软件可靠性工程国际会议(InternationalSymposiumonSoftwareReliabilityEngineering,ISSRE)专注于评估、预测和改善软件产品可靠性、安全性，包括前沿理论方法与创新技术工具，是软件可靠性工程领域的旗舰国际会议，也是中国计算机学会（CCF）推荐的B类国际会议AbstractFaults是破坏云系统高可用性的主要原因，甚至导致停机成本高昂。随着云的规模

文章目录摘要2.2孪生神经网络3.2基于孪生ELETRA网络的语义相似度交互模型结构3.3实验结果分析3.3.4评价指标摘要啥啊：两个文本之间的交互特征LSTM应用于孪生神经网络的特征提取层，可以获取到长文本的语义信息。孪生神经网络的特征提取层，对文本之间进行编码是相互独立的，句子之间没有交互，使得两侧文本抽取出的特征仅仅是各自最后的语义向量。没有两个句子之间的结构信息、词性信息、句法信息目前国内

目录前言时间建模双流网络3D卷积TDNTDN模型图ResNetshort-termTDMlong-termTDMAblationstudies实验结果总结前言论文地址：https://arxiv.org/abs/2012.10071代码地址：https://github.com/MCG-NJU/TDN时间建模时间建模对于捕捉视频中的运动信息进行动作识别至关重要，在当前的深度学习方法中，这通常通过两

这一篇论文是我读研期间，本校(安徽大学)计算机学院的江波老师在2022年5月份发表的一篇论文，由于我自己学习的是图神经网络的方向，而且也是我本校的老师所发的paper，所以在此写下我对此篇论文的笔记，如有不足和错误，请包涵~-引言-图注意网络已经在图数据学习的任务中得到了广泛的研究和应用。但是各种GAT模型都通常都存在两种限制：1、现有方法普遍采用自注意机制计算所有图边的注意系数，这通常需要昂贵的

文章目录seq2seq代码tensorlfow常用RNN函数（主要是我的代码中用到的）[tf.nn.rnn_cell.LSTMCell](https://tensorflow.google.cn/api_docs/python/tf/nn/rnn_cell/LSTMCell)[tf.nn.rnn_cell.DropoutWrapper](https://tensorflow.google.cn/a

文章目录论文基本信息研究背景读过摘要后提出的问题读完论文后对上述问题的回答深度可分离网络两个全局超参数宽度倍增器：更薄的模型分辨率乘法器：简化的表示实验验证模型的选择收缩模型超参数细粒度的识别大规模地理定位面对属性对象检测面对嵌入代码分析目前存在的疑惑论文基本信息标题：MobileNets:EfficientConvolutionalNeuralNetworksforMobileVisionApp

学习目标：有关DDPM+VIT的论文学习内容：1、Few-ShotDiffusionModels2、YourViTisSecretlyaHybridDiscriminative-GenerativeDiffusionModel

学习目标：一、论文：VectorQuantizedDiffusionModelforText-to-ImageSynthesis二、修改VITGAN代码学习内容：论文学习时间：11.28-12.2学习产出

Detectingandquantifyingcausalassociationsinlargenonlineartimeseriesdatasets基于大规模非线性时间序列的因果关系推断这篇论文发表在SCIENCEADVANCES，它属于中科院分区一区的，影响因子在13.77作者：JakobRunge他主要从事与地球科学领域相关的因果推断和统计机器学习方面的工作。这篇文章发表于他在英国帝国理工大

EGO规划器：一种基于ESDF自由梯度的四转子局部规划器摘要ESDF地图被广泛运用在局部地图的梯度方向和大小估计之中，但是由于我们在进行轨迹优化的过程中，只用到了ESDF地图中很小的一部分，这造成了极大的计算冗余。在本文中，我们提出了EGO,其主要改进是通过比较碰撞轨迹和未碰撞轨迹来建立起惩罚项，并将必要的障碍物信息存储起来。如果整条轨迹不满足动力学可行约束，就分配更多的时间。同时，提出了一种各向

