Goal-AuxiliaryActor-Criticfor6DRoboticGraspingwithPointClouds文章概括摘要1.介绍2.相关工作3.学习6D抓握政策3.1背景3.2从点云抓取6D策略3.3联合运动和抓握规划器的演示3.4行为克隆和DAGGER3.5目标--辅助DDPG3.6对未知物体进行微调的后视目标4.实验4.1模拟消融研究（AblationStudiesinSimul

✅作者简介：人工智能专业本科在读，喜欢计算机与编程，写博客记录自己的学习历程。个人主页：小嗷犬的个人主页个人网站：小嗷犬的技术小站个人信条：为天地立心，为生民立命，为往圣继绝学，为万世开太平。本文目录标题和作者摘要创新点ReLU多GPUDropout其他网络结构输入层（Inputlayer）卷积层（C1）卷积层（C2）卷积层（C3）卷积层（C4）卷积层（C5）全连接层（FC6）全连接层（FC7）输

通义千问开源模型在PAI灵骏的最佳实践-知乎https://github.com/alibaba/Pai-Megatron-Patch/blob/main/examples/megatron.md背景：目标：使用qwen基座来做CT。数据情况：预训练数据已经用qwen-tokenizer分过词。所以不需要准备数据。如果需没有数据，也可以从Pai-Megatron上拉数据。Megatron训练流程：

整理了GMU（ICLR2017GATEDMULTIMODALUNITSFORINFORMATIONFUSION）论文的阅读笔记背景模型实验论文地址：GMU背景  多模态指的是同一个现实世界的概念可以用不同的视图或数据类型来描述。比如维基百科有时会用音频的混合来描述一个名人；来自社交网络的用户用文本和多媒体附件(图像/视频/音频)评论音乐会或体育比赛等事件。医疗记录由图像、声音、文本和信号等的集合表

文章目录摘要关键词0引言1空间连续型机器人动力学模型1.1场景假设(1)环境假设(2)模型假设1.2公式分析2空间连续型机器人滑模控制器3基于强化学习的滑模控制器4仿真校验5结论摘要【针对问题】空间主动碎片清除操作中连续型三臂节机器人系统跟踪【提出方法】一种基于强化学习的自适应滑模控制算法（强化学习+滑模控制）【具体内容】（1）基于数据驱动的建模方法，采用BP神经网络对三臂节连续型机械臂进行建模；

《MobileNets:EfficientConvolutionalNeuralNetworksforMobileVisionApplications》论文地址：https://arxiv.org/abs/1704.04861MXNet框架代码：https://github.com/miraclewkf/mobilenet-MXNet1.主要思想介绍了两种简单的全局超参数用以平衡时延和准确率，构建

Hello，今天是论文阅读计划的第9天啦～调整计划后，现在都趁着早上最安静最无打扰的时候看论文，完成每天的论文阅读任务。今天我们介绍一篇混合卷积的内容，我最初找到这篇论文呢，是因为我自己做的论文，在思考怎么能让它更好的补获时序信息。所以现在会有意识的培养自己论文阅读的习惯，不断累积更多的想法，在未来突然有需要的时候，脑袋里不会空空如也。一、题目关键词解读MixConv:混合卷积，思考怎么混合法？大

本文作者：slience_me我看的论文地址：MobileNets:EfficientConvolutionalNeuralNetworksforMobileVisionApplications内容1.标准卷积假设输入为DF×DF×M，输出为输入为DF×DF×N，卷积核为DK×DK×M，共有N个卷积核进行卷积操作下图为标准的卷积过程，每个卷积核对输入的向量进行卷积操作，得到一个特征映射，共有N个卷

注意机制在基于深度学习的遥感图像处理中的作用：系统文献综述综述：概述了已开发的注意力机制以及如何将它们与不同的深度学习神经网络架构集成。此外，它旨在研究注意力机制对基于深度学习的RS图像处理的影响。分析了相应的基于注意力机制的深度学习（At-DL）方法的进展。进行了系统的文献回顾，以确定出版物、出版商、改进的DL方法、使用的数据类型、使用的注意力类型、使用At-DL方法实现的总体准确度的趋势，并提

VINS-Mono论文笔记题目0.摘要1.背景简介2.相关工作介绍2.1融合方式2.2摄像头数据处理2.3imu数据处理2.4初始化2.5里程计3.VINS-Mono系统总览4视觉和IMU测量的预处理步骤

摘要文章地址：http[https://arxiv.org/pdf/1904.03451v1.pdf]在本文中，我们研究了基于零样本的草图图像检索（ZS-SBIR）的问题，其中人类草图被用作查询以从不可见的类别中检索照片。我们通过提出一种新颖的ZS-SBIR场景来进一步推进现有技术，该场景代表了其实际应用中的一步。新设置独特地认识到实际ZS-SBIR的两个重要但经常被忽视的挑战，（1）业余草图和照

