论文原文：ClassificationofBrainDisordersinrs-fMRIviaLocal-to-GlobalGraphNeuralNetworks|IEEEJournals&Magazine|IEEEXplore目录1.省流版1.1.心得1.2.论文框架图2.论文逐段精读2.1.Abstract2.2.Introduction2.3.RelatedWork2.3.1.Handcra

MVSNet系列总结（有监督学习方法）1.MVSNetECCV20182.RMVSNetCVPR20193.P-MVSNetICCV20194.MVSCRFICCV20195.PointMVSNetICCV20192019年的这四篇文章各有特点，其中RMVSNet、PointMVSNet更是打开了可以继续沿着往下做的思路：6.cascadeMVSNetCVPR20207.UCSNetCVPR202

HuggingGPT:SolvingAITaskswithChatGPTanditsFriendsinHuggingFace前言Abstract1Introduction2RelatedWorks3HuggingGPT3.1TaskPlanningSpecification-basedInstructionDemonstration-basedParsing3.2ModelSelectionIn-

GPT-4论文精读视频地址笔记地址视频地址链接:B站-跟李沐学AI.笔记地址链接:B站-璃花昼.

视频：GPT，GPT-2，GPT-3论文精读【论文精读】_哔哩哔哩_bilibiliMAE论文：把bert用回计算机视觉领域CLIP论文：打通文本和图像GPT论文：ImprovingLanguageUnderstandingbyGenerativePre-Training

我的计划是首先跟着B站视频把VINS-mono的论文通读了解一遍，然后专注于复现代码，利用开源数据集，然后把论文精读原理都弄明白，把缺失的知识点都补上，最后把资料总结一下，认真完成

文章目录1.PreciseTemporalActionLocalizationbyEvolvingTemporalProposals论文目的——拟解决问题贡献——创新实现流程详细方法2.CTAP:ComplementaryTemporalActionProposalGeneration论文目的——拟解决问题贡献——创新实现流程详细方法3.BSN:BoundarySensitiveNetworkfo

精读视频：双流网络论文逐段精读【论文精读】_哔哩哔哩_bilibiliTwo-StreamConvolutionalNetworksforActionRecognitioninVideos传统的神经网络难以学习到物体的运动信息

【论文精读】TemporalFusionTransformersforInterpretableMulti-horizonTimeSeriesForecasting文章目录【论文精读】TemporalFusionTransformersforInterpretableMulti-horizonTimeSeriesForecasting

1.单图像超分辨率重建SISR方法框架由两部分组成，非线性映射学习和上采样模块。

论文标题：基于深度学习的单帧图像超分辨率重建综述作者：吴靖，叶晓晶，黄峰，陈丽琼，王志锋，刘文犀发表日期：2022年9月阅读日期：2023.11.18研究背景：图像超分辨率重建是计算机视觉中的基本图像处理技术之一

MobileNet目录前言研究背景研究成果论文结构摘要论文精读1.MobileNetArchitecture1.1卷积块特点1.2深度可分离卷积1.3两者对比2.MobileNet超参数2.1宽度超参数

论文链接：LearningTransferableVisualModelsFromNaturalLanguageSupervision(arxiv.org)视频链接：CLIP论文逐段精读【论文精读】_哔哩哔哩

动手学深度学习（pdf）：10.7.Transformer—动手学深度学习2.0.0documentation(d2l.ai)李沐Transformer论文逐段精读：Transformer论文逐段精读【论文精读

论文精读图神经网络论文精读摘要介绍问题定义学习表示算法代码实战加载百科词条，构建无向图训练Word2Vec模型摘要DeepWalk用于学习隐式表征的表示学习方法，将节点在图中的连接关系进行编码，形成稠密低维连续的向量空间

UnderstandingLSTMNetworks前言Abstract1Introduction2Method2.1AutomaticCurriculum2.2SkillLibrary2.3IterativePromptingMechanism3Experiments3.1ExperimentalSetup3.2Baselines3.3EvaluationResults3.4AblationStu

