文章目录0引言1数据挖掘技术及工具1.1什么是数据挖掘？1.2数据挖掘的过程？1.3常用的数据挖掘技术1.4ODM2水文数据分析系统功能设计3系统实现与应用3.1数据获取与清理3.2模型建立4结语2012年12月计算机工程与设计0引言洪水是现实生活中频发的一种自然灾害，水文数据是研究水问题的重要基础数据。随着水利行业信息化建设发展，目前积累了大量水文数据资料。如何充分利用这些长期积累的历史水文数据

这天中午，正准备午休，忽然收到小Y妈妈的一条信息：“王老师，您好，昨天放学时孩子见到我很伤心，都流眼泪了。她跟我说，有小朋友说她太胖了，很丑，不想跟她玩。我听了心里很不舒服，这属于语言暴力，对孩子伤害很大，会让她产生自卑心理。希望王老师在学校能给孩子们说一下，不要这样对待同学，不想跟她玩可以，但不能这样伤害她。”说实话，看到信息的当下，语言暴力和自卑心理两个刺眼的词让我十分震惊和难过。小Y是个积极

YOLOv3论文信息论文标题：论文作者：收录期刊/会议及年份：论文学习YOLOv3网络架构：YOLO输出特征图解码（前向过程）：训练策略与损失函数（反向过程）：精度与性能：论文信息论文标题：YOLOv3

论文题目：IntegrallyPre-TrainedTransformerPyramidNetworks论文地址：https://arxiv.org/pdf/2211.12735.pdf代码地址：https://github.com/sunsmarterjie/iTPN一.Introduction近年来视觉识别领域两个比较重要的成果是：1.用ViT（VisionTransformer）结构作为ba

GAZELLE:ALowLatencyFrameworkforSecureNeuralNetworkInference这篇论文是上周那篇的standingpoint，也是对神经网络推理的隐私保护Gazelle是一个可扩展的低延迟安全神经网络推理系统，它使用了同态加密和传统的两方计算技术（在论文中具体指的混淆电路），它是把这两者进行结合，混合起来使用。之前的工作一般都是要么是同态，要么是安全多方计算

DELPHI:ACryptographicInferenceServiceforNeuralNetworksDELPHI是一个安全的神经网络预测系统。背景：许多公司为用户提供神经网络预测服务，比如说，家庭监控系统，使用专有的神经网络对客户家中的监控视频中的对象进行分类，例如停在用户家附近的汽车，或访客的人脸。但是，当前的预测系统损害了用户和公司中其中一方的隐私：要么用户必须将敏感输入发送给服务提供

最近在关注大数据处理的技术和开源产品的实现，发现很多项目中都提到了一个叫ApacheCalcite的东西。同样的东西一两次见不足为奇，可再三被数据处理领域的各个不同时期的产品提到就必须引起注意了。为此也搜了些资料，关于这个东西的介绍2018年发表在SIGMOD的一篇论文我觉得是拿来入门最合适了，以下是我关于这篇论文的思考和总结。是什么解释Calcite是什么，用论文的标题是最合适了——AFound

医学图像分割DoDNet：Learningtosegmentmulti-organandtumorsfrommultiplepartiallylabeleddatasets（2021）DoDNet，一个具有动态头的单一编码器-解码器网络，用来解决腹部CT扫描中多器官和肿瘤分割的部分标记问题。还创建一个大规模部分标记数据集MOTS，并对它进行了广泛的实验。结果表明，受益于任务编码和动态滤波学习，Do

VideoFusion:DecomposedDiffusionModelsforHigh-QualityVideoGeneration(用于高质量视频生成的解耦扩散模型)英文原文链接：https://arxiv.org/abs/2303.08320Abstract概率扩散模型（DPM）通过向数据点内逐步加入噪声来构建前向扩散过程，再通过学习反向去噪过程来生成新样本，这种方法能处理较为复杂的数据分布

Tune-A-Video:One-ShotTuningofImageDiffusionModelsforText-to-VideoGenerationAbstract本文提出了一种方法，站在巨人的肩膀上——在大规模图像数据集上pretrain并表现良好的texttoimage生成模型——加入新结构并进行微调，训练出一套oneshot的texttovideo生成器。这样做的优点在于利用已经非常成功、

论文学习——VideoGPT:VideoGenerationusingVQ-VAEandTransformers原文链接：https://arxiv.org/abs/2104.101571.设计思路不同种类的生成模型在一下多个维度各有权衡

