattice算法对比EMplannerLatticePlanner参数较多（DP/QP，Path/Speed）参数少且统一化流程复杂流程简单单周期解空间受限简单场景解空间较大能适应复杂场景适合简单场景1摘要基于百度Apollo平台提出的一种实时运动规划系统，该规划系统包括顶层的多车道和其中的单车道自动驾驶：（1）系统顶层是

论文原文：论文地址：http://xxx.itp.ac.cn/pdf/1708.05123v1论文题目：《Deep&CrossNetworkforAdClickPredictions》一、背景在第四篇文章里面我们介绍了DeepFm，DeepFm把fm和和神经网络结合在一起了，在文章里面我们也提到了两种方式，一种是并行方式，另一种是串行方式。我们知道DeepFm是并行结构，FM和DNN部分是并行的，

文章目录前言0、论文摘要一、Introduction1.1目标问题1.2相关的尝试1.3本文贡献二.相关工作2.1提取方法2.2抽象方法2.3数据集三.本文方法四实验效果4.1数据集4.2对比模型4.3实施细节4.4评估指标4.5实验结果4.6细粒度分析五总结思考前言Abstractivevs.ExtractiveSummarization:AnExperimentalReview（2306）0、

文章目录前言0、论文摘要一、Introduction1.1目标问题1.2相关的尝试1.3本文贡献二.相关工作三.本文方法四实验效果4.1数据集4.2对比模型4.3实施细节4.4评估指标4.5实验结果4.6细粒度分析五总结思考前言Abstractivetextsummarizationoflowresourcedlanguagesusingdeeplearning（2211）0、论文摘要人类必须能够

TODO有待更新QFormer作用？QFormer来自论文BCLI2工作中，用来弥补FrozenImageencoder和FrozenLLM之间的gap。基于Bert作为初始化的。推理结构图Imageblip2_image_evalQFormerLinerLinearget_context_embpromptGivethefollowingimage:ImageContent.""Youwillb

英文名称:Character-LLM:ATrainableAgentforRole-Playing中文名称:角色-LLM：训练Agent用于角色扮演文章: [https://arxiv.org/abs/2310.10158](https://arxiv.org/abs/2310.10158)作者:YunfanShao, LinyangLi, JunqiDai, XipengQiu机构:复旦大学计算

目录0、基本信息1、研究动机2、创新点2.1、核心思想：2.2、思想推导：3、准备3.1、符号3.2、互信息3.3、JS散度3.4、DeepInfoMax方法3.5、判别器：f-GAN估计散度4、具体实现4.1、局部-全局互信息最大化4.2、理论动机5、实验设置5.1、直推式学习（Cora，CiteseerandPubmed）6、代码实现6.1、DGI6.2、GCNLayer6.3、readout

论文链接：InstructGPT关注公众号funNLPer了解更多AI算法文章目录1.摘要2.导论2.1背景2.2方法2.3发现3.方法及实验细节3.1数据集3.2模型3.3实验结果总结1.摘要把语言模型变大并不意味着会让模型更好的理解用户意图，例如大的语言模型会生成一些不真实、有害的、没有帮助的输出给用户，换句话说，这些模型并没有和用户的意图对齐（aligned）。在这篇论文中我们展示了通过使用

高频噪声分析会过滤掉图像的颜色内容信息。本文设计了三个模块来充分利用高频特征，1.多尺度高频特征提取模块2.双跨模态注意模块3.残差引导空间注意模块（也在一定程度上体现了两个模态的交互）SRM是用于过滤图像的高频噪声输入的图像X，共两个分支，一部分是用于输入到SRM获得高频特征Xh，一部分是RGB流，RGB的分支同样也会输入到SRM进行提取高频特征，其结果与已经输入SRM中的结果进行相加得到最后的

二〇二〇年一月十一日基本科研[1]:1.论文阅读论文--二小时2.论文实现实验--小时3.数学SINS推导回顾--O分4.科研参考书【】1)的《》看0/0页-5.科研文档1)组织工作[1]:例会--英语能力

