文本摘要论文阅读第58页

【会话推荐论文阅读】Unsupervised Proxy Selection for Session-based Recommender Systems

UnsupervisedProxySelectionforSession-basedRecommenderSystemsSIGIR2021找了一圈也没见有人分享这篇论文的解读，斗胆把个人的理解记录下来，如有不足之处欢迎指教！代码地址：https://github.com/Junsu-Cho/ProxySRProblem：由于（匿名）会话推荐任务中没有提供用户相关的信息，因此现有的SRS推荐模型虽然

谷米今天认路了吗·2023-01-11 16:36

【论文阅读】会话推荐系统综述 A Survey on Session-based Recommender Systems

文章目录一、文章信息二、阅读笔记2.1什么是会话推荐2.2会话推荐研究现状2.2.1按推荐内容分类2.2.2按技术模型分类2.3会话推荐未来进展三、下周计划一、文章信息文章信息文章标题ASurveyonSession-basedRecommenderSystems发表会议ACMComputingSurveys（CSUR，SCI1区顶会）发表时间2019.2这篇文章系统地概述了基于会话的推荐，以及相

-猫耳朵-·2023-01-11 16:35

单目标追踪——【孪生网络】SiamMask论文阅读笔记

目录发现问题受到启发实现整体构想思路网络结构特征提取部分目标定位部分SiamMask-2B——SiamFC定位法SiamMask-3B——SiamRPN定位法Mask生成方法方法一方法二——refinement模块论文链接：SiamMaskSiamFCSiamRPN发现问题1、追踪的预测目标位置定义不同精度也会不同。（用旋转矩形框描述目标位置比坐标轴对齐的矩形框更精确）2、VOS算法的第一帧需要给

zz的大穗禾·2023-01-11 15:55

论文阅读笔记SiamRPN：High Performance Visual Tracking with Siamese Region Proposal Network

SiamRPN是2018CVPR上的一篇文章，通过孪生网络+RPN的方式实现高速、精准的目标跟踪。摘要主要讲述目前大部分深度学习算法无法达到高速和准确同时兼顾，本文的SiamRPN利用大量训练图片实现端对端的离线训练，通过孪生网络进行特征提取，RPN网络进行分类和回归操作。在实际跟踪阶段，可以视为单样本目标检测过程（one-shotdetection），VOT2015,VOT2016,VOT201

dengsutao1996·2023-01-11 15:54

论文中 c.f. i.e. s.t. e.g. w.r.t. et al. etc英文缩写是什么意思

转载自：(45条消息)论文中出现的cf.i.e.s.t.e.g.w.r.t.etal.etc等英文缩写是什么意思_H速写不读书H的博客-CSDN博客论文阅读中经常遇到的一些缩写，具体含义如下：c.f.参考例句

生信研究猿·2023-01-11 15:23

经典论文阅读（2）——XGBoost

xgboost是基于梯度提升的树，公式如下：其中为CART回归树，每个叶子都有一个连续分数，拟合最终目标的loss函数如下，为预测值，为真实值，T为叶子节点个数，为叶子节点权重平方和。其中将loss进行泰勒公式展开，可以得到：最终得到每个叶子节点的权重为，而对应第t棵树的loss为，其中G为所有样本在该叶子节点的loss的一阶导数之和，H为所有样本在该叶子节点的loss的二阶导数之和。通常采用遍历

fmf1287·2023-01-11 14:16

XGBoost论文阅读

目录1.摘要2.方法2.1正则化学习目标2.2梯度提升树2.3收缩率和列采样2.4分裂点查找算法2.5稀疏数据感知的节点分裂方法3.工程实现3.1用block按列存储每个特征3.2分布式并行加速1.摘要提出了一种新的稀疏性感知算法，同时提供了一种缓存访问模式、数据压缩和分片，以构建可扩展的树增强系统。XGBoost支持在各个场景中使用。提出一种树学习方法，支持稀疏数据，并行化和分布式训练、支持更快