目录一、TransC模型的不足二、传统KGembedding的不足三、KNN-KG1.KNN-KG模型图2.通过Masked实体模型进行实体词汇的扩充3.知识存储推理4.记忆推理四、模型效果五、实验结果最近在看知识图谱嵌入和知识推理方面的知识，考虑到TransC模型中关系传递性造成的语义缺失的错误传递，近期看的一篇论文《ReasoningThroughMemorization:NearestNei

AlexNet(ImageNetClassificationwithDeepConvolutionalNeuralNetworks)开山之作论文原文：http://papers.nips.cc/paper/4824-imagenet-classification-with-deep-convolutional-neural-networks.pdf基于caffe的实现：http://caffe.b

论文学习探索使用CNN实现对单图像实现过完备表示前言论文专有名词解释总述背景介绍（这里从简）相关工作（正文）数学建模基于视频的方法基于单张图片的方法提出的方法A.OUCD架构B.MSFF块损失函数具体实验细节前言时隔

大家好！今天给大家分享一篇论文，题目是《Multi-modalKnowledgeGraphsforRecommenderSystems》，主要针对多模态知识图谱在推荐系统中的应用进行研究。它号称是第一个把多模态知识图谱引入推荐系统的论文。这篇论文发表在CIKM2020。（数据库领域著名国际会议信息检索领域顶会）。论文翻译参见：论文翻译1背景首先讲一下背景，为什么要将多模态的知识图谱引入到推荐系统中

SingleShotMultiBoxDetector论文学习singleshot指的是SSD算法属于one-stage方法，MultiBox说明SSD是多框预测。

Abstract最近，人们开始关注航拍图像中的目标检测任务。与自然图像中的物体不同，航拍目标的朝向通常很随意。因此，检测器需要更多的参数来编码朝向信息，非常冗余且低效率。此外，因为常见的CNN无法显式地建模朝向变化，我们就需要增广大量的旋转数据来训练一个准确的目标检测器。本文作者提出了一个Rotation-equivariant检测器（ReDet），可以解决这些问题，显式地编码旋转同变性和旋转不变

关于论文学习这篇文献中作者通过训练一个Siamese神经网络，将手工制作的表示和距离函数替换为学习的表示和距离函数，建立了简单的最近邻方案．Siamese网络通过训练将视频块对分类为相似或不同，并用来找到与所有训练视频块不同的测试视频块

关于论文学习简介标准BiGAN异常检测器的偏移重建，在像素空间中有着较大的距离。CBiGAN中引入的一致性损失解决了这一问题，如图一。图一最近的方法直接采用深度模型在特征空间中上下文映射和建模数据。

BatchNormalization学习笔记原文地址：http://blog.csdn.net/hjimce/article/details/50866313作者：hjimce一、背景意义本篇博文主要讲解2015年深度学习领域，非常值得学习的一篇文献：《BatchNormalization:AcceleratingDeepNetworkTrainingbyReducingInternalCovar

文章目录论文学习AlexNet2012Inceptionv12014VGG2015FCN2015ResNet2015U-Net2015Inceptionv32015deeplabv12015deeplabv22017deeplabv32017Xception2017Inceptionv42017PSPNet2017MobileNetv12017deeplabv3

动态环境下的SLAM：DynaSLAM论文学习笔记这篇文章论文摘要系统流程相关环节的实现方法神经网络检测图中动态物体（MaskR-CNN）Low-CostTracking使用多视图几何的方法检测图中动态物体

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%图像的最大灰度拉伸，类似scale_image_max%Author:Zhu%时间：2022.6%

%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%scale_image_range%Author:Zhu%时间：2022.6%%%%%%%%%

摘要本文为少样本异常检测（FSAD），这是一种实用但尚未被研究的异常检测（AD），少样本意味着在训练中只为每个类别提供有限数量的正常图像。现有的少样本异常检测的研究主要使用的是一类别一模型学习范式，而类别间的共性尚未被探索。受人类探测异常的启发，将有问题的图像与正常图像进行比较，我们在这里利用配准，这是一种固有可跨类别泛化的图像对齐任务，作为代理任务来训练类别不可知的异常检测模型。在测试过程中，通