原文连接论文阅读：LanguageModelsareFew-ShotLearners（巨无霸OpenAIGPT32020）-知乎目录收起摘要1介绍2方法2.1模型和架构2.2训练数据集2.3训练流程2.4

指令微调的局限性指令微调对于训练llm的能力至关重要，而模型的有用性在很大程度上取决于我们从小指令数据集中获得最大信息的能力。在本文中，我们提出在微调正向传递的过程中，在训练数据的嵌入向量中添加随机噪声，论文实验显示这个简单的技巧可以提高指令微调的效果，通常有很大的优势，而不需要额外的计算或数据开销。NEFTune虽然简单，但对下游的会话质量有很大的影响。当像LLaMA-2-7B这样的原始LLM被

前言该论文的标定间比较高端，一旦四轮定位后，可确定标定板与车辆姿态。以下为本人理解，仅供参考。工厂标定，可理解为车辆相关的标定，不涉及传感器间标定该标定工具不依赖opencv；产线长度一般2.5米FactoryCalibrationTools：四轮定位+多位姿标定板1、CalibrationBoardSetupTools1）根据传感器安装位姿，生成标定板放置范围2）检测当前环境标定板姿态是否合适2

论文链接Abstract密集检索需要学习区分性文本嵌入来表示查询和文档之间的语义关系。考虑到大型语言模型在语义理解方面的强大能力，它可能受益于大型语言模型的使用。然而，LLM是由文本生成任务预先训练的，其工作模式与将文本表示为嵌入完全不同。因此，必须研究如何正确地调整LLM，以便它们能够有效地初始化为密集检索的骨干编码器。在本文中，我们提出了一种新的方法，称为LLaRA（适用于密集检索的LLM），

文章目录摘要1.问题的提出引出当前研究的不足与问题属性不平衡问题属性共现问题解决方案2.数据集和模型构建数据集传统的零样本学习范式v.s.DUET学习范式DUET模型总览属性级别对比学习==正负样本解释：==3.结果分析VIT-basedvisiontransformerencoder.消融研究消融研究解释4.结论与启示结论总结启发PLMs的潜在语义知识引入多模态，跨模态整合细粒度角度考虑原文链接

AWS李沐大佬的paper，主要是介绍了一些模型训练过程中的技巧。通过这些小技巧的堆叠，把ResNet-50’stop-1在ImageNet上验证准确率从75.3%提升至79.29%。1.高效训练1.1large-batch-training大的batch可能会降低训练速度。用启发式的方法来解决Linearscalinglearningrate增大batch-size之后，梯度的期望不变，但是方差

1Introduction本文是2017年底谷歌大脑发表的文章，针对自然语言处理领域的经典问题-机器翻译，提出了一个只基于attention的结构来处理序列模型相关的问题，该模型被称为“Transformer”。文中提到，主流的序列转换模型都是基于复杂的循环神经网络（RNN）或卷积神经网络（CNN），且都包含一个encoder和一个decoder。RNN及其衍生网络的缺点就是慢，问题在于前后隐藏状

文章目录不会写的很详细，只是为了帮助我理解在CV领域transformer的拓展1摘要1.1BERT-核心1.2GPT-核心2模型架构2.1概览3区别3.1finetune和prompt3.2transformer及训练总结不会写的很详细，只是为了帮助我理解在CV领域transformer的拓展1摘要1.1BERT-核心双向编码器加上mask做完形填空超大模型无监督预训练需要整个模型作为pretr

文章目录1摘要1.1核心2模型架构2.1概览2.2理解encoder-decoder架构2.2.1对比seq2seq，RNN2.2.2我的理解3.Sublayer3.1多头注意力multi-headself-attention3.1.1缩放点乘注意力ScaledDot-ProductAttention3.1.2QKV3.1.3multi-head3.1.4masked3.2线性层MLP3.3emb