Bruce-XIAO·2023-01-11 14:46

【论文笔记】XGBoost论文阅读笔记

2.xgboost模型L(t)=∑i=1nl(yi,y^i(t−1)+ft(xi))+Ω(ft)L^{(t)}=\sum_{i=1}^nl(y_i,\haty_i^{(t-1)}+f_t(x_i))+\Omega(f_t)L(t)=i=1∑nl(yi,y^i(t−1)+ft(xi))+Ω(ft)损失函数二阶泰勒展开L(t)=∑i=1n[l(yi,y^(t−1))+gift(xi)+12hift2(

GodsLeft·2023-01-11 14:16

[机器学习] 第八章集成学习 4.XGBoost 论文解读

article/details/118423126论文链接：https://www.kdd.org/kdd2016/papers/files/rfp0697-chenAemb.pdf参考：XGBoost论文阅读及其原理

(∩ᵒ̴̶̷̤⌔ᵒ̴̶̷̤∩)·2023-01-11 14:16

【论文阅读】RAL2022: Make it Dense: Self-Supervised Geometric Scan Completion of Sparse 3D LiDAR Scans in

0.参考与前言论文链接：https://ieeexplore.ieee.org/document/9812507代码链接：https://github.com/PRBonn/make_it_densevdbfusion同组所出，自监督的scancompletion，第一幅非常直白的表明了这个工作在做的任务，虽然数据结构数据集不一样，但是很像gridmap，elevationmap2.5D那边的补全

Kin__Zhang·2023-01-11 13:46

【论文阅读】Trajectory-guided Control Prediction for End-to-end Autonomous Driving: A Simple yet Strong Ba

参考与前言Summary:leaderboard现存第一名TCP，非常simple的设置取得了很好的效果论文链接：Trajectory-guidedControlPredictionforEnd-to-endAutonomousDriving:ASimpleyetStrongBaseline代码链接：https://github.com/OpenPerceptionX/TCP作者回复预计9月开jg

Kin__Zhang·2023-01-11 13:13

NeRF论文阅读

NeRF论文阅读论文地址理解视频论文翻译摘要我们提出了一种方法，通过使用一组稀疏的输入视图来优化底层连续的体积场景函数，从而获得合成复杂场景的新视图的最新结果。

spade_eddie·2023-01-11 12:41

[论文阅读-NeRF+SLAM]NeRF-SLAM：使用神经辐射场表征的实时稠密单目SLAM系统

NeRF-SLAMNeRF-SLAM:Real-TimeDenseMonocularSLAMwithNeuralRadianceFields第一个结合稠密单目SLAM和层次化体素神经辐射场（hierarchicalvolumetricneuralradiancefields）的3D场景重建算法，能实时地用图像序列实现准确的辐射场构建，并且不需要位姿或深度输入。核心思想是，使用一个稠密单目SLAMp

一杯半开水·2023-01-11 12:40

图神经网络EEG论文阅读和分析：《EEG-Based Emotion Recognition Using Regularized Graph Neural Networks》

摘要：脑电图(EEG)通过电极测量大脑不同区域的神经元活动。现有的许多基于EEG的情绪识别研究并没有充分利用EEG通道的拓扑结构。在本文中，提出了一种正则化图神经网络(RGNN)用于基于脑电图的情绪识别。RGNN考虑了不同脑区域之间的生物拓扑结构，以捕捉不同脑电信号通道之间的局部和全局关系。具体来说，通过图神经网络中的邻接矩阵来建模脑电图信号的通道间关系，其中邻接矩阵的连接和稀疏性受到人类大脑组织

KPer_Yang·2023-01-11 12:37

Nerf论文阅读笔记

文章目录前置知识Nerf原文阅读笔记参考文献paper：https://par.nsf.gov/servlets/purl/10301170code:https://github.com/yenchenlin/nerf-pytorchauthor:UCBerkeley;GoogleResearch;UCSanDiego前置知识3D渲染：将场景定义(包括摄像机、灯光、剥面几何和材料)转换为模拟摄像机