文章目录1.引言2.网络安全态势评估基础2.1基本术语2.2网络安全态势评估流程3.实时攻击阶段识别3.1攻击场景聚类3.2实时攻击阶段识别算法3.3攻击阶段识别算法的改进4网络安全态势量化分析4.1攻击安全概率4.2攻击阶段实现概率4.3网络安全态势值5实验结果及分析5.1LLDOS数据集5.2CTF数据集5.3算法效能分析1.引言过去研究方法：从攻击威胁、网络脆弱性等方面存在的问题：要素单一，

文章目录1Abstract2Introduction3Methods3.1TheVisionMixtureofExperts(V-MoE)3.1.1ConditionalComputationwithMoEs3.1.2MoEsforVision3.1.3Routing3.1.4Expert'sBufferCapacity3.2SkippingTokenswithBatchPrioritizedRo

《DefendingYourVoice:AdversarialAttackonVoiceConversion》论文学习文章目录《DefendingYourVoice:AdversarialAttackonVoiceConversion

progressivegrowingofgansforimprovedquality,stablity,andvariation前人方法及缺陷Autoregressivemodels:PixelCNN生成清晰的图像，但是评估较慢，而且没有潜在的表示，因为它们直接对像素上的条件分布建模，这可能限制了它们的适用性variationalautoencoders(VAE):训练简单，但是由于模型的限制，产

今晚准备针对议论文学习该文体的答题方法！我给同学们准备了一篇范文！图片发自App以《读书是一种心灵修复》为范文。结合文后习题给孩子们总结答题方法！一说只要掌握住决窍，考试时的议论文阅读保证得高分！

本文转载至机器之心专栏，作者：胡杰，原文地址：http://www.sohu.com/a/161633191_465975本届CVPR2017大会上出现了很多值得关注的精彩论文，国内自动驾驶创业公司Momenta联合机器之心推出CVPR2017精彩论文解读专栏。除此之外，Momenta还受邀在CVPR2017的ImageNetWorkshop中发表演讲，介绍Momenta在ImageNet2017

2021年12月起在公司里开始组织读书会《经理人的九项修炼》300-10Day1【原文】成为一名经理人，就像是一个单身汉将要组建一个家庭，成为家庭的顶梁柱一样。他原来只用考虑一人的需求，现在却要考虑一家老小，肩上有沉甸甸的责任。【感受】发现这并不是一本讲培训的书，哈哈哈，看这本书有种职场老油子看应届生的感觉。哈哈哈哈。即便如此，这句话还是让我觉得新鲜，新鲜在于这个比喻很贴切。成为经理人，就是要承担

1.FCN论文学习1.1写作背景卷积网络是视觉处理中可以有效生成多层特征的架构，是最前沿的技术。因此作者想构造一个“全卷积网络”，来处理任意尺寸的输入图片，并生成相应尺寸的输出。

原始目标：AdversarialAutoencoder论文学习+代码实现遇到的问题：下载了两份代码（来源不同），但是都跑不出来，问题各异。

八点多起床，图书馆，上午主要查询了发改委，财政部，关于ppp融资的发展，下载了论文看的是关于欠发达地区关于准经营社会资本的退出机制研究下午睡到了三点多，论文学习的东西较少，没有学习成果，晚上去买了霸王茶姬

冬启（素人妈妈蜕变记）2020.10月份这个冬天，因为一场意外（老公去世），结束了我的再生家庭，被迫成为单亲妈妈2021.10月，加入袋鼠想学服务站，决定做传播家庭教育这份事业2022.6月份，成为袋鼠想学龙华分公司联合发起人从最初主动去跟

Abstract为了解决异构性差距和语义差距带来的挑战，我们提出了integratingShannoninformationtheoryandadversariallearning.（香农信息理论),在异质性差距方面，我们将模态分类与信息熵最大化对立地结合起来。我们建立了一种模态分类器(作为鉴别器)，根据文本和图像的不同统计特性来区分它们。该鉴别器利用其输出概率计算香农信息熵，用以衡量其所进行的模

摘要本文提出了一种新的方法modal-adversarialhybridtransfernetwork(MHTN)，它提出的主要目的是：实现知识从单模态源域向目标源域进行转移，并学习跨模态的公共表示。它有端到端两个子网络结构，第一是提出了一种模态共享知识转移子网络，以星型网络结构将知识从源域中的单个模态共同转移到目标域中的所有模态，从而散布与模态无关的补充知识以促进交叉模态共同表示学习。第二提出了

AbstractZero-shotsketch-basedimageretrieval(ZS-SBIR)是一个特别的跨模态检索任务，涉及通过可用的手绘草图，在零次学习的设想下，去搜索自然图片。以前的方法都是设想把草图和图像特征映射到一个低纬度的公共空间，来完成高效率的搜索。并且同时，对齐和映射特征到他们的语义特征（类别级的词向量），将knowledge从seen到unseen进行迁移。然而对齐与投

《Photo-RealisticSingleImageSuper-ResolutionUsingaGenerativeAdversarialNetwork》是ChristianLedig等人于2017年发表于CVPR上的又一篇SR重建的论文，将生成对抗网络（GAN）用于图像超分辨率重建，在感知质量方面取得了巨大的进步，重建图像放大四倍后依然能够呈现清晰地纹理细节。基于监督学习的SR算法的不足之处：

2022.6.