摘要1.介绍2.相关工作3.PaLM-E：一种体现的多模态语言模型3.1仅解码器LLM3.2仅限前缀解码器LLM3.3在机器人控制回路中体现输出：PaLM-E4.不同传感器模式的输入和场景表示4.1状态估计向量4.2VisionTransformer(ViT)4.3以对象为中心的表示4.4对象场景表示Transformer（OSRT）4.5实体转介5训练方法5.1PaLM-E5.2随模型冻结而变化

@article{wang2024cs2fusion,title={CS2Fusion:ContrastivelearningforSelf-Supervisedinfraredandvisibleimagefusionbyestimatingfeaturecompensationmap},author={Wang,XueandGuan,ZhengandQian,WenhuaandCao,Jind

@article{li2024crossfuse,title={CrossFuse:Anovelcrossattentionmechanismbasedinfraredandvisibleimagefusionapproach},author={Li,HuiandWu,Xiao-Jun},journal={InformationFusion},volume={103},pages={102147}

目录1.摘要和引言：2.系统框架：2.1前端：2.2回环检测：2.3后端：3.实验和分析：4.结论1.摘要和引言：这篇论文介绍了一种名为“4DRadarSLAM”的新型4D成像雷达SLAM系统，旨在提高大规模环境下的定位与地图构建性能。与传统的基于激光雷达的SLAM系统相比，该系统在恶劣天气条件下表现更佳。它包括前端、回环检测和后端三个主要部分：前端通过扫描匹配计算里程计数据，回环检测模块识别回环

深度学习中的后门攻击综述1.深度学习模型三种攻击范式1.1.对抗样本攻击1.2.数据投毒攻击1.3.后门攻击2.后门攻击特点3.常用术语和标记4.常用评估指标5.攻击设置5.1.触发器5.1.1.触发器属性5.1.2.触发器类型5.1.3.攻击类型5.2.目标类别5.3.训练方式1.深度学习模型三种攻击范式后门攻击是一种隐秘而具有挑战性的网络安全威胁，它指的是攻击者利用漏洞或特殊访问权限，在系统中

摘要：以信息为中心的网络（ICN）已经成为一种特别的方法，用于克服基于IP的传统网络的许多局限性。但是，实现ICN所需的传统基础架构的巨大变化显着阻碍了网络运营商的采用。通过对替代部署策略进行了研究，将软件定义网络（SDN）作为与传统基础架构兼容的解决方案被提出，从而为将ICN概念集成到运营商网络中提供了新的可能性。文章讨论了这两种架构范例的无缝集成，并提出了可扩展的动态网络拓扑自举和管理框架，以

近似人眼梯度https://icml.cc/virtual/2023/oral/25482对抗性鲁棒分类器具有非鲁棒模型所没有的特征——感知对齐梯度（PAG）。它们相对于输入的梯度与人类的感知非常一致。一些研究已将PAG确定为稳健训练的副产品，但没有一篇研究将其视为一种独立现象，也没有研究其自身的影响。在这项工作中，我们关注这一特征并测试感知对齐梯度是否意味着鲁棒性。为此，我们制定了一个新的目标，

目录摘要ABSTRACT一、论文阅读1、题目2、摘要3、创新点4、模型整体架构5、文章解读1、Introduction2、相关工作3、实验4、结论二、深度学习一、GRU前向传播二、GRU反向传播三、GRU

[论文地址][代码][MICCAI23]Abstract息肉的准确分割是筛查过程中有效诊断结直肠癌的关键步骤。由于能够有效捕获多尺度上下文信息，普遍采用类似UNet的编码器-解码器框架。然而，两个主要限制阻碍了网络实现有效的特征传播和聚合。首先，跳跃连接仅将单个尺度特征传输到解码器，这可能导致特征表示有限。其次，特征在没有任何信息过滤器的情况下被传输，这对于在解码器处执行特征融合来说效率低下。为了

首先是关于SuMa的阅读，SuMa是一个完整的激光SLAM框架，核心在于“基于面元(surfel)”的过程，利用3d点云转换出来的深度图和法向量图来作为输入进行SLAM的过程，此外还改进了后端回环检测的过程，利用提出的面元的概念和使用到的虚拟帧来优化回环检测的过程。SuMa的核心分为以下几个步骤：1.SuMa预处理预处理的部分将3d点云转换为两张图，原文用的词是vertexmap和normalma

