个人随笔（论文解读第27页

利用谷歌的联邦学习框架Tensorflow Federated实现FedAvg（详细介绍）

IV.TensorflowFederated1.数据处理2.构造TFF的Keras模型3.训练4.测试5.实验结果及分析V.一些思考VI.源码及数据I.前言关于联邦学习，前面已经有几篇文章做了一些阐述：联邦学习原始论文解读

Cyril_KI·2022-11-24 12:25

【深度学习】ToMe：我的方法无需训练即可加速 ViT 模型｜搞懂Transformer系列

本文目录51无需训练，Token合并打造更快的ViT架构(来自佐治亚理工学院，MetaAI)51.1ToMe论文解读51.1.1背景和

风度78·2022-11-24 10:03

目标检测 - Deformable DETR: Deformable Transformers for End-to-End Object Detection

文章目录0.前言1.要解决什么问题2.用了什么方法3.效果如何4.还存在什么问题&可借鉴之处0.前言相关资料：arxivgithub，说会release论文解读，知乎讨论论文基本信息领域：目标检测作者单位

清欢守护者·2022-11-24 09:50

PiCIE: Unsupervised Semantic Segmentation using Invariance and Equivariance in Clustering 论文解读和感想

PiCIE:UnsupervisedSemanticSegmentationusingInvarianceandEquivarianceinClustering论文解读和感想背景和动机本文21年上旬发表于

涑月听枫·2022-11-24 08:54

姿态ECCV2020（十）I2L-MeshNet: Image-to-Lixel Prediction Network for Accurate 3D Human Pose and Mesh Esti

I2L-MeshNet:Image-to-LixelPredictionNetworkforAccurate3DHumanPoseandMeshEstimationfromaSingleRGBImage》论文解读

Raywit·2022-11-24 06:40

多尺度特征融合的目标检测算法-论文解读

1.论文声称的创新点论文中的创新点主要体现在网络结构的创新上，作者提出了一种基于SSD多尺度特征融合（Multi-scaleFeatureFusionSingleShotDetector，MFF-SSD）的目标检测模型。将高层特征与低层特征进行融合，并提出了融合模块，实现不同尺度的特征提取。高层特征图对目标的抽象程度更深，包含充分的全局信息，具有较大的感受野和较强的上下文语义信息表征能力，

寂静之地·2022-11-24 05:52

ICML2018(Anomaly Detection)：Deep SVDD-论文解读《Deep One-Class Classification》

文章目录原文地址论文阅读方法初识相知2.RelatedWork3.DeepSVDD4.Experiments回顾代码原文地址http://data.bit.uni-bonn.de/publications/ICML2018.pdf论文阅读方法三遍论文法初识本文主要提出一种全新的异常检测方法：DeepSVDD（DeepSupportVectorDataDescription）用于图像级别的异常检测。

我是大黄同学呀·2022-11-24 05:36

(一)Deep-One-Class-Classification论文解读及代码分析

欢迎访问个人网络日志知行空间Deep-One-Class-Classification论文解读及代码分析背景1.简介2.相关工作2.1基于核的单分类方法2.2深度学习方法在异常检测中的应用3.DeepSVDD3.1

恒友成·2022-11-24 05:35

Transformer+异常检测论文解读

1.OODOODformer:Out-Of-DistributionDetectionTransformer是2021年12月发表在BMVC上的一篇比较新的OOD的论文。顾名思义，OODformer使用Transformer做异常检测。算法流程图如下：OODformer是一种比较简单的算法，和之前的SSD、CSI等OOD方法的思路接近。OOD的主要步骤都如下：训练一个ViT（有监督）。根据ViT提

蓝鲸鱼BlueWhale·2022-11-24 01:47

论文解读PointNet（用于点云处理的深度学习框架）

随着最近几年神经网络在CV、NPL等领域取得重大的成果，因此就有学者希望将神经网络应用于3D任务中。在这篇文章（PointNet:DeepLearningonPointSetsfor3DClassificationandSegmentation）出现之前，一般在3D任务中用的最多的数据格式是3D体素(3Dvoxelgrids)以及多视角投影，因为3D体素数据格式可以直接用过3D卷积处理数据，多视角