Iron_lyk·2023-01-11 12:07

EEG-SEED数据集作者的---基线论文阅读和分析

《InvestigatingCriticalFrequencyBandsandChannelsforEEG-basedEmotionRecognitionwithDeepNeuralNetworks》方法：A.预处理根据被试的反应，只选择诱发目标情绪的实验片段进行进一步分析。将原始脑电图数据降采样至200Hz采样率。目视检查脑电图信号，人工去除受肌电图和脑电图污染严重的记录。在实验中还记录了眼动图

KPer_Yang·2023-01-11 12:07

【论文阅读】Multiple instance classification: Review, taxonomy

【论文阅读】Multipleinstanceclassification:Review,taxonomy时间：2022/09/13文章目录【论文阅读】Multipleinstanceclassification

木桷·2023-01-11 12:07

NeRF与GAN的交融（一）——NeRF论文阅读

原论文：NIPS2020NeRF:RepresentingScenesasNeuralRadianceFieldsforViewSynthesis背景知识图像处理、立体视觉等方向常常涉及到四个坐标系：世界坐标系、相机坐标系、图像坐标系、像素坐标系。重点是掌握这几个坐标系的转换。也就是说，一个现实中的点是如何在图像中成像的。世界坐标系：绝对坐标系，它以现实世界空间中的某一点为坐标原点，以便描述现实空

Polaris_T·2023-01-11 12:36

EEG论文阅读和分析：《Differential entropy feature for EEG-based emotion classification》

论文阅读《DifferentialentropyfeatureforEEG-basedemotionclassification》论文的核心是提出差分熵作为特征，并且对差分差分熵和比例差分熵等特征进行对比研究

KPer_Yang·2023-01-11 12:06

论文阅读“Graph Contrastive Clustering”（ICCV2021）

论文标题GraphContrastiveClustering论文作者、链接作者：Zhong,HuasongandWu,JianlongandChen,ChongandHuang,JianqiangandDeng,MinghuaandNie,LiqiangandLin,ZhouchenandHua,Xian-Sheng链接：ICCV2021OpenAccessRepository代码：GitHub-

不吃香菜的zbw·2023-01-11 11:07

目标检测论文阅读：ObjectBox算法笔记

标题：ObjectBox:FromCenterstoBoxesforAnchor-FreeObjectDetection会议：ECCV2022论文地址：https://link.springer.com/10.1007/978-3-031-20080-9_23这篇文章提出了一种非常新颖的anchor-free的目标检测算法，仅仅使用目标的中心位置就可以预测边界框。文中定义的回归目标和IoU损失非常

Convolution@·2023-01-11 11:04

目标检测论文阅读：GiraffeDet算法笔记

标题：GiraffeDet:AHeavy-NeckParadigmforObjectDetection会议：ICLR2022论文地址：https://openreview.net/forum?id=cBu4ElJfneV相比于其它文章对于neck的改进，这篇文章还指出目标检测中backbone并没有neck重要这一点。本文应该是第一个提出lightweight-backbone+heavy-nec

Convolution@·2023-01-11 11:04

论文阅读笔记：FCOS：Fully Convolutional One-Stage Object Detection

论文链接：https://arxiv.org/abs/1904.01355本文是自己阅读完论文后为了方便回顾整理的笔记，如果有错误的地方欢迎在评论区指出。文章目录一、FCOS是什么？二、为什么提出FCOS（优点）三、整体框架四、算法实现细节1、训练样本及回归目标2、网络输出3、损失函数4、测试5、FPN多级预测6、center-ness五、对FCOS进行的无成本改进：基于锚点检测器的缺点：1、锚框

屁话精·2023-01-11 11:34

目标检测论文阅读：YOLOF算法笔记

标题：YouOnlyLookOne-levelFeature会议：CVPR2021论文地址：https://ieeexplore.ieee.org/document/9578360/被标题骗了，这篇文章和YOLO系列其实一点关系都没有。这篇文章的切入点很巧妙，在精心设计FPN的时代另辟蹊径，指出FPN复杂的特征融合并不是取得高效检测的关键。YOLOF简单的结构可以作为baseline给后续研究带来