论文原题目：Adeepreinforcementlearning-basedmethodappliedforsolvingmulti-agentdefenseandattackproblems论文链接：https://www.sciencedirect.com/science/article/pii/S0957417421003377论文信息：目录1引言2问题制定与环境建模2.1多智能体防御与攻击

概述针对标准UNet这种欠完备的网络架构，提出了Ki-Net网络结构，这种网络结构通过较小的感受野能够检测到较为细微的结构。作者还将这种结构与UNet相结合起来，提出了Ki-UNet网络，在性能上得到了提升。Motivation尽管UNet网络是近年来医学分割领域非常流行的网络，但是，通过研究发现，UNet网络在检测细微的组织结构时性能很差。这是由Unet这种欠完备的网络中较大的感受野造成的。随着

虽然是跑路来NLP，但是还是立flag说要做个project，结果kaggle上的入门project给的例子用的是BERT，还提到这一方法属于transformer，所以大概率读完这一篇之后，会再看BERT的论文这个样子。在李宏毅的NLP课程中多次提到了RNN,CycleRNN,LSTM也简单在这里做一个总结（其实在课程上是在ML的课上介绍的）。因此这里大概分成几个部分：1.重听ML中RNN和LS

0、基本信息会议：2016-NIPS作者：ThomasN.Kipf，MaxWelling文章链接：VariationalGraphAuto-Encoder代码链接：VariationalGraphAuto-Encoder1、介绍本文提出一个变分图自编码器，一个基于变分自编码（VAE）的，用于在图结构数据上无监督学习的框架。其基本思路是：用已知的图（graph）经过编码（图卷积）学到节点向量表示的分

联邦多视图合成用于元宇宙标题:FederatedMulti-ViewSynthesizingforMetaverse作者:YiyuGuo;ZhijinQin;XiaomingTao;GeoffreyYeLi摘要:元宇宙有望提供沉浸式娱乐、教育和商务应用。然而，虚拟现实（VR）在无线网络上的传输是数据和计算密集型的，这使得引入满足严格的服务质量要求的新颖解决方案变得至关重要。随着边缘智能和深度学习的

@article{li2023deep,title={ADeepLearningFrameworkforInfraredandVisibleImageFusionWithoutStrictRegistration},author={Li,HuafengandLiu,JunyuandZhang,YafeiandLiu,Yu},journal={InternationalJournalofComput

@article{jung2020unsupervised,title={Unsuperviseddeepimagefusionwithstructuretensorrepresentations},author={Jung,HyungjooandKim,YoungjungandJang,HyunsungandHa,NamkooandSohn,Kwanghoon},journal={IEEETra

@article{xu2023murf,title={MURF:MutuallyReinforcingMulti-modalImageRegistrationandFusion},author={Xu,HanandYuan,JitengandMa,Jiayi},journal={IEEETransactionsonPatternAnalysisandMachineIntelligence},yea

LiZ,WangQ,TaoZ,etal.DeepAdversarialMulti-viewClusteringNetwork[C]//IJCAI.2019:2952-2958.摘要导读近年来，利用跨视图公共聚类结构的多视图聚类受到越来越多的关注。现有的多视图聚类算法使用浅层或线性嵌入函数来学习多视图数据的通用结构。这些方法不能充分利用多视图数据的非线性特性，然而对揭示复杂的类簇结构来说是非常重要的

GenerativeCooperativeLearningforUnsupervisedVideoAnomalyDetectionAbstract1.Introduction2.RelatedWork3.Method3.1.TrainingDataOrganization3.2.GenerativeCooperativeLearning3.2.1GeneratorNetwork3.2.2Pseud

好久没有更新论文阅读这个系列了…上一次更新还是在家…极度拖延我本人（真怕哪天写着写着就不更了hh）其实论文都有看但是看得太杂就也没有想记录一下。今天更新一篇小样本的综述论文的阅读笔记。