ProgressiveMinimalPathMethodforSegmentationof2Dand3DLineStructures论文翻译和学习今天就先学到这里吧！明天接着研读，晕有点看不明白摘要二维和三维线结构的分割对于许多计算机视觉应用都是至关重要的，如卫星图像中的街道分析和医学图像中的血管量化。在这篇文章中，我们提出了一种基于最小路径方法的统一方法来分割不同应用领域的线结构（示例见图1）。

论文学习报告_201106Introduction框架论文整理i.ComputationOffloadingConsideringFronthaulandBackhaulinSmall-CellNetworksIntegratedwithMEC

采用二维推扫激光雷达和三维先验地图进行道路车辆的定位本文是2012.5年发表的EI会议（ICRA）作者：IanBaldwinDepartmentofEngineeringScienceOxfordUniversityOxford,UKEmail:ib@robots.ox.ac.ukPaulNewmanDepartmentofEngineeringScienceOxfordUniversityOxf

目录代码位置一、原始数据信息录入二、数据信息整理类别信息记录图片信息记录三、获取图片小结Github地址：Mask_RCNN『计算机视觉』Mask-RCNN_论文学习『计算机视觉』Mask-RCNN_项目文档翻译

现在在北航读完三年了，学的东西越来越多，越来越急，有的东西没有时间来打在PC上做思维导图，之后会以各种博客的形式来分享软硬件两方面的一些代码复现经历、debug思路以及论文学习成果，今天带来的是是trackformer

Language-BasedImageEditingwithRecurrentAttentiveModels[paper]主要是颜色AbstractWeinvestigatetheproblemofLanguage-BasedImageEditing(LBIE).Givenasourceimageandanaturallanguagedescription,wewanttogenerateatar

Matlab源代码%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%动态二值化%Author:Zhu%时间：2022.6%%%%%%%

Matlab对图像区域的腐蚀与膨胀函数%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%图像膨胀操作函数%Author:Zhu%时间：2022.6%

来源QoE-BasedCooperativeTaskOffloadingwithDeepReinforcementLearninginMobileEdgeNetworks简介是论文中的一块，原文proposedtaskoffloadingmechansimforMENs(mobileedgenetworks)。由于与VFC有挺多的相通之处，特此学习。正文该机制分为三步：任务优先级设立重复任务删除任

导读本文[1]主要想分享一些可能有助于提高计算机视觉任务模型训练速度和准确性的一般技巧或建议，这些建议是通过课程、阅读顶级文章或论文学习所得来的。

即只利用该网络做特征提取不进行后续分类2018MOTDT：Real-TimeMultiplePeopleTrackingwithDeeplyLearnedCandidateSelectionandPersonMOTDT多目标跟踪论文学习笔记

Abstract：最先进的目标检测网络【是什么，有哪些？】依赖于区域提议算法去假设目标的位置。SPPnet[1]和FastR-CNN[2]等先进技术减少了这些检测网络的运行时间，暴露了区域提议计算的瓶颈。在这项工作中，我们引入了区域提议网络(RPN)，它与检测网络共享全图像卷积特征，从而实现几乎无成本的区域提议。PRN是一个完全卷积网络，它同时预测物体边界和物体在每个位置的得分。PRN经过端到端的

公众号系统之神与我同在https://www.aclweb.org/anthology/2020.acl-main.412.pdfwww.aclweb.org/anthology/2020.acl-main.412.pdf摘要知识图（KG）是由实体作为节点，实体之间的关系作为类型化边组成的多关系图。KG问答（KGQA）任务的目的是回答对KG提出的自然语言查询。多跳KGQA要求在KG的多个边缘进行推

DeFRCN:DecoupledFasterR-CNNforFew-ShotObjectDetection目录DeFRCN:DecoupledFasterR-CNNforFew-ShotObjectDetection关键词涉及领域前人架构模型框架总体框架详细框架解决的问题：多任务问题backbone问题创新性结构1、GradientDecoupledLayer(GDL)2、Prototypical