Hunter_pcx·2022-11-24 01:34

论文解读ON THE GENERALIZATION MYSTERY IN DEEP LEARNING

该论文研究的是为什么深度网络泛化得很好？作者从梯度下降、稳定性角度进行了分析。得出结论：当不同示例的梯度在训练过程中很好地对齐时，即当它们是相干的时，梯度下降是稳定的，并且期望得到的模型能够很好地泛化。否则，如果示例太少或运行时间太长，则梯度下降可能无法泛化。该论文共有80页，目录如下，后面一部分多是一些数学证明，我将前一部分简单整理了一下，做成了思维导图，思维导图中的文字写在了后面，供大家参考。

甜哥不甜lgg·2022-11-24 01:23

目标检测论文解读复现之十六：基于改进YOLOv5的小目标检测算法

前言此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。一、摘要针对目标检测中小目标误检、漏检及特征提取能力不足等问题，提出一种基于改进YOLOv5的小目标检测算法。该算法使

人工智能算法研究院·2022-11-24 01:14

目标检测论文解读复现之十五：基于YOLOv5的光学遥感图像舰船目标检测算法

前言此前出了目标改进算法专栏，但是对于应用于什么场景，需要什么改进方法对应与自己的应用场景有效果，并且多少改进点能发什么水平的文章，为解决大家的困惑，此系列文章旨在给大家解读最新目标检测算法论文，帮助大家解答疑惑。解读的系列文章，本人已进行创新点代码复现，有需要的朋友可关注私信我。一、摘要针对YOLOv5算法在应用于光学遥感图像舰船目标检测任务时所面临的小目标误检率、漏检率较高的情况，提出一种基于

人工智能算法研究院·2022-11-24 01:11

【论文解读 ICLR 2020 | Jure Leskovec组】Query2box: Reasoning over KGs in Vector Space using Box Embedding

论文题目：Query2box:ReasoningoverKnowledgeGraphsinVectorSpaceusingBoxEmbeddings论文来源：ICLR2020斯坦福大学JureLeskovec组论文链接：https://arxiv.org/abs/2002.05969代码链接：http://snap.stanford.edu/query2box关键词：知识图谱，知识推理，逻辑推理，

byn12345·2022-11-24 01:37

Document-level Event Extraction via Heterogeneous Graph-based Interaction Model with a Tracker论文解读

Document-levelEventExtractionviaHeterogeneousGraph-basedInteractionModelwithaTrackercode：RunxinXu/GIT:SourcecodeforACL-IJCNLP2021Longpaper:Document-levelEventExtractionviaHeterogeneousGraph-basedInter

Trouble..·2022-11-24 00:08

Doc2EDAG An End-to-End Document-level Framework for Chinese Financial Event Extraction论文解读

Doc2EDAG:AnEnd-to-EndDocument-levelFrameworkforChineseFinancialEventExtractionpaper：[1904.07535]Doc2EDAG:AnEnd-to-EndDocument-levelFrameworkforChineseFinancialEventExtraction(arxiv.org)code：dolphin-zs

Trouble..·2022-11-24 00:29

论文解读--CNN based Road User Detection using the 3D Radar Cube

摘要本文提出了一种基于雷达的、单帧、多分类的移动道路用户(行人、自行车、汽车)检测方法，该方法利用低层级雷达立方体数据。该方法提供了雷达目标和对象级别的类信息。用三维雷达立方体的裁剪块在目标位置周围扩展目标特征后，对雷达目标进行单独分类，从而在局部速度分布中捕捉运动部件的运动。针对这一分类步骤，提出了卷积神经网络(CNN)。然后，通过聚类步骤生成目标建议，该聚类步骤不仅考虑了雷达目标的位置和速度，