R-MVSNet【递归多视图立体网络】，论文全名：“RecurrentMVSNetforHigh-resolutionMulti-viewStereoDepthInference”，CVPR2019(CCFA)在MVSNet的基础上做了一些改进，主要解决的问题是代价体正则化（CostVolumeRegulazation）过程当中对内存过大的问题，主要做了三点改动：（1）在代价体正则化步骤，使用序列

今天读的是一篇发表在ICCV2023上的文章，作者来自NTU。文章地址：点击前往文章目录Abstract1Intro2RelatedWork3Preliminary4ProposedMethod4.1OverallFramework4.2SceneCodebookConstruction4.3Pose-GuidedViewReconstruction4.4TrainingProcess5Exper

MediaPipeHands:On-deviceReal-timeHandTrackingMediaPipe手势：设备上的实时手势跟踪论文地址：2006.10214.pdf(arxiv.org)源码地址：GitHub-vidursatija/BlazePalm:PyTorch目录摘要介绍架构BlazePalmDetectorHandLandmarkModelDatasetandAnnotation

、DETR解读用Transformer做objectdetection：DETR-小小理工男的文章-知乎https://zhuanlan.zhihu.com/p/267156624视频解读：【DETR论文精读

SimGNN论文精读阅读前的建议背景知识SVD分解论文精读TitleandAuthorsAbstractIntroduction2Prelimiaries2.1GraphEditDistance（GED

今天阅读的是一篇发表在ICCV2023上的文章，作者来自于华中科技大学。项目地址：GitHub文章地址：点击前往文章目录Abstract1Introduction2RelatedWork3Preliminaries4ET-MVSNet4.1EpipolarPairSearch4.2Intra-and-Cross-EpipolarAugmentationIntra-EpipolarAugmentat

今天读的是一篇发表在ICCV2023上的文章，作者来自华中科技大学。文章地址：点击前往项目地址：Github文章目录Abstract1Introduction2RelativeWork3Motivation3.1Estimatedbiasandinterpolatedbias3.2One-sidedV.S.Saddle-shaped4Dual-DepthPrediction4.1Reviewofl

本文是对CL-MVSNet:UnsupervisedMulti-ViewStereowithDual-LevelContrastiveLearningKaiqiangXiong,RuiPeng,ZheZhang,TianxingFeng,JianboJiao,FengGao,RonggangWang的阅读记录ProceedingsoftheIEEE/CVFInternationalConferen

文章目录1.背景（NCF、NGCF）1.1论文关系图1.2NCF介绍1.2.1MF存在的问题1.2.2MF-->NCF的变化1.2.3NCF混合模型1.3图表示学习1.4NGCF介绍1.4.1NGCF提出背景1.4.2NGCF动机与创新点1.4.3高阶连通性包含协作信号1.4.4NGCF模型1.4.5NGCF总结2.论文主要内容2.1NGCF与LightGCN主要区别2.2NGCF与LightGC

目录论文阅读准备前期知识储备学习目标论文导读论文研究背景、成果及意义论文泛读论文结构摘要---AT-LSTM摘要---TD-LSTM论文精读论文算法模型总览LSTM论文算法模型细节论文一TD-LSTMTC-LSTM

欢迎来到魔法宝库，传递AIGC的前沿知识，做有格调的分享❗喜欢的话记得点个关注吧！ChatGPT采用了与InstructGPT相同的方法，只是在数据集在些许差异。如下所示是ChatGPT在OpenAI官网上的介绍：ChatGPTisasiblingmodeltoInstructGPT,whichistrainedtofollowaninstructioninapromptandprovideade

1基本信息院校：德国的图宾根大学网站：https://www.katrinrenz.de/plant2论文背景2.1现有问题现在的基于学习的方法使用高精地图和BEV，认为准确的（达到像素级的pixel-level）场景理解是鲁棒的输出的关键。recoveringpixel-levelBEVinformationfromsensorinputs。2.2作者的想法作者认为这么丰富的信息是不必要的，仅仅