NeuralFactorizationMachinesforSparsePredictiveAnalytics文中提到了对于稀疏特征交互的处理。FM以线性的方式进行特征交互，难以捕捉数据中非线性的复杂结构。也有很多deepneuralmodel，比如Wide&Deep和DeepCross等，但deepmodel训练起来比较困难。本文提出了一种新的模型NeuralFactorizationMachi

论文原文：BrainGNN：用于fMRI分析的可解释脑图神经网络-ScienceDirect（2）论文代码：GitHub-xxlya/BrainGNN_Pytorch：BrainGNN的初步实现（3）论文笔记

本地要改成这样：exportGPUS_PER_NODE=8exportMASTER_ADDR=localhost#127.0.0.1exportMASTER_PORT=9988exportNNODES=1exportNODE_RANK=0exportWORLD_SIZE=8DISTRIBUTED_ARGS="--use-dummy-data\--nproc_per_node$GPUS_PER_NO

https://github.com/QwenLM/Qwen/blob/main/tokenization_note_zh.md#%E6%99%AE%E9%80%9Atokenhttps://huggingface.co/Qwen/Qwen-7B一、Qwen-7B介绍Qwen-7B采用UTF-8字节级别的BPEtokenization方式，并依赖tiktoken这一高效的软件包执行分词。Qwen-

一、千问关于tokenizer的改动：1.1、更改build_tokenizer中tokenizer类的加载。/mnt/nas/pretrain/code/Megatron-LM/megatron/tokenizer/__init__.py或者tokenizer.py在build_tokenizer.py函数中：​elifargs.tokenizer_type=="QwenTokenizer":a

是对论文FINN-R：AnEnd-to-EndDeep-LearningFrameworkforFastExplorationofQuantizedNeuralNetworks的3.2小节笔记，主要阅读目的是了解PE和SIMD的概念、神经网络各层的结构、P和Q参数的定义3.2层构成典型卷积层的主要元素是矩阵矢量阈值单元（MVU）和滑动窗口单元（SWU）。MVU处理计算方面：对于卷积层，卷积本身可以

AbstractClassifierguidance为图像生成带来了控制，但是需要训练新的噪声感知模型(noise-awaremodels)来获得准确的梯度，或使用最终生成的一步去噪近似，这会导致梯度错位(misalignedgradients)和次优控制(sub-optimalcontrol)。梯度错位(misalignedgradients)：通过噪声感知模型指导生成模型时，两个模型的结构和目

论文（标题写不下了）：《ZOO:ZerothOrderOptimizationBasedBlack-boxAttackstoDeepNeuralNetworkswithoutTrainingSubstituteModels》Abstract深度神经网络(DNN)是当今时代最突出的技术之一，在许多机器学习任务中实现了最先进的性能，包括但不限于图像分类、文本挖掘、语音处理。但人们越来越关注对抗性示例的

FrameMask)6车道检测的图像预处理7图像阈值化8霍夫线变换9实现车道检测9.1帧掩码创建9.2图像预处理9.2.1图像阈值化9.2.2霍夫线变换最后1前言优质竞赛项目系列，今天要分享的是机器视觉深度学习车道线检测

ASymbolicRepresentationofTimeSeries,withImplicationsforStreamingAlgorithms2003将时间序列转换为字符1SAX算法1.1主要符号表示1.2PAA过程沿着时间维度将一个时间序列切分成为w个片段（蓝色——>红色）【一般建议先将将时间序列归一化，然后转换成PAA形式，这个对1.3步有帮助】其中每一个阶段的值是这个阶段里面时间序列值

创新点1.maskingBasic-levelMasking:与bert相同，字的maskPhrase-LevelMasking：短语级别的maskEntity-LevelMasking：实体级别的mask2.HeterogenereousCorpusPre-training加入更多语料,中文维基百科、百度百科、百度新闻、百度贴吧。3.DLM（DialogueLanguageModel）对话模型建

参考代码：particle-sfm1.概述介绍：基于运动恢复的重建算法其前提假设是所处的是静态场景，但在实际过程中该假设可能是不成立的，这就会导致位姿估计不准确和场景重建出错。为了处理动态场景问题，文章引入视频帧间光流信息作为输入，通过帧间光流信息构建多帧之间初始逐像素传导路径，并由这些路径通过网络推理得到场景中众多路径是否为属于运动物体，同时可以根据路径分类信息得到场景中运动目标的“分割mask

本文发表于ICCV2023论文地址：ICCV2023OpenAccessRepository(thecvf.com)官方实现代码：lllyasviel/ControlNet:Letuscontroldiffusionmodels!(github.com)Abstract论文提出了一种神经网络架构ControlNet,可以将空间条件控制添加到大型的预训练文本到图像扩散模型中。ControlNet将预