奔袭的算法工程师·2022-11-23 21:59

论文解读--Raw High-Definition Radar for Multi-Task Learning

图1.我们的RADIal数据集的概述。RADIal包括3个传感器（相机、激光扫描仪、高清雷达），配备GPS和车辆CAN跟踪；25k同步样本为原始格式。(a)摄像头图像，红色投影激光点云，靛蓝色标注雷达点云，橙色标注车辆，绿色标注自由驾驶空间标注；(b)雷达功率谱带边界框标注；鸟视图标注(c)自由驾驶空间标注，橙色边界框标注车辆，靛蓝色标注雷达点云，红色标注激光点云；笛卡尔坐标系(d)范围方位地图叠

奔袭的算法工程师·2022-11-23 21:59

论文解读--K-Radar:4D Radar Object Detection for Autonomous Driving in Various Weather Conditions

摘要与使用可见光波段(384~769THz)的RGB相机和使用红外波段(361~331THz)的激光雷达不同，雷达使用波长相对较长的无线电波段(77~81GHz)，因此在恶劣天气下也能进行可靠的测量。遗憾的是，与现有的相机和激光雷达数据集相比，现有的雷达数据集只包含相对较少的样本。这可能会阻碍基于雷达感知的复杂数据驱动深度学习技术的发展。此外，大多数现有的雷达数据集只提供3D雷达张量(3DRT)数

奔袭的算法工程师·2022-11-23 21:29

论文解读--High Resolution Radar-Based Occupancy Grid Mapping and FreeSpace Detection

摘要高分辨率雷达传感器能够通过每个测量周期检测数千个反射点，非常准确地感知车辆周围的环境。本文提出了一种新的占用网格映射方法，用于对静态环境进行建模。对所有数据点的反射振幅进行补偿、归一化，然后转换为基于预定义的雷达传感器模型的探测概率值。根据测试车辆的运动，计算经过几个测量周期后的后验占用概率，建立占用网格图。随后，该占用网格图被转换为二元网格图，其中包含障碍物的网格单元被定义为已占用。通过连接

奔袭的算法工程师·2022-11-23 21:55

Oriented R-CNN for Object Detection 论文解读

论文基本信息标题：OrientedR-CNNforObjectDetection作者：XingxingXieGongCheng*JiabaoWangXiwenYaoJunweiHan机构：SchoolofAutomation,NorthwesternPloytechnicalUniversity,Xi’an,China来源：ICCV时间：2021链接：https://arxiv.org/abs/2

长歌丶采薇·2022-11-23 21:50

深度学习时代的视频理解综述

深度学习时代的视频理解综述本文为b站@bryanyzhu老师四期视频理解相关论文解读的汇总图文笔记。我们先精读深度学习时代视频理解领域最为重要的两篇论文：双流网络和I3D。

Adenialzz·2022-11-23 20:57

图神经网络相似度计算

陈万君Allen·2022-11-23 19:01

论文解读（AGCN）《 Attention-driven Graph Clustering Network》

Python微信订餐小程序课程视频https://edu.csdn.net/course/detail/36074Python实战量化交易理财系统https://edu.csdn.net/course/detail/35475PaperInformationTitle：《Attention-drivenGraphClusteringNetwork》Authors：ZhihaoPeng,HuiLiu

qq_43479892·2022-11-23 16:47

Deep Convolutional Neural Networks for Image Classification: A Comprehensive Review(论文解读)

这是一篇关于图像处理(分类方向)的卷积神经网络发展的一个综述，聚焦于CNN在图像分类方向的应用，文章分析了：（1）他们早期的成功，（2）他们在深度学习复兴中的角色，（3）选择了象征性的工作成果，以及（4）通过回顾300多种出版物的贡献和挑战所带来的改进。我们还介绍了他们目前的一些趋势和仍存在的挑战。本综述面向那些想要了解CNN技术和体系结构发展的人，从他们的前辈到现代最先进的深度学习系统，特别是对

