KBQA论文笔记第35页

【论文笔记】基于强化学习的机器人手臂仿人运动规划方法

文章目录摘要关键词0引言学者研究阶段一：采集运动数据，分析运动过程特征阶段二：设计仿人变量、建立仿人标准和约束阶段三：用智能算法提升仿人运动机器人性能本文工作1问题描述及方法架构1.1人体手臂与机械臂之间的映射关系1.2整体方法架构2手臂运动规律分析与学习2.1目标点的选择2.2基于VICON的人体手臂运动数据采集方法1.设计合适的刚体标志块2.把各刚体标志块贴于实验者的右臂3.收集数据信息2.3

Ctrl+Alt+L·2022-12-18 16:18

论文笔记——多源融合SLAM的现状与挑战

目前SLAM领域现有主流方法：1）多传感器融合。由两种及以上传感器组成的混合系统，可分为松耦合、紧耦合。可以解决视觉里程计的漂移和尺度丢失问题，提高系统在非结构化或退化场景中的鲁棒性。多传感器融合系统定义为优化问题的最大似然估计。视觉惯性系统：核心是如何进行更好的状态估计，如何更佳地将IMU测量值和相机图像信息进行融合，为传感器安装平台提供最优地自身运动信息和环境信息。IMU和相机有两种融合方式：

kkmd66·2022-12-18 15:27

【论文笔记】Distilling the Knowledge in a Neural Network

摘要提高机器学习算法性能的一个简单方法是在相同的数据上训练多个不同的模型，然后对它们的预测进行平均。但使用整个模型集合进行预测很麻烦，并且计算成本太高。一个有效的解决方法是将集成中的知识压缩到一个单一模型中，经过验证，在MNIST上取得了很好的结果。介绍一些复杂模型在训练时能够取得很好的效果，但是在部署时却难以满足用户对延迟和计算资源有更严格的要求，于是我们可以通过蒸馏的方式来简化模型。一旦复杂模

借口就是借口·2022-12-18 14:39

【论文笔记+代码解读】《ATTENTION, LEARN TO SOLVE ROUTING PROBLEMS!》

介绍本文提出了一种注意力层+强化学习的训练模型，以解决TSP、VRP、OP、PCTSP等路径问题。文章致力于使用相同的超参数，解决多种路径问题。文中采用了贪心算法作为基线，相较于值函数效果更好。注意力模型文中定义了AttentionModel以解决TSP问题，针对其它问题，不需要改变模型，只需要修改输入、掩码、解码上下文等参量。模型采用编码-解码结构，编码器生成所有输入节点的嵌入，解码器依次生成输

星月要幸福·2022-12-18 13:05

【论文笔记+代码解读】《The Transformer Network for the Traveling Salesman Problem》

介绍本文采用Transformer架构解决TSP问题，通过强化学习完成训练。在TSP50和TSP100中都有良好表现，与启发式算法对比，TSP50的最佳差距为0.004%，TSP100为0.39%。模型结构文中采用了编码器-解码器结构，首先对全部输入结点进行编码，在解码过程中依次“翻译”出每个结点。编码器编码过程是一个标准的Transformer编码器，由L个多头注意力层组成。每个子层是由一个多头

星月要幸福·2022-12-18 13:30

论文笔记| BART：Denoising Sequence-to-Sequence Pre-training for Natural Language Generation, Translation

作者：景单位：燕山大学论文来源代码地址前言先说说通常意义上的预训练模型，以BERT为例，它采用大规模预料对Transformer编码器进行预训练，保存编码器参数后接下游任务，针对不同的下游任务采取不同的微调措施，例如接分类器、接解码器等。这么做的好处在于“对症下药”，但实则可以看做是妥协的产物——因为在谷歌刚提出BERT的时候，并没有针对“只编不解”这个问题的良好对策，bert在编码器堆叠了1

