文章目录前言0、论文摘要一、Introduction1.1目标问题二.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细粒度分析五总结前言Effectivedeeplearningapproachesforsummarizationoflegaltexts（22）0、论文摘要数字形式的法律判决文件的可用性为信息提取和应用提供了众多机会。由于这

文章目录前言0、论文摘要一、Introduction1.1目标问题1.3本文贡献二.相关工作三.本文方法A文档增强B.自我监督对比学习C.序列到序列架构四实验效果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细粒度分析五总结前言EnhancedSeq2SeqAutoencoderviaContrastiveLearningforAbstractiveTextSummar

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细粒度分析五总结前言ConstructionandApplicationofaData-DrivenAbstractExtractionModelforEnglishText（2204）0、论文摘

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ANovelOptimizedLanguage-IndependentTextSummarizationTechnique（2204）0、论文摘要大量文本数据以多种语言以电子方

Schiappa,M.C.,Rawat,Y.S.,&Shah,M.(2023).Self-SupervisedLearningforVideos:ASurvey.ACMComput.Surv.,55(13s),1–37.https://doi.org/10.1145/3577925论文中文名称：视频的自监督学习综述摘要：深度学习在各个领域取得的显著成功依赖于大规模标注数据集的可用性。然而，获取标注

Wang,M.,Yue,G.,Xiong,J.,&Tian,S.(2024).IntelligentPointCloudProcessing,Sensing,andUnderstanding.Sensors,24(1).https://doi.org/10.3390/s24010283智能点云处理、感知和理解1.引言尽管存在离散数据点之间的不规则拓扑结构，点云被认为是表示3D数字地貌的基本支柱之一

Li,S.,Zhang,W.,Yao,S.,He,J.,Zhu,C.,Gao,J.,Xue,T.,Xie,G.,Chen,Y.,Torio,E.F.,Feng,Y.,Bastos,D.C.A.,Rathi,Y.,Makris,N.,Kikinis,R.,Bi,W.L.,Golby,A.J.,O’Donnell,L.J.,&Zhang,F.(2024).Tractography-basedautom

文章目录1摘要1.1核心2模型架构2.1概览2.2对应CV的特定修改和相关理解3代码4总结1摘要1.1核心通过将图像切成patch线形层编码成token特征编码的方法，用transformer的encoder来做图像分类2模型架构2.1概览2.2对应CV的特定修改和相关理解解决问题：transformer输入限制:由于自注意力+backbone，算法复杂度为o(n²)，token长度一般要bhnd

计算机视觉不仅包括图像识别，还涵盖了更广泛的内容，如场景理解、目标跟踪、分割、识别和解释等。

Al-lQubaydhi,N.,Alenezi,A.,Alanazi,T.,Senyor,A.,Alanezi,N.,Alotaibi,B.,Alotaibi,M.,Razaque,A.,&Hariri,S.(2024).Deeplearningforunmannedaerialvehiclesdetection:Areview.ComputerScienceReview,51(100614),1

1.论文链接AttentionIsAllYouNeed2.论文主要为了解决什么问题？传统的RNN不能并行处理，如果想要有hih_{i}hi，必须要有hi−1h_{i-1}hi−1作为输出传统的CNN的跨度太大以上两个不是很好的能够捕捉到很久之前的信息3.模型流程由于这个模型的过程比较多，因此只选择了部分有代表性的来说明layernormalization首先常见的有batchnormalizati

【最近课堂上Transformer之前的DL基础知识储备差不多了，但学校里一般讲到Transformer课程也接近了尾声；之前参与的一些科研打杂训练了我阅读论文的能力和阅读源码的能力，也让我有能力有兴趣对最最源头的论文一探究竟；我最近也想按照论文梳理一下LLM是如何一路发展而来的，所以决定阅读经典论文。本文是这个系列的第一篇。】Attentionisallyouneed这篇文章提出了一个新的“简单

本文旨在对自己的研究方向做一些记录，方便日后自己回顾。论文里面有关其他方向的讲解读者自行阅读。参考论文：自动驾驶车辆运动规划方法综述1摘要规划决策模块中的运动规划环节负责生成车辆的局部运动轨迹，决定车辆行驶质量的决定因素未来关注的重点：（1）精准建模描述车辆的运动过程（2）清晰地描述环境情况（3）完成算法地容错冗余设计（4）简化求解难度以及如何保障算法的泛化求解能力2车辆运动规划的概念车辆运动规划

