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

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。

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

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

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

S081总结笔记笔记目标：按照11个lab的顺序，整理所涉及到的知识对每个lab，给出清晰的解答整理自己在做实验过程中遇到的问题与思考对于课程中有涉及但是没有相应lab的内容做出补充（比如，后边的那些论文笔记说明

论文地址：BiFormer:VisionTransformerwithBi-LevelRoutingAttention代码地址：https://github.com/rayleizhu/BiFormervisiontransformer中Attention是极其重要的模块，但是它有着非常大的缺点：计算量太大。BiFormer提出了Bi-LevelRoutingAttention，在Attentio

论文地址：Run,Don'tWalk:ChasingHigherFLOPSforFasterNeuralNetworks代码地址：https://github.com/jierunchen/fasternet该论文主要提出了PConv，通过优化FLOPS提出了快速推理模型FasterNet。在设计神经网络结构的时候，大部分注意力都会放在降低FLOPs（floating-pointopera-tio

InP_photonic_circuits_using_generic_integration时间：2015年5月文章目录InP_photonic_circuits_using_generic_integrationⅠIntroductionⅡ通用集成平台A.对特定信号进行处理B.MultiwavelengthTransmitterC.超快激光（皮秒激光、飞秒激光）D.其它通用平台可实现的激光器E

论文名称：EVA:ExploringtheLimitsofMaskedVisualRepresentationLearningatScale发表时间：CVPR2023作者及组织：北京人工智能研究院；华中科技大学；浙江大学；北京理工大学GitHub：https://github.com/baaivision/EVA问题与贡献本文中，作者提出了一个以视觉为中心的基础模型，EVA，来探索大规模maske

GenericInP-BasedIntegrationTechnology:PresentandProspects2014年摘要：综述了当前基于InP的光子芯片代工厂的技术，并进行了展望光子集成电路也有类似的摩尔定律，但是仍处在摩尔定律的早期想要发展集成光学，需要借鉴集成电路发展过程中fabless与foundry模式及其一系列降低研发成本的方式集成光芯片需要类似集成电路中三极管、二极管、电阻、电

FundamentalPerformanceLimitsandScalingofaCMOSPassiveDouble-BalancedMixer时间：2008年6月作者：KrenarKomoni,SameerSonkusale,GeoffDawe文章目录FundamentalPerformanceLimitsandScalingofaCMOSPassiveDouble-BalancedMixer省

PiPAD:PipelinedandParallelDynamicGNNTrainingonGPUsPiPAD:基于GPU的流水线并行动态GNN训练[Paper]PPoPP’23摘要提出了PiPAD,一个流水线并行的DGNN训练框架,用于GPU上的端到端性能优化.从算法和运行时层面重构了整体训练范式.1介绍动态图表示分类:连续时间动态图(ContinuousTimeDynamicGraphs,CT

前言在本文中，提出了一个正则化的无监督最优传输模型来执行源域和目标域的表示对齐。学习了一个匹配两个概率密度函数（PDF）的传输计划，它约束源域中同一类的标记样本在传输过程中保持接近。这样，我们同时利用源中的标记样本和在两个域中观察到的分布。1.introduce一些理论工作强调了域的数据概率分布函数之间的散度所起的作用。因此文章提出了符合最少努力原则的源数据转换，即相对于转换成本或度量的影响最小。

背景现有的对抗性领域自适应方法要么学习单个领域鉴别器来对齐全局源和目标分布，要么关注基于多个鉴别器的子域对齐。然而，在实际应用中，域之间的边际（全局）分布和条件（局部）分布对适应的贡献往往不同。在本文中，作者提出了一种新的动态对抗性自适应网络（DAAN）来动态学习域不变表示，同时定量评估全局和局部域分布的相对重要性。DAAN架构在DAAN中，高级特征f由特征提取器（Gf，蓝色部分）提取。然后，分别

摘要深度网络通过对抗训练学习域不变性特征，但域自适应技术在源域和目标域实现类别层级的对齐仍然是有限的。本文提出了SymNets模型在对齐源域和目标域的边缘分布的同时也增强了对两个域中条件分布的对齐，从而实现类别层级的对齐。在领域自适应中源域和目标域上的任务是一致的，为此SymNets设计了一个对称的任务分类器结构，也就是说传统的分类器是有K个神经元对应K个类别，而SymNets为源域和目标域分别设

目录一、CDAN结构二、多线性调整三、熵调整四、总体优化目标前言对抗性学习已被嵌入到深层网络中，用于学习解纠缠和可转移的领域适应表示。在分类问题中，现有的对抗性域自适应方法可能无法有效地对齐多模态分布的不同域。作者指出当前一些对抗域适应方法仍存在三个问题：1.只考虑了特征对齐，没有考虑标签对齐。2.当数据分布体现出复杂的多模态结构时，对抗性自适应方法可能无法捕获这种多模态结构，也就是说即使判别器完

1TitleAUnifiedTransformerFrameworkforGroup-basedSegmentation:Co-Segmentation,Co-SaliencyDetectionandVideoSalientObjectDetection（YukunSu,JingliangDeng,RuizhouSun,GuoshengLin,andQingyaoWu）【ransactionsOn