SummarizingsourcecodewithHeterogeneousSyntaxGraphanddualpositionAbstract1.Introduction2.HSGanddualposition2.1HSGconstruction2.2Codetokenswithdualpositions3.HetSummodel3.1Overview3.2Embeddings3.3.Codet

该论文提出了一个针对视觉目标跟踪的自回归框架，即ARTrack。它将跟踪看作是一个坐标序列解释任务，也就是逐步估计目标轨迹，当前的估计由以前状态所影响，进而影响子序列。这种时间自回归方法对轨迹的顺序演化进行建模从而跨帧跟踪对象。ARTrack的框架如下图所示：先通过编码器嵌入模板和搜索图像的视觉特征，然后，解码器根据先前的估计（时空prompts）以及命令和视觉tokens来解释当前时间t的坐标t

WWW2020oral1INTRO1.1背景1.1.1窃电窃电（electricitytheft）指用户为了逃避电费而进行非法操作的一种行为常用的反窃电方法可分为两类：基于硬件驱动的反窃电方法电表开盖检测、集中器检测。。。。硬件驱动的方法响应快，定位准，但需要非常专业的领域知识，同时随着窃电策略的改变会随即失效基于数据驱动的反窃电方法分析用户用电时序曲线、分析台区线损时序曲线数据驱动的方法可以全盘

论文笔记整理：谭亦鸣，东南大学博士生，研究方向为跨语言知识图谱问答。

论文笔记整理：王中昊，天津大学硕士，方向：自然语言处理。

论文笔记整理：谭亦鸣，东南大学博士生，研究方向为知识库问答。

②二维图像分割器③轻量化卷积网络提取特征④单模态表达和多模态特征融合的区别⑤基于ROS的多传感器融合感知⑥TensorRT工具2.总结摘要三、绪论解析1.首先分析了车道线检测方面有三类工作2.又分析了三维目标检测研究的三类工作

AnExtractive-and-AbstractiveFrameworkforSourceCodeSummarization1.Introduction2.Model2.1Overview2.2TrainingofEACS2.2.1Parti:TrainingofExtractor2.2.2Partii:TrainingofAbstracter3.Evaluation1.Introduction

文章目录1前言2先上成果3车道线4问题抽象(建立模型)5帧掩码(FrameMask)6车道检测的图像预处理7图像阈值化8霍夫线变换9实现车道检测9.1帧掩码创建9.2图像预处理9.2.1图像阈值化9.2.2霍夫线变换最后1前言优质竞赛项目系列，今天要分享的是基于深度学习的视频多目标跟踪实现该项目较为新颖，适合作为竞赛课题方向，学长非常推荐！更多资料,项目分享：https://gitee.com/d

IEEETRANSACTIONSONINTELLIGENTTRANSPORTATIONSYSTEMS20231intro1.1背景1.1.1GPS、CDR与MSD数据之前的地图匹配主要是针对GPS数据GPS数据在全球范围内可用且在定位上相对精确然而，GPS也存在一些局限性作为主动生成的数据，GPS耗能大由于需要主动收集，GPS可能无法随时随地获得——>以上两点都限制了GPS数据的规模蜂窝详细记录(

文章目录0.资料预览1.模型特点速览2.模型效果对比2.1对比BaiChuan12.2对比其它开源模型2.2.1通用基准测试-整体对比2.2.2垂直领域测试2.2.2.1法律2.2.2.2数学、编码2.2.2.3多语言领域3.预训练数据3.0数据分布3.1数据源3.2数据处理3.2.1预训练数据处理流程4.模型结构&预训练4.0基础结构4.1输入4.1.1词表4.1.2字符编码4.1.3位置编码4

一、摘要车道线检测是自动驾驶和智能交通系统的重要组成部分，它对于车辆的导航和控制具有重要的作用。

1简介本文根据2019年《BERT:Pre-trainingofDeepBidirectionalTransformersforLanguageUnderstanding》翻译总结的。BERT:BidirectionalEncoderRepresentationsfromTransformers.应用预训练模型于下游任务有两种策略，分别是feature-based和fine-tuning。fine

1intro1.1背景1.1.1蜂窝计费记录（CBR）人类移动性在蜂窝网络上的研究近些年得到了显著关注，这主要是因为手机的高渗透率和收集手机数据的边际成本低蜂窝服务提供商收集蜂窝计费记录（CBR）用于计费目的，例如电话、短信和互联网访问这些记录可以被重新利用来感知用户的位置与仅涉及用户电话和短信通话记录的通话详单记录（CDR）相比，CBR是一个更通用的数据集依靠网络运营商收集的各种CBR数据集，研