Convolution@·2023-01-11 11:33

论文阅读笔记《SIGMA: Semantic-complete Graph Matching for Domain Adaptive Object Detection》

核心思想本文提出一种基于图匹配的领域自适应目标检测算法。简单的介绍一下领域自适应目标检测（DAOD）任务，通常做目标检测是假设训练样本和测试样本是来自同一个分布的（可以简单理解为同一个数据集），而实际上测试样本的来源可能非常多样（来自不同数据集）。我们将训练样本所处的分布称为源域（sourcedomain），将测试样本所处的分布称为目标域（targetdomain），为了提高对于来自不同分布样

深视·2023-01-11 11:32

FCOS:一阶全卷积目标检测论文阅读笔记

摘要一阶全卷积目标检测(FCOS)是一种基于像素级预测、类似于语义分割、解决目标检测问题的网络。FCOS的特点是不依赖预先定义的锚框或者提议区域，避免了关于锚框的复杂运算，例如训练过程中计算重叠度，而且节省了训练过程中的内存占用。FCOS避免了和锚框有关且对最终检测结果非常敏感的所有超参数。由于后处理只采用非极大值抑制(NMS)，所以FCOS比以往基于锚框的一阶检测器具有更加简单的优点。论文地址：

与光i·2023-01-11 11:02

目标检测论文阅读：FCOS算法笔记

标题：FCOS:FullyConvolutionalOne-StageObjectDetection会议：ICCV2019论文地址：https://ieeexplore.ieee.org/document/9010746/这篇文章是anchor-free模型的代表作，网络结构很简单。相比于anchor-based算法，FCOS和语义分割任务一样，逐像素预测，并对以此带来的问题分别提出解决方案。尤其

Convolution@·2023-01-11 11:01

attention的笔记

article/details/105012972Encoder-Decoder：在NLP中Encoder-Decoder框架主要被用来处理序列-序列问题，也就是输入一个序列，生成一个序列的问题，可以做文本摘要

可莉害了呢·2023-01-11 10:57

论文阅读笔记：2020 CVPR Human Object Interactions (HOI) 论文 VSGNet

论文题目：VSGNet:SpatialAttentionNetworkforDetectingHumanObjectInteractionsUsingGraphConvolutions会议：2020CVPR机构：加州大学圣巴巴拉分校电子与计算机工程系论文：https://arxiv.org/abs/2003.05541代码：https://github.com/ASMIftekhar/VSGNet

Harmin·2023-01-11 09:04

Learning to Detect Human-Object Interactions论文阅读笔记

前言这是一篇2018年发表在CS上的论文，原文地址点这里笔记这篇文章主要的贡献有两个，一是在原来HICO数据集的基础上增加了instanceannotation，即动-名词对的文字注释。二是提出了HO-RCNN网络。注释部分没有什么好说的，比较有趣的是HO-RCNN网络，图三就是网络的结构，从图上来看，输入的图片被分成了三路，经过裁剪resize之后通过CNN提取特征，最后分别分类得到的损失相加作

xingaoli·2023-01-11 09:03

【论文阅读笔记】darts代码和论文结合阅读

DARTS:DIFFERENTIABLEARCHITECTURESEARCHintroductiondifferentiablearchitecturesearch2.1searchspacemodel_search.pyClassCell2.2continuousrelaxationandoptimizationmodel_search.pyClassMixedOp2.3approximatea

zxfhahaha·2023-01-11 07:27

论文阅读笔记---Deep HDR Video from Sequences with Alternating Exposures

KalantariNK,RamamoorthiR.DeepHDRVideofromSequenceswithAlternatingExposures[C]//ComputerGraphicsForum.2019,38(2):193-205.摘要:在本文中，提出了一种基于学习的方法来，我们使用两个顺序卷积神经网络（CNN）对整个HDR视频重建过程进行建模。第一步，我们使用网络专门为该应用设计了一个网

qq_25283239·2023-01-11 07:53

An Efficient Representation for Irradiance Environment Maps论文阅读笔记

AnEfficientRepresentationforIrradianceEnvironmentMaps看这篇文章是因为用到了颜色相似度比较的技术，但是这个方法太过复杂，还是考虑其他方法吧。摘要：我们考虑在远距离照明下的漫射物体的渲染，如环境图所指定的。利用照明球谐系数对辐照度的解析表达式，我们发现只需要计算和使用9个系数，对应于照明的最低频率模式，才能达到平均误差仅为1%。换句话说，辐照度对照