Enjoy_endless·2022-11-23 15:23

论文解读《Semi-Supervised Semantic Segmentation with Cross Pseudo Supervision》

论文解读《带有交叉伪监督的半监督式语义分割法》论文出处：CVPR2021论文地址：论文地址代码地址：代码地址一摘要：（1）本文通过研究有标签数据和无标签数据，研究了半监督语义分割问题。

渔歌畅晚·2022-11-23 13:08

半监督学习近几年论文解读（分割）

分割部分半监督（更新中.....）一.PseudoSeg:DesigningPseudoLabelsforSemanticSegmentation(ICLR2021)论文地址：https://arxiv.org/abs/2010.09713Code:https://github.com/googleinterns/wss他们对输入的图像X做两次不同的数据增强，一种“弱增强”（randomcrop/

啥也不会就会混·2022-11-23 13:36

VGG论文解读

文章目录摘要1、网络结构一、介绍二、卷积网络的配置1、结构2、配置3、讨论3.1、Dropout详解三、分类框架1、训练2、测试3、实施细节四、分类实验1、单尺度评估2、多尺度评估3、多裁剪评估4、卷积网络融合五、结论实践谈谈自己的理解和总结引用摘要1、网络结构3*3卷积核，将深度推进到16~19层一、介绍本文讨论了ConvNet架构设计的另一个重要方面—深度。修复了架构的其他参数，并通过增加更多

秋天的风儿·2022-11-23 13:58

YoloV2/Yolo9000 论文解读与理解

摘要：YOLO是基于深度学习方法的端到端实时目标检测系统（YOLO：实时快速目标检测）。YOLO的升级版有两种：YOLOv2和YOLO9000。作者采用了一系列的方法优化了YOLO的模型结构，产生了YOLOv2，在快速的同时准确率达到stateoftheart。然后作者采用wordtree的方法，综合ImageNet数据集和COCO数据集训练YOLO9000,使之可以实时识别超过9000种物品。使

程序之巅·2022-11-23 12:42

【论文阅读】PointNet++论文解读以及代码分析（超全）

PointNet系列第一章【论文阅读】PointNet论文解读第二章【论文阅读】PointNet++论文解读以及代码分析（超全）文章目录PointNet系列前言1.PointNet的不足与PointNet

向上的毛毛·2022-11-23 11:40

PointNet++论文解读和代码解析

目录一、论文动机二、论文方法三、网络结构SetAbstraction非均匀采样密度下的鲁棒性学习上采样四、代码阅读论文地址：https://arxiv.org/pdf/1706.02413.pdf代码地址：https://github.com/yanx27/Pointnet_Pointnet2_pytorch一、论文动机1.PointNet只使用了MLP和最大池化，没有能力捕获局部特征，然而局部结

CVplayer111·2022-11-23 11:07

论文解读 | 百度 ERNIE: Enhanced Representation through Knowledge Integration

作者：王琴单位：燕山大学摘要本文受Bertmask策略的启发，提出一种新的语言表示模型，称为ERNIE(EnhancedRepresentationthroughKnowledgeIntegration).ERNIE旨在学习到通过知识屏蔽策略增强的语言表示，其中屏蔽策略包括实体级屏蔽(Entity-levelstrategy)和短语级屏蔽(Phrase-levelstrategy)。entity-

期待成功·2022-11-23 10:08

《Globally and locally consistent image completion》图像修复论文解读

作者在contextencoder的基础上进行改进，整个网络由一个修复网络和两个鉴别网络（全局鉴别网络和局部鉴别网络）组成。修复网络用来对进入其中的图像进行修复，而鉴别网络用来对图像进行判别。鉴别网络的目标是尽可能准确地分类修复出来的图像和groundtruth，而修复网络则是尽可能地去愚弄鉴别网络，即要提升修复质量，使得鉴别网络无法准确地分辨修复出来的图像与groundtruth。修复网络与鉴别

axianera·2022-11-23 09:56

CVPR 2017精彩论文解读：Xception深度可分离卷积模型

论文地址：Xception:DeepLearningwithDepthwiseSeparableConvolutiosInception模块有别于VGG等传统的网络通过堆叠简单的3*3卷积实现特征提取，Inception模块通过组合1*1，3*3，5*5和pooling等结构，用更少的参数和更少的计算开销可以学习到更丰富的特征表示。通常，在一组特征图上进行卷积需要三维的卷积核，也即卷积核需要同时学

zchang81·2022-11-23 08:11

行为识别 - Is Space-Time Attention All Y ou Need for Video Understanding?