RepresentationLearningwithContrastivePredictiveCoding摘要这段文字是论文的摘要，作者讨论了监督学习在许多应用中取得的巨大进展，然而无监督学习并没有得到如此广泛的应用，仍然是人工智能中一个重要且具有挑战性的任务。在这项工作中，作者提出了一种通用的无监督学习方法，用于从高维数据中提取有用的表示，被称为“对比预测编码”（ContrastivePredi

摘要我们引入了YOLO9000，一个可以检测超过9000种类别的先进的实时目标检测系统。首先我们提出了多种yolo检测方法的提升方式，既新颖又参考了之前的工作。改进后的模型，YOLOV2在标准检测任务例如PASCALVO和COCO上都取得了领先。使用一个新颖的多尺度的训练方法，同一个YOLOV2模型可以在不同尺寸下行，提供了一种速度和准确率之间的简单的平衡。在67fps下，yolov2在VOC20

文章目录前言0、论文摘要一、Introduction1.1目标问题1.2相关的尝试1.3本文贡献二.相关工作三.本文方法3.1神经文本生成3.2动量校准四实验效果4.1数据集4.2对比模型4.3实施细节4.4评估指标4.5实验结果4.6消融实验五总结前言MomentumCalibrationforTextGeneration（2212）0、论文摘要大多数文本生成任务的输入和输出可以转换为两个标记序

文章目录前言0、论文摘要一、Introduction二.背景2.1自动总结任务2.2数据集DUC-2004Gigaword[Graffetal.,2003,Napolesetal.,2012]CNN/DailyMail[Nallapati等人，2016]XSum[Narayan等人，2018]2.3摘要系统的评估2.3.1Rouge[Lin,2004]三.抽象概括技术3.1前神经网络时代3.1.1

文章目录前言0、论文摘要一、Introduction1.1目标问题1.2相关的尝试1.3本文贡献二.相关工作2.1优势三.本文方法——抽象概括的对比学习框架3.1第一阶段：候选生成3.2第二阶段：无参考评估3.3对比训练四实验效果4.1数据集4.2对比模型4.3实施细节4.4评估指标4.5实验结果4.6细粒度分析4.6.1实体级4.6.2句子级4.7XSum数据集的结果五总结前言SimCLS:AS

文章目录前言0、论文摘要一、Introduction1.1目标问题1.2相关的尝试1.3本文贡献二.相关工作三.本文方法3.1背景：基于能量的模型3.2一致性能量函数3.3训练损失3.4联合推理四实验效果4.1数据集4.2对比模型4.3实施细节4.4评估指标4.5实验结果五总结局限性前言使用能量函数提高文本摘要的一致性（2310）code项目没有放出代码paper0、论文摘要当前的抽象摘要模型经常

文章目录前言0、论文摘要一、Introduction1.1目标问题1.2相关的尝试1.3本文贡献二.前提堆叠重新排序三.本文方法3.1总结为两阶段学习3.1.1基础系统3.1.2元系统3.2重构文本摘要3.2.1重构3.2.2预训练重构3.2.3微调重构3.2.4应用场景3.2.4.1重构为基础学习者3.2.4.2重构为元学习者四实验效果4.1数据集4.2对比模型4.3实施细节4.4评估指标4.5

DreamTalk：当表情丰富的说话人头生成遇到扩散概率模型paper：[2312.09767]DreamTalk:WhenExpressiveTalkingHeadGenerationMeetsDiffusionProbabilisticModels(arxiv.org)code：GitHub-ali-vilab/dreamtalk:Officialimplementationsforpaper

速览0.Abstract0.1逐句翻译0.2I.INTRODUCTION1.1翻译第一段（时空数据补全是常见的问题，有研究价值）第二段（前人研究从历史值当中进行自回归，历史值本身就不要准确，这种方式会自然而然的扩大累积误差）第三段（扩散模型可以避免这种累积误差，前人利用扩散模型时候没有很好的利用更多周围信息和环境信息，而略微显得单薄了。）第四段（详细介绍实现细节）1.2总结III.METHODOL