期待成功·2022-12-18 12:05

Learning Deep Features for Discriminative Localization论文笔记

论文地址：https://arxiv.org/abs/1512.04150github地址：http://cnnlocalization.csail.mit.edu本文提出了一种研究网络可解释性的方式，用globalaveragepooling的方式得到网络的注意力机制。Motivation过去globalaveragepooling(GAP)通常被用于正则化训练卷积神经网络，而作者发现这一操作实

hankeryeah·2022-12-18 12:35

论文笔记CATEGORICAL REPARAMETERIZATION WITH GUMBEL-SOFTMAX

目录Gumbel-Softmax分布Gumbel-SoftmaxEstimatorStraight-Through(ST)Gumbel-SoftmaxEstimatorStraight-ThroughEstimator(STE)Straight-Through(ST)Gumbel-SoftmaxEstimator参考Gumbel-Softmax分布Gumbel-Softmax分布是一个定义在单纯形

冰冰冰泠泠泠·2022-12-18 12:33

论文笔记：Offline Reinforcement Learning for Mobile Notifications

一、本文要解决的问题及模型选择逻辑业务问题：time-insensitivenotificationstodeterminethebestdeliverytimestowardslong-termengagement(oneweek)解决这个问题面临的挑战：userengagementmaynotbeattributedtoasinglenotification,butratherasequenc

foreverbeginnerz·2022-12-18 12:01

论文笔记：Visualizing and Understanding Convolutional Networks

一、这篇论文解决什么问题模型为什么表现得好（内在原理）模型怎么样改进（可解释地、可控地）以前方法的局限性：只可以对第一层特征进行可视化，而对高层特征束手无策无法解释每一层的不变性（从不同的图中学到相同的特征）本文的核心技术：DeconvolutionalNetwork(deconvnet)本文可以做到：解释训练集中的哪些pattern可以激活相应的featuremap二、模型基础结构及deconv

foreverbeginnerz·2022-12-18 12:01

论文笔记：Learning Deep Features for Discriminative Localization

一、这篇论文解决什么问题原始问题：Weakly-supervisedobjectlocalization，研究发现，图像分类任务上训练的CNN，可以直接用于物体定位两个子问题：CNN具有这种能力的原因是什么如何改进，可以更好地解决Weakly-supervisedobjectlocalization本文研究以上问题的核心手段：利用GAP（GlobalAveragePooling）生成CAM（Cla

foreverbeginnerz·2022-12-18 12:30

CAM：Learning Deep Features for Discriminative Localization论文翻译笔记（2016-CVPR）

2016-CVPR-CAM论文笔记CAM原文：LearningDeepFeaturesforDiscriminativeLocalization摘要这项工作中，作者重新审视了之前提出的全局平均池化层（globalaveragepooling

灼灼其华R·2022-12-18 11:22

【论文笔记】激光里程计 DMLO: Deep Matching LiDAR Odometry 2020

图森未来本文提出了基于深度学习方法的激光里程计，首次在激光里程计任务中使用全局稀疏匹配。其性能超越了现有的DP-based的方法，与几何SOTA方法（SUMA）性能很接近。相关工作局部迭代方法：ICP系列。应用比较普遍，但是计算量大，异常值敏感，需要很小心的初始化。全局稀疏配准：使用局部几何描述子，大多数手工提取，不适用于稀疏、不均匀的点云数据。DP-based：几何不可解释，泛化性不能保证。本文

phy12321·2022-12-18 11:19

【论文笔记】激光里程计 DeepLO:Geometry-Aware Deep LiDAR Odometry 2019

视频链接:链接使用surfelbased的表示方法（vertex+normal）作为网络的输入，避免了量化损失，看起来是一种不错的表示方法，既没有误差，保留了点云数据的精确性，还以一种map的形式提供邻域查询功能，不需要KDtree检索之类。此外，使用几何一致性约束的损失函数进行无监督训练，通过扰动成像的方法证明了损失函数的可行性。并在部分场景上取得了优于有监督训练的精度。DeePLO同样对点云的

phy12321·2022-12-18 11:19

论文笔记【场景文字识别】What Is Wrong With Scene Text