文章目录0.前言1.要解决什么问题2.用了什么方法3.效果如何4.还存在什么问题&可借鉴之处0.前言相关资料：arxivgithub论文解读论文基本信息领域：行为识别作者单位：Facebook发表时间：

清欢守护者·2022-11-23 07:06

【论文解读】Towards Real-world X-ray Security Inspection: A High-Quality Benchmark And Lateral Inhibition

论文题目：TowardsReal-worldX-raySecurityInspection:AHigh-QualityBenchmarkAndLateralInhibition论文出处：ComputerVisionandPatternRecognition（CVPR）2021论文链接：文章下载代码链接：代码一、贡献1、提出了一个高质量X射线(HiXray)安全检查图像数据集，包含8类102,928

叫做传奇的盖世狼人·2022-11-23 04:53

目标跟踪 - Towards Real-Time Multi-Object Tracking

文章目录0.前言1.要解决什么问题2.用了什么方法3.效果如何4.还存在什么问题0.前言相关资料：arxivgithub论文解读，翻译论文基本信息领域：多目标跟踪作者单位：清华&澳大利亚国立大学发表时间

清欢守护者·2022-11-23 04:51

RGCF：Learning to Denoise Unreliable Interactions forGraph Collaborative Filtering论文解读

这篇和之前的一篇工作简称是一样的，但是内容完全不同，本文是RobustGraphCollaborativeFiltering(RGCF)，注意甄别一、前言最近，图神经网络（GNN）作为一种有效的协作过滤（CF）方法已成功地应用于推荐系统。然而，现有的基于GNN的CF模型存在用户-项目交互数据的噪声，这严重影响了实际应用中的有效性和鲁棒性。尽管已有几项关于推荐系统中数据去噪的研究，但它们要么忽略了G

只想做个咸鱼·2022-11-23 03:27

物理信息神经网络PINNs : Physics Informed Neural Networks 详解

本博客主要分为两部分：1、PINN模型论文解读2、PINN模型相关总结第一部分：PINN模型论文解读一、摘要基于物理信息的神经网络（Physics-informedNeuralNetwork，简称PINN

xiaojiuwo168·2022-11-22 23:12

【DETR 论文解读】End-to-End Object Detection with Transformer

目录前言一、整体架构二、基于集合预测的损失函数2.1、二分图匹配确定有效预测框2.2、损失函数三、前向推理四、掉包版代码五、一些问题Reference前言贡献/特点：端到端：去除NMS和anchor，没有那么多的超参，计算量也大大减少，整个网络变得很简单；基于Transformer：首次将Transformer引入到目标检测任务当中；提出一种全新的基于集合的损失函数：通过二分图匹配的方法强制模型输

满船清梦压星河HK·2022-11-22 23:01

CVPR 2022 | 美团技术团队精选6篇优秀论文解读

CVPR2022|美团技术团队精选论文解读计算机视觉国际顶会CVPR2022近日在美国新奥尔良召开，今年美团技术团队有多篇论文被CVPR2022收录，这些论文涵盖了模型压缩、视频目标分割、3D视觉定位、

海宝7号·2022-11-22 22:14

WGAN(Wasserstein GAN)看这一篇就够啦，WGAN论文解读

WGAN论文地址：[1701.07875]WassersteinGAN(arxiv.org)WGAN解决的问题原始GAN训练过程中经常遇到的问题：模式崩溃，生成器生成非常窄的分布，仅覆盖数据分布中的单一模式。模式崩溃的含义是生成器只能生成非常相似的样本（例如，MNIST中的单个数字），即生成的样本不是多样的。没有指标可以告诉我们收敛情况。生成器和判别器的loss并没有告诉我们任何收敛相关信息。当然