论文题目：AReal-TimeMotionPlannerwithTrajectoryOptimizationforAutonomousVehiclesAbstract本文的实时规划器首先将空间离散化，然后基于一组成本函数搜索出最佳轨迹。迭代优化所得到的轨迹的Path和Speed。post-optimization计算复杂度低，能够在几次迭代内收敛到一个更高质量的解，该框架可以减少52%的规划时间，

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.Seq2seq模型2.2.强化学习和序列生成2.3.自动文本摘要三.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AutomaticTextSummarizationUsingDeepReinforcementLe

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AnIntelligentTreeExtractiveTextSummarizationDeepLearning（21）0、论文摘要在最近的研究中，深度学习算法为自然语言提供了

文章目录前言0、论文摘要一、Introduction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实验结果标准抽象模型微调抽象模型微调抽象模型和BRIO微调抽象模型和BRIO-Loop五总结结论局限前言AbstractiveTextSummarizationUsingtheBRIOTrainingParadigm（2305）codepaper0、论文

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单词表示2.2文本摘要方法三.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Automatictextsummarizationusingdeepreinforcedmodelcouplingcontextualiz

文章目录前言0、论文摘要一、Introduction1.3本文贡献二.前提三.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AbstractiveTextSummarizationwithHierarchicalMulti-scaleAbstractionModelingandDynamicMemory（2107）在本文中，我们

原文标题：DivideandConquer:TextSemanticMatchingwithDisentangledKeywordsandIntents原文链接：https://arxiv.org/abs/2203.02898目录一、Introduction二、Methodology三、ResultsandAnalysis四、Conclusion一、Introduction在做文本语义匹配任务时，

文章目录前言0、论文摘要一、Introduction二.前提三.本文方法3.1总结为两阶段学习3.1.1基础系统3.2重构文本摘要四实验效果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AbstractiveTextSummarization:EnhancingSequence-to-SequenceModelsUsingWordSenseDis

目标跟踪算法综述——附各算法源码和论文概述TBD（two-shot）：SORT、DeepSORT、StrongSORT、ByteTrack、OC-SORTJDE（one-shot）：BoT-SORT、0MutiSORT

论文地址：https://arxiv.org/pdf/1504.08083.pdf代码链接：https://github.com/rbgirshick/fast-rcnn.《FastR-CNN》是2015年发表在cs.CV上的一篇论文，FastR-CNN的全称是FastRegion-basedConvolutionalNetwork快速的基于区域的卷积神经网络，它是针对目标检测方法R-CNN的改进

论文信息论文标题ProgressivePrompts:ContinualLearningforLanguageModels发表刊物ICLR2023作者团队多大、MetaAI关键词ContinualLearing、LLMs文章结构ProgressivePromptsIntroductionBackgroundFinetuningPrompttuningContinualLearningMethodP

文章目录IntroductionDiffusionModelsConsistencyModelsDefinitionParameterizationSamplingTrainingConsistencyModelsviaDistillationTrainingConsistencyModelsinIsolationExperimentIntroduction相比于单步生成的模型（例如GANs,VA

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.背景三.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ANovelApproachforSemanticExtractiveTextSummarization（22）0、论文摘要文本摘要是一种缩短或精简长文本或文档的技术。当有人需

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AHierarchicalRepresentationModelBasedonLongformerandTransformerforExtractiveSummarizat

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.文献综述及相关工作三.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TxLASM:Anovellanguageagnosticsummarizationmodelfortextdocuments（2312）0、论文摘要在自然语言处

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细粒度分析五总结前言ROUGE-SEM:BetterevaluationofsummarizationusingROUGEcombinedwithsemantics（23）0、论文摘要随着预训练语

引用格式：XuJ,RenY,LiG,etal.DeepEmbeddedMulti-viewClusteringwithCollaborativeTraining[J].arXivpreprintarXiv:2007.13067,2020.摘要翻译通过利用来自多视图的信息，多视图聚类最近引起了越来越多的关注。但是，现有的多视图聚类方法要么具有较高的计算和空间复杂性，要么缺乏表示能力。为了解决这些问题

目录前言Background什么是联邦学习什么是异构联邦学习AbstractIntroductionSurveyResearchChallenges（研究挑战）StatisticalHeterogeneity(数据异质性)ModelHeterogeneity(模型异质性)ComuunicationHeterogeneity（通信异质性）DeviceHeterogeneity（设备异质性）State

1.介绍MobileSal:ExtremelyEfficientRGB-DSalientObjectDetectionMobileSal：极其高效的RGB-D显著对象检测2021年发表在IEEETransactionsonPatternAnalysisandMachineIntelligence。PaperCode2.摘要神经网络的高计算成本阻碍了RGB-D显着对象检测（SOD）的最新成功，使其无

项目地址：https://github.com/geomagical/lama-with-refiner论文地址：https://arxiv.org/abs/2109.07161发表时间：2022年6月29日项目体验地址：https://colab.research.google.com/github/advimman/lama/blob/master/colab/LaMa_inpainting.