只会写bug的菜鸡·2023-01-11 07:53

End-to-End Object Detection with Transformers论文阅读笔记

End-to-EndObjectDetectionwithTransformers端到端，不需要NMS后处理了，直接出结果。1、Abstract将目标检测作为一个集合预测问题来解决。简化了检测的整体流程，有效的消除了许多人工设计的部分，比如NMS，anchor这些针对任务类型的先验知识。DETR的主要组成有一个基于集合的全局损失函数，通过二分图匹配来为每个目标确定唯一的预测结果，以及一个trans

Mrwei_418·2023-01-11 07:52

Discrete Opinion Tree Induction for Aspect-based Sentiment Analysis 论文阅读笔记

一、作者ChenhuaChen、ZhiyangTeng、ZhongqingWang、YueZhangSchoolofEngineering,WestlakeUniversity,ChinaInstituteofAdvancedTechnology,WestlakeInstituteforAdvancedStudySoochowUniversity二、背景如何为每一个方面词定位相应的意见上下文是AB

呦，又写BUG呢·2023-01-11 07:50

论文阅读|一阶段的目标检测器EfficientDet

yanghaoplus·2023-01-11 07:19

论文阅读《Few-shot Object Detection via Feature Reweighting》

Few-shotObjectDetectionviaFeatureReweighting提出了一种检测新颖类别的小样本模型，该新颖类别仅包含少数数据。充分利用基类（baseclasses）中有标签数据，使用一个特征提取模块和一个reweighting模块在一个一阶段检测网络中，来快速适应以达到实现新颖类别检测的目的。元特征提取模块利用大量有标签数据提取那些具有通用性的，可以用来辅助检测新类别的元特

不说话装高手H·2023-01-11 01:40

基于session推荐的论文阅读

今天我们要看一下如下三篇论文:SR-GNN:Session-BasedRecommendationwithGraphNeuralNetworksTA-GNN:TargetAttentiveGraphNeuralNetworksforSession-basedRecommendationGC-SAN:GraphContextualizedSelf-AttentionNetworkforSession

luxiaonlp·2023-01-10 21:18

Learning Student-Friendly Teacher Networks for Knowledge Distillation论文阅读

本篇论文来自2021年NeurIPS，论文地址点这里一.介绍知识蒸馏是一种著名的技术，用于学习具有竞争性精度的紧凑深度神经网络模型，其中较小的网络(学生)被训练来模拟较大网络(教师)的表示。知识蒸馏的普及主要是由于它的简单性和通用性;根据教师学习学生模型是很简单的，并且对两个模型的网络架构没有限制。大多数方法的主要目标是在预先定义和预先训练的教师网络下，如何有效地将暗知识转移到学生模型中。虽然知识

编程龙·2023-01-10 19:48

Model Fusion of Heterogeneous Neural Networks via Cross-Layer Alignment论文阅读

论文地址点这里一.介绍本文是针对异构的网络融合技术，是基于上一篇OTFusion的论文进行的工作，解决了神经元关联问题。当所有的网络都具有相同的架构时，OTFusion比普通平均算法有明显的改进。与其他基于平均的模型融合方法相比，OTFusion的一个优点是，由于最优传输的性质，它可以融合不同宽度(即神经元数量)的网络。然而，OTFusion仍然是一种分层的方法，不能直接用于异构神经网络。我们需要

编程龙·2023-01-10 19:48

激光SLAM论文阅读

激光SLAM论文阅读[1]DL_SLAM:Direct2.5DLiDARSLAMforAutonomousDriving主要工作——2019IEEEIntelligentVehiclesSymposium