码农男孩·2022-11-22 21:46

【论文解读】DaViT：Dual Attention Vision Transformers

DaViT是香港大学和微软等研究机构在近期新发布的一个VisionTransformer模型，这个工作的创新之处是提出了一种双注意力机制（dualattention）来高效地实现全局建模，其中最大的模型DaViT-Giant在ImageNet1K数据集上达到了90.4%的Top1Accuracy，超过了之前的SwinV2（90.17%）。这里的双attention是从两个正交的角度来进行self-

小羊要开心a·2022-11-22 19:16

视频行为识别检测综述

1本文github地址博文末尾支持二维码赞赏哦_[行为检测|论文解读]行为检测调研综述较新基于DeepLearning的视频识别技术科研成果----中国科学院深圳先进技术研究院面向人体姿态行为理解的深度学习方法

梅津太郎·2022-11-22 18:12

论文解读（MERIT）《Multi-Scale Contrastive Siamese Networks for Self-Supervised Graph Representation Learni

优质资源分享学习路线指引（点击解锁）知识定位人群定位Python实战微信订餐小程序进阶级本课程是pythonflask+微信小程序的完美结合，从项目搭建到腾讯云部署上线，打造一个全栈订餐系统。Python量化交易实战入门级手把手带你打造一个易扩展、更安全、效率更高的量化交易系统论文信息论文标题：Multi-ScaleContrastiveSiameseNetworksforSelf-Supervi

xuhss_com·2022-11-22 17:25

ByteTrack论文解读

ByteTrack摘要介绍BYTE关联方法ByteTrack实验结果代码部署论文地址：https://arxiv.org/abs/2110.06864代码地址：https://github.com/ifzhang/ByteTrack摘要MOT任务旨在评估视频中的目标边界框和身份信息。大多数方法是选项将那些检测置信度高于某一阈值的边界框进行关联，并且直接丢弃那些由于遮挡等问题产生的低置信度的边界框。

三木ぃ·2022-11-22 14:52

生成式对抗网络论文解读

资料来源：【论文复现代码数据集见评论区】全网最细讲解，原生GAN带你窥探无中生有生的奥秘~GenerativeAdversarialNetsNet后面跟着一个s代表：不只一个网络，代表很多个网络。多个网络之间的关系是Adversarial对抗的。多个网络之间互相对抗，彼此作用产生的效用是生成式模型Generative。所以从标题出发：看出几个对抗性的网络来搭建了一个生成式的网络模型。前期知识储备：

xiaoyaolangwj·2022-11-22 13:32

【深度学习】GAN生成对抗网络

GAN文章目录GAN论文解读摘要简介研究背景生成效果研究意义介绍论文精读VAE(VariationalAuto-Encoder)GAN价值函数训练流程全局最优解生成器的可收敛性模型优劣势总结论文解读摘要简介核心要点提出了一个基于对抗的新生成式模型

Delv_Peter·2022-11-22 13:30

fasterrcnn论文_【论文解读】精读Faster RCNN

FasterR-CNN论文链接：FasterR-CNN:TowardsReal-TimeObjectDetectionwithRegionProposalNetworks推荐代码：https://github.com/facebookresearch/Detectron（首推！FasterRCNN原班人马复现代码，模型有很多，FasterRCNN、端到端的FasterRCNN、MaskRCNN以及

weixin_39601641·2022-11-22 13:14

目标检测经典之作-Fast RCNN论文解读

视频链接：https://www.bilibili.com/video/BV1n54y1S71L/1、看abstract时候的问题（看其他部分时候的回答）1.1.Two-stage算法的主要难点？第一是如何去生成proposals；第二是前面生成的propasal都是粗略的，因此对这些proposal进行调整。1.2.为什么FastRCNN的论文里用r和c代表top和left？1.3.文中说网络的

FightingCV·2022-11-22 13:37

推荐频道

个人随笔（论文解读