目录摘要论文结构方法CNN金字塔结构Transformer编码器维度分析实验及结果图像分类目标检测其他摘要PVT是把金字塔结构引入到Transformer中，使得它可以像ResNet那样无缝接入到各种下游任务中（如：物体检测，语义分割），同时也取得了非常不错的效果。论文地址：PyramidVisionTransformer:AVersatileBackboneforDensePredictionw

LIO-SAM:Tightly-coupledLidarInertialOdometryviaSmoothingandMapping作者TixiaoShan在2018年发表过LeGO-LOAM，当时他还在史蒂文斯理工学院读博士，19年毕业之后去了MIT做助理研究员（羡慕.jpg）。。。这篇文章LIO-SAM实际上是LeGO-LOAM的扩展版本，添加了IMU预积分因子和GPS因子，去除了帧帧匹配部分

---------2019.1.25论文学习：导读】近日，针对视频中场景复杂、人物众多等困难挑战，来自Facebook、CMU和达特茅斯学院的研究人员提出了一种新颖的基于检测和跟踪的视频中人

1广告论文2022年发表在SIGGRAPH顶会上。预训练出来的模型有139M。对文档的去扭曲变形效果在我们调研的深度学习模型里面算是最好的。2摘要文档图像去扭曲是文档数字化和分析的重要内容。最先进的方法依靠纯合成数据来训练深度网络进行去扭曲。因此，经过训练的网络在测试真实世界的图像时具有泛化的局限性，经常产生不令人满意的结果。在这项工作中，我们建议通过在训练中加入真实世界的图像来提高文档的去扭曲性

在完成Glow论文学习后，对github上一个复现的仓库进行学习，帮助理解算法实现过程中的一些细节；所选择的复现仓库是基于pytorch实现，链接为https://github.com/rosinality

2022.6，NeurIPS2022背景改变了异常检测任务的难度，即使用所有的类训练产生一个模型，而非单个类产生单个模型，取得还不错的效果。

Single-ImageDepthEstimationBasedonFourierDomainAnalysis摘要介绍相关工作提出的算法深度预测网络结构深度平衡欧几里得损失深度候选图的生成傅里叶域中的候选图结合摘要Jae-HanLee,MinhyeokHeo,Kyung-RaeKim,andChang-SuKimKoreaUniversity2018IEEE/CVFConferenceonComp

根据李沐老师讲解的零基础多图详解图神经网络视频，小白开始入门学习了解GNN，并记录下此文。AGentleIntroductiontoGraphNeuralNetworks为参考文献博客。图（Graph）的概念并非通常意义上的图片（image），而是一种表示关系的数据结构。顶点（node）表示物体，相互连接的线（edge）表示关系，其中线既包含有方向的线（directededge），也包含无方向的线

『写在前面』语义分割轻量级网络。论文出处：ECCV2018作者机构：ChangqianYu等，华中科技大学原文链接：https://arxiv.org/pdf/1808.00897相关repo：https://github.com/ooooverflow/BiSeNet目录摘要1介绍2相关工作3BilateralSegmentationNetwork3.1Spatialpath3.2Context

Linux代码实战）一、下载官方代码：二、创建环境：三、准备想要预训练的数据集：四、进行预训练1）选择模型配置：2）进行程序运行：用预训练好的模型提取视频特征并保存为.npy文件TimeSformer理解关于论文学习使用

Abstract在本文当中，我们提出了一种自适应的融合技术，旨在从不同的模式有效地建模上下文，本文没有为网络定义一个确定性的融合操作，例如连接，而是让网络决定“如何”更有效地组合一组给定的多模态特征。我们提出了两种网络:1)自动融合，它学习压缩来自不同模式的信息，同时保留上下文;2)GAN融合，它从互补的模式中规则化给定上下文的学习潜在空间。对多模态机器翻译和情感识别任务的定量评估表明，与现有方法

在完成VITS论文学习后，对github上的官方仓库进行学习，帮助理解算法实现过程中的一些细节；仓库代码基于pytorch实现，链接为https://github.com/jaywalnut310/vits