图像拼接系列相关论文精读SeamCarvingforContent-AwareImageResizingAs-Rigid-As-PossibleShapeManipulationAdaptiveAs-Natural-As-PossibleImageStitchingShape-PreservingHalf-ProjectiveWarpsforImageStitchingSeam-DrivenIma

DETR这篇论文，大家为什么喜欢它？为什么大家说它是一个目标检测里的里程碑式的工作？而且为什么说它是一个全新的架构？大家好，今天我们来讲一篇ECCV20的关于目标检测的论文。它的名字想必大家都不陌生，也就这两年火热的DETR，其实就是detectionTransformer的缩写。这篇论文当时在2020年5月第一次挂到arxiv上的时候，就引起了CV圈的强烈反响，网上很多人都觉得这篇论文应该是EC

2017-EnhanceNet:SingleImageSuper-ResolutionThroughAutomatedTextureSynthesis(EnhanceNet)基本信息作者：MehdiS.M.SajjadiBernhardSch¨olkopfMichaelHirsch期刊：ICCV引用：*摘要：单一图像超分辨率是指从单一低分辨率输入推断出高分辨率图像的任务。传统上，这项任务的算法性能

最近开展图像超分辨率（ImageSuperResolution）方面的研究，做了一些列的调研，并结合本人的理解总结成本博文~（本博文仅用于本人的学习笔记，不做商业用途）本博文涉及的paper已经打包，供各位看客下载哈~https://download.csdn.net/download/gwplovekimi/10728916目录超分辨率（SuperResolution，SR）传统的图像超分辨率重

TwoBirdswithOneStone:SeriesSaliencyforAccurateandInterpretableMultivariateTimeSeriesForecastingAbstractItisimportantyetchallengingtoperformaccurateandinterpretabletimeseriesforecasting.Thoughdeeplearn

论文原文：[1810.00826]HowPowerfulareGraphNeuralNetworks?(arxiv.org)英文是纯手打的！论文原文的summarizingandparaphrasing。可能会出现难以避免的拼写错误和语法错误，若有发现欢迎评论指正！文章偏向于笔记，谨慎食用！1.省流版1.1.心得①Emm,数学上的解释性确实很强了②他一直在...在说引理1.2.论文框架图2.论文逐

关于MOEA/D算法的论文精读介绍笔记【读论文-1】MOEA/D:AMultiobjectiveEvolutionaryAlgorithmBasedonDecomposition（一种基于分解的多目标进化算法

写在前面本篇笔记结合了李沐老师论文精读课的第一节【如何读论文】和滑铁卢大学S.Keshav教授写的【Howtoreadpaper】李沐老师课程链接：https://www.bilibili.com/video

一、训练流程1.特征提取提取N个输入图像的深层特征用作深度匹配与传统三维重建方法类似，第一步是提取图像特征（SIFT等特征子），不同点在于本文使用8层的卷积网络从图像当中提取更深层的图像特征表示，网络结构如下图所示：输入：N张3通道的图像，宽高为W,H输出：N组32通道图，每通道尺度为H/4,W/4虽然特征提取后图像帧缩小，但每个剩余像素的原始相邻信息已经被编码到32通道像素描述符中，防止了密集匹

UserClustering,andModelAdaptation](https://dl.acm.org/doi/abs/10.1145/3511808.3557668)CIKM2022(CCF-B)论文精读

paper：https://arxiv.org/pdf/2308.09687.pdfcode：https://github.com/spcl/graph-of-thoughts0Abstract不同于以往的CoT和ToT，文章提出了GoT，将LLM生成的信息构建为任意图：顶点：LLMthoughts（信息单元）边：顶点之间的依赖GoT的优势：将任意LLMthoughts【LLM对于给定prompt

0Abstract普遍认为，LLM涌现出来的few-shotlearning能力是超大参数模型独有的（>100B）【emergentabilities】；作者认为，小模型（100B）蒸馏下来【GPT3.5->T5】；大模型具有强大的建模能力，但是它们需要处理各种各样的任务；小模型虽容量有限，但集中在特定任务上，模型可以达到不错的效果【modelspecialization】；文章采用的测试任务是模