52HZ、·2023-01-10 19:06

【论文阅读】ART-SLAM: Accurate Real-Time 6DoF LiDAR SLAM

一、系统概述模块化是这篇论文强调的一个突出特点，根据论文给出的图示，ARTSLAM框架分为了可选模块和必选模块，下图中灰色的代表必选模块，而彩色的则代表可选模块，橙色的原始点云代表的是输入，也属于必选模块，可以根据设备的性能以及传感器的类型进行补充。论文认为这种模块化的方式有三个好处，首先数据是从模块发送往其它模块的，在发送之前都会在模块中存储旧数据，所以一定程度上能够防止内容的丢失，其次这种模块

林北不要忍了·2023-01-10 19:05

吴恩达关于论文阅读的指导

引言通常要想进入某一领域的研究，大概10-20篇论文就能了解该领域的研究进展；50-100篇论文让你能运用该领域的一些成果；100-200篇论文后能够让你深入了解这一领域。一、方法整体流程第一步∶收集并整合相关资源先选出六七篇论文出来，每一篇画一个理解度轴每读一篇文章就在这个轴线上画出自己的理解程度，不理解的地方如数学公式在初看时可以跳过第二步:深入研究你认为与主题相关的任何资源第三步:做笔记，对

想太多!·2023-01-10 18:56

StackGAN++/StackGAN-v2论文阅读笔记

参考：https://blog.csdn.net/Forlogen/article/details/94015212StackGAN++是StackGAN的研究团队又提出来的一种改进版本，也叫做StackGAN-v2，StackGAN也被叫做StackGAN-v1StackGAN++可以用于有条件和无条件的图像生成。有条件的图像生成，就比如论文中的使用文字生成图片。无条件的图像生成，即不加任何约束

biu piu biu piu·2023-01-10 18:19

论文阅读技巧整理

论文阅读技巧整理1、本科和研究生区别2、坚持阅读和分析期刊会议论文目的注意事项一般论文组成部分论文阅读步骤3、论文报告的要求和技巧4、我的可能研究方向：神经网络训练、网络结构优化、神经架构搜索Review

Remoa·2023-01-10 15:31

NAS论文阅读小记一

NAS论文阅读小记一DartsSPOSMMNASBN-NASProxyLessNAS总结论文DARTS:DifferentiableArchitectureSearchSinglePathOne-ShotNeuralArchitectureSearchwithUniformSamplingBN-NAS

HDU-Dade·2023-01-10 15:00

Distillation-guided Image Inpainting 论文阅读笔记

这是ICCV的文章，但我只是随便读一下，记录一些可能以后会参考的机制网络结构图如下：主要就是用了两个网络，参考了知识蒸馏中教师-学生网络的方式，用完整图像encoder-decoder重建过程中的特征图来监督inpainting过程，我觉得这个过程非常有参考价值，可以用到很多其它领域。第二个重点就是网络的监督形式。网络采取两种蒸馏监督，一种是上面的修复网络利用自身后面的特征来监督前面的特征；一种是

sysu_first_yasuo·2023-01-10 15:18

论文阅读:How to Put Users in Control of their Data in Federated TopN Recommendation with Learning toRank

Author：VitoWalterAnelli,YasharDeldjoo,TommasoDiNoia,AntonioFerrara,FedelucioNarducci∗论文地址Motivation：推荐服务被大量应用在一些以用户为中心的应用程序中，它缓解信息过载和帮助用户在大量可能性中做出选择。数据所有权是一个关键问题，**因为用户可能不愿意与中央服务器共享他们的敏感偏好。**但是现存的推荐模型

aaHua_·2023-01-10 14:08

HRnetv2、HRnetv2p论文阅读笔记

本文主要讲述了HRnet在图像分割，人脸检测和目标检测人物的应用。其中HRnetv2用于图像分割和人脸检测；HRnetv2p用于目标检测。论文：High-ResolutionRepresentationsforLabelingPixelsandRegions摘要高分辨率表示学习在许多视觉问题中起着至关重要的作用，如姿态估计和语义分割。高分辨率网络(high-resolutionnetwork,HR

小小菜鸡升级ing·2023-01-10 14:38

推荐频道

文本摘要论文阅读