题外话：近期英伟达提出GauGAN，附上了炫酷的demo和完整的repo，让人很想试着跑跑看。如论文题目可知，GauGAN算法是一种语义图像合成算法，该算法使用了空间自适应的归一化操作（这个也是本文中最主要的贡献点）。一、摘要作者开门见山指出算法的创新点，提出了一种新的空间自适应归一化层（Spatially-AdaptiveNormalizationLayer），可以简单且有效地输出如同真实照片的

apachecn永远是布客的文档本地化和知识库项目安全类杂志和cfan（全平台备份），已完成https://it-ebooks.apachecn.org/#/八股文知识库，已完成https://bgww.apachecn.org/#/高校计算机课件（全平台备份），进行中知识付费类，未计划远程工作知识库，已加入日程区块链翻译专项，已加入日程漏洞文库，尽可能自动化维护，初步计划ai独立开发者项目集（类

文章目录YouOnlyLookOnce,Unified,Real-TimeObjectDetectionAbstractIntroductionUnifiedDetectionNetworkDesignTrainingInferenceLimitationsofYOLOComparisontoOtherDetectionSystemsYOLO9000:Better,Faster,StrongerA

本文通过论文学习，对当前的一些模型切片算法做深入的介绍。论文介绍

说明：IEEE会议2月6日2020题目：基于深度协同图像和特征对齐的无监督双向跨模态自适应医学图像分割作者：陈程，学生会员，IEEE，窦琪，会员，IEEE，陈浩，会员，IEEE，秦静，会员，IEEE，冯安恒，资深会员，IEEE创新：SIFA的一个关键特点是图像变换和分割任务的共享编码器。通过参数共享，本框架中的图像对齐和特征对齐能够协同工作，减少端到端训练过程中的域偏移（domainshift）。

Abstract由于计算资源消耗过高，在许多现实的应用上部署深度卷积网络就受到了限制。在这篇论文中，作者提出了一个新的CNN学习机制：1）降低模型的大小；2）降低运行时内存占用；3）减少计算操作的数量，而不会损失精度。作者通过一个简单但有效的方法，将网络的各个通道变得稀疏。和许多现有方法不同，此方法可以直接用在当前的CNN结构上，将训练过程中的额外开支降到最低，最终的模型也不需要任何特殊的软件或硬

车道线检测是将车道标记识别为近似曲线的过程，被广泛用于自动驾驶汽车的车道线偏离警告和自适应巡航控制。流行的分两步解决问题的pipeline：特征提取和后处理。虽然有用，但效率低下，在学习全局上下文和通道的长而细的结构方面存在缺陷。为了解决这些问题，我们提出了一种端到端方法，该方法可以直接输出车道形状模型的参数，使用通过transformer构建的网络来学习更丰富的结构和上下文。车道形状模型是基于道

EncodinginStyle:aStyleGANEncoderforImage-to-ImageTranslationhttps://arxiv.org/pdf/2008.00951.pdfhttps://github.com/eladrich/pixel2style2pixel

AlexNet--ImageNetClassificationwithDeepConvolutionalNeuralNetworks一、概述与数据集AlexNet和其导师GeoffreyE.Hinton，2010年训练了一个大型深度卷积神经网络，在ImageNetLSVRC-2010竞赛中，对包含120万个高分辨率的图像和1000不同的类别的分类预测中，在测试数据上，取得了top-137.5%,t

论文链接摘要模型量化已成为加速深度学习推理不可或缺的技术。当研究人员继续推动量化算法的前沿时，现有的量化工作往往是不可重复和不可部署的。这是因为研究人员没有选择一致的训练流程，并且了硬件部署的需求。在这项工作中，我们提出了模型量化基准测试(MQBench)，这是第一次评估、分析和基准测试模型量化算法的再现性和可部署性的尝试。我们为现实世界的部署选择了多个不同的平台，包括CPU、GPU、ASIC、D

概括下来就是1.用SSC生成时空语义走廊，在走廊中都是可行点，利用piecewiseBeziercurve保证可行性和安全性，Beziercurve的可行性可以参考深蓝学院高飞课程的PPT：速度约束是硬约束而变道的时间约束是软约束生成SSC：1.生成种子，该种子是Egovehicle前向预测模块的一系列离散的点2.cube膨胀直到碰到了障碍物或者语义边界3.确定约束4.保留硬约束和无碰撞约束，放松