DeepLearningandtheInformationBottleneckPrinciple原文链接：DeepLearningandtheInformationBottleneckPrinciple上次读了《DeepLearningunderPrivilegedInformationUsingHeteroscedasticDropout》这篇文章，里面提到了信息瓶颈（InformationBo

论文原文：[1609.02907]Semi-SupervisedClassificationwithGraphConvolutionalNetworks(arxiv.org)论文代码：GitHub-tkipf/gcn:ImplementationofGraphConvolutionalNetworksinTensorFlow英文是纯手打的！论文原文的summarizingandparaphrasi

论文原文：Graph-in-Graph(GiG):Learninginterpretablelatentgraphsinnon-Euclideandomainforbiologicalandhealthcareapplications-ScienceDirect论文全名：Graph-in-Graph(GiG):Learninginterpretablelatentgraphsinnon-Eucli

论文原文：[1710.10903]GraphAttentionNetworks(arxiv.org)论文代码：https://github.com/PetarV-/GAT英文是纯手打的！论文原文的summarizingandparaphrasing。可能会出现难以避免的拼写错误和语法错误，若有发现欢迎评论指正！文章偏向于笔记，谨慎食用！目录1.省流版1.1.心得1.2.论文框架图2.论文逐段精读2

论文原文：TheminimalpreprocessingpipelinesfortheHumanConnectomeProject-ScienceDirect未完待续1.论文逐段精读1.1.Abstract①TheHumanConnectomeProject(HCP)includesmultiplemagneticresonanceimaging(MRI)data②HCPneedsmoreprep

THOUGHTPROPAGATION:ANANALOGICALAPPROACHTOCOMPLEXREASONINGWITHLARGELANGUAGEMODELS前言ABSTRACT1INTRODUCTION2RELATEDWORK2.1GraphNeuralNetwork2.2AnalogicalReasoning2.3Prompt-basedLargeLanguageModelReasoning

1为什么研究者这么想把这个双流网络替换掉，想用3D卷积神经网络来做？大家好，上次我们讲完了上半部分，就是2D网络和一些双流网络以及。它们的。变体。今天我们就来讲一下下半部分，就是3D网络和videoTransformer在视频理解领域里的应用。那上次其实我们也讲了很多工作了，他们的这个效果也都不错，而且用上这种光流以后听起来。也很合理。一个网络去学习这种图像特征，另外一个网络去学习这种运动特征，各

一、文章摘要随着云存储和隐私保护的发展，可逆数据隐藏在加密图像中(RDHEI)作为一种技术越来越受到人们的关注，它可以：在图像加密领域嵌入额外的数据，确保嵌入的数据可以无差错地提取，原始图像可以无损地恢复。本文提出了一种基于多MSB(最高有效位)预测和Huffman编码的大容量RDHEI算法。首先，自适应预测每个像素的多MSB，并在原始图像中进行Huffman编码标记。然后，采用流密码法对图像进行

论文地址：原文代码实现中文翻译一、精读论文论文题目PRUNINGFILTERINFILTER论文作者FanxuMeng孟繁续刊物名称NeurIPS2020出版日期2020摘要剪枝已成为现代神经网络压缩和加速的一种非常有效的技术。现有的剪枝方法可分为两大类:滤波器剪枝(FP)和权重剪枝(WP)。与WP相比，FP在硬件兼容性方面胜出，但在压缩比方面失败。为了收敛两种方法的强度，我们提出在滤波器中对滤波

论文名：Goingdepperwithconvolutions论文下载地址：https://github.com/jixiuy/paper引言第一段：背景+成绩1*1的卷积在channel上升维和降维，channel融合，计算方法上等价于FNNGAP（全局平均池化）：每个cov都利用相同维度的平均池化层进行处理，图片都进行用标量来代替特征，类似Flatten的作用，结果可以提升1-2个点Relat