计算机的小白，跨考计算机类的研究生，所以对于代码就是一点一点的学习分析，本文适合和我一样不懂MATLAP代码的伙伴们！因个人能力有限，可能会有不太准确的地方，若有错误，欢迎大家指出。♥♥论文下载链接：♥代码下载链接：目录2公式以及对应编码：2.1Redchannelcompensated2.2White-balance2.3Gammacorrection2.4sharpen2.5Multiscal

论文原文摘要在这里，我们提供了一个学习模拟的通用框架，并提供了一个单一模型的实现，该模型可在各种具有挑战性的物理领域（包括流体，刚性固体和可变形材料彼此相互作用）中产生最先进的性能。我们的框架（我们称为“基于图网络的模拟器”（GNS））表示带有粒子的物理系统的状态，表示为图中的节点，并通过学习的消息传递来计算动力学。我们的结果表明，我们的模型可以从训练期间包含数千个粒子状态的单一时间步长的预测，推

论文标题：Autoformer:DecompositionTransformerswithAuto-CorrelationforLong-TermSeriesForecasting论文链接：https://arxiv.org/pdf/2106.13008v4.pdf源码链接：https://github.com/thuml/Autoformer摘要延长预测时间是极端天气预警和长期能源消耗规划等实际

文章目录摘要：一、介绍二、材料和方法（一）、数据库（二）、测试集（三）、训练集和验证集（四）、输入特征（六）、CNN模型架构（七）、RNN网络的体系结构（八）、综合网络架构（九）、实现（十）、参数调整三、结果（一）、与其他方法比较（二）、评估方案（三）、预测绩效的比较评估1、DSET_448和DSET_355的性能比较2、DSet_186、DSet_164和DSet_72的性能比较（四）、消融研究

PacificA论文笔记（一）1.背景介绍对于分布式数据存储系统，数据复制对于系统的可靠性和可用性是一个关键。数据复制协议如Paxos是被熟知的一种数据复制协议。

原文链接：https://arxiv.org/abs/2312.129611.引言本文针对合成孔径雷达（SAR）的3D重建，提出雷达场，基于多个SAR对场景的测量学习体积模型。3.辐射场的介绍NeRF将静态场景表达为连续的体积函数F\mathcal{F}F，该函数可由MLP、体素分解或张量插值编码，预测给定点xxx和视线方向ddd下的RGB色彩ccc和密度σ\sigmaσ。多视图一致性使得网络仅依

原文链接：https://arxiv.org/abs/2312.090821.引言目前的3D目标检测一来传感器的校准信息。这种情况下，校准信息需要及其精确，但在产品尺度上，获取高质量校准信息是很困难的（需要逐传感器校准，且运行过程中可能会变化）。本文基于Transformer，提出无需校准信息的传感器融合方法。3.方法从基于Transformer的方法中直接移除校准信息会导致训练困难。3.1Tra

原文链接：https://arxiv.org/abs/2312.067411.引言许多SLAM方法组合了多种3D表达；使用统一表达进行系统的所有操作（细节的局部表达、大规模几何建图和通过直接对齐进行相机跟踪）是一种有趣的进展。本文提出第一个基于3D高斯溅射（3DGS）的在线视觉SLAM系统。3DGS中的3D场景会被表达为大量的有方向、伸长率、颜色和不透明度的高斯。其余视觉SLAM方法使用占用/有符

OR-NeRF论文笔记文章目录OR-NeRF论文笔记论文概述Abstract1Introduction2RelatedWork3Background4Method4.1MultiviewSegmentation4.2SceneObjectRemoval5ExperimentsDatasetsMetricsMultiviewSegmentationSceneObjectRemoval6Conclus

RO-NeRF论文笔记文章目录RO-NeRF论文笔记论文概述Abstract1Introduction2RelatedWork3Method3.1RGBanddepthinpaintingnetwork3.2BackgroundonNeRFs3.3Confidence-basedviewselection3.4Implementationdetails4Experiments4.1Datasets

引自(https://blog.csdn.net/calvinpaean/article/details/103662659}Abstract网络剪枝是降低神经网络计算成本的重要研究方向。传统的方法都是先训练一个大型、冗余的网络，然后决定哪些单元（如通道）没那么重要，可以被裁剪掉。这篇论文发现，我们不需要预训练一个过度参数化的网络，再对其进行剪枝。作者证明，从随机初始化的权重直接进行剪枝，可以获得

这周看了一篇新的来自CVPR2019的姿态估计paper，不过对计算机视觉任务来说都应该能带来一些启发，笔者按照自己的理解做一个笔记，欢迎讨论拍砖，感谢！论文题目如下：一、MotivationandContribution首先，在姿态估计领域，一般面临的挑战主要有光照、尺度差异、遮挡等等。一般来说，高层的低分辨率的语义特征可以用来推导看不见的关节，而低层的高分辨率的语义特征对适应尺度变化推导小尺度