文章目录0引言1论文学习2源码学习0引言Inception论文链接：v1-https://arxiv.org/pdf/1409.4842v1.pdfv2和v3-https://arxiv.org/pdf

《One-shotVoiceConversionbySeparatingSpeakerandContentRepresentationswithInstanceNormalization》论文学习文章目录

『写在前面』YOLACT升级版。文章标题：《YOLACT++BetterReal-timeInstanceSegmentation》作者机构：DanielBolya等,UniversityofCalifornia,Davis.原文链接：https://arxiv.org/abs/1912.06218相关repo：https://github.com/dbolya/yolact概述在保证实时性（~3

《“Hello,It’sMe”:DeepLearning-basedSpeechSynthesisAttacksintheRealWorld》论文学习文章目录《“Hello,It’sMe”:DeepLearning-basedSpeechSynthesisAttacksintheRealWorld

摘要神经模型已经在关系抽取（RE）领域取得了瞩目的成功。然后，我们还不明白到底是哪种类型的信息影响了RE模型去判断，去进一步的提升这些模型的性能。为此，我们实证研究了文本中两个主要的信息来源：文本的上下文和实体名字。我们发现：第一点，当上下文信息作为主要信息来源，RE模型…我们进行了广泛的实验去支撑我们的观点，并且显示出我们的框架可以提升不同的RE神经模型的有效性和鲁棒性。代码和数据集可以从htt

UltraFastStructure-awareDeepLaneDetection个人学习记录论文链接github0.摘要1.当前像素级分割的问题场景适应能力差速度慢2.人类识别车道线的特点利用了上下文信息（可以理解为人类的联想能力）和全局信息3.本文车道线检测算法基于人类识别车道线的特点–提出结构损失函数（structuralloss）速度快，可以应对有挑战性的场景4.具体实现基于行的选择（ro

多模态融合的深度学习脑肿瘤检测方法论文：http://www.photon.ac.cn/CN/article/downloadArticleFile.do?attachType=PDF&id=22355摘要：针对目前传统方法脑肿瘤检测准确率低的问题，提出一种基于深度学习的三维脑肿瘤检测方法.首先将不同模态的脑肿瘤磁共振成像影像进行融合，获取不同模态下的脑肿瘤病灶三维空间特征；然后在卷积层和池化层之

在目标检测领域，非极大值抑制是目标检测管道中的重要一环。那么你知道它的原理吗？它有哪些缺点？如何改进？本文会介绍NMS和改进方法Soft-NMS。后续会陆续介绍其他几篇有名的NMS变体，包括IoU-GuidedNMS、AdaptiveNMS、DIoU-NMS、Softer-NMS等。详情关注【CV面试宝典】，回复关键词【NMS】可获取NMS与其变体的论文资料。摘要非极大值抑制（NMS）是目标检测管

UPHDR-GAN：基于非配对数据的高动态范围成像生成对抗网络摘要introduction主要贡献proposedmethod网络框图网络详介1、输入2、生成器输出3、生成器4、鉴别器5、Min-patchModule损失函数优化方程目标函数GANLoss:摘要本文提出了一种有效融合多曝光输入的方法，利用未配对数据集生成高质量的高动态范围(HDR)图像。基于深度学习的HDR图像生成方法严重依赖成对

解决方案：一没有图像标注对的学习二为训练图像生成伪标签2.1为训练图像生成伪标签2.2VAE-Based鉴别器2.3鉴别器引导的发生器信道校准这里有不太理解（未写完）三从嘈杂的伪标签学习四讨论与总结：五本次论文学习的问题与不理解之处

前言这篇论文是一篇稍微老一点的论文，发表于TGRS2016，主要讲了一种对CEM的改进方法，也是一篇基本思路比较简单的顶会论文。主要想通过这篇论文体会一下如何对现有经典方法进行改进。思路我们首先来回忆一下之前学过的一些高光谱目标检测方法。我们在这个系列中的前几篇文章中已经了解了很多可以用于高光谱目标检测的方法了，比如MF、ACE、AMF、ASD、OSP、CEM等等，这些方法如果给他们分个类的话，大

前言之前我们我们学习了HCEM和ECEM两种CEM的改进方法，这两种方法的相同点是都考虑了实际情况，加入了非线性检测的部分，从而提升了检测性能，不同的是一个主要是采用分层迭代的思想，一个采用集成学习、级联检测的思想。在这一篇文章中我们重点介绍一种新的方法BCEM，这是一种利用贝叶斯的思想去优化改进目标光谱，从而达到提升检测性能的目的。思路回顾我们之前提过的几种CEM变种方法，他们都是默认给定的目标