十二月了时间过得太快2020过得太快又太慢忙里偷闲的十二月有太多值得期待攒了好久终于来更新了论文名称：《Few-ShotUnsupervisedImage-to-ImageTranslation》论文地址：https://arxiv.org/abs/1905.01723论文翻译：https://blog.csdn.net/a312863063/article/details/90728788论文阅

Abstract研究了在计算机视觉、自然语言处理和图形学习中用于表示的新的自监督学习方法。全面回顾了现有的实证方法，并根据其目的将其归纳为三大类：生成性、对比性和生成性对比（对抗性）。进一步收集了关于自我监督学习的相关理论分析，以对自我监督学习为什么有效提供更深入的思考。最后，简要讨论了自我监督学习的开放问题和未来方向。Introduction自监督学习可以看作无监督学习的一个分支，因为不涉及手工

@article{bai2023refusion,title={ReFusion:LearningImageFusionfromReconstructionwithLearnableLossviaMeta-Learning},author={Bai,HaowenandZhao,ZixiangandZhang,JiangsheandWu,YichenandDeng,LilunandCui,Yukun

参考阅读：目标跟踪经典算法——MOSSE（MinimumOutputSumSquareError）目标跟踪整理（1）之MOSSE相关滤波跟踪原理基于以初始帧中给定的boundingbox来选择目标，并基于示例图像上

标题：TaskOffloadingOptimizationinMobileEdgeComputingbasedonDeepReinforcementLearning会议：MSWiM’23（CCF-C）注：本文仅用户学习。一、知识梳理问题：边缘计算可以很好地缓解云计算网络拥塞和高通信开销等问题。然而，考虑到边缘计算资源是有限的，需要采用合理的优化策略提高首先资源的利用率。模型：为解决上述问题，本文提

标题：WhenLearningJoinsEdge:Real-timeProportionalComputationOffloadingviaDeepReinforcementLearning会议：ICPADS2019一、梳理问题：在任务进行卸载时，往往忽略了任务的特定的卸载比例。模型：针对上述问题，我们提出了一种创新的强化学习（RL）方法来解决比例计算问题。我们考虑了一种常见的卸载场景，该场景具有

本文会介绍我平时用到的两个免费的基于GPT的论文阅读平台，很好用，对于有英文阅读困难症的小伙伴(比如我)是真的提效。

论文发表于SC-W2023，Paper，元数据论文阅读汇总“AdaptableI/OSystem(ADIOS)”自适应I/O系统“DistributedAsynchronousObjectStorage

SC2022Paper元数据论文阅读汇总“High-PerformanceComputing(HPC)”高性能计算背景OakRidge领导计算设施和劳伦斯利物浦国家实验室计算设施描述他们的命名空间包含十亿个文件

论文：题目：《LeveragingHistoricalInteractionDataforImprovingConversationalRecommenderSystem》地址：https://dl.acm.org/doi/pdf/10.1145/3340531.3412098这是我第一次将美团发表的论文写在这上面，该论文是人大跟美团这边合作在CIKM上面的一篇短论文，研究的是如何利用历史交互的数

论文地址：https://arxiv.org/pdf/2307.09288.pdfd代码地址：GitHub-facebookresearch/llama-recipes:ExamplesandrecipesforLlama2model问答用了多少个gpu？这篇文档中使用了3.3MGPU小时的计算，使用的硬件类型是A100-80GB，可以扩展到2000个GPU，但这些计算的功耗估计并不包括互连或非G

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

基于matlab的卡尔曼滤波在目标跟踪中应用仿真研究，模拟目标真实轨迹z，形成观测数据（真实轨迹位置数据迭加上观测数据），递推估计，计算估计误差画出目标轨迹、测量数据、滤波数据曲线；滤波误差的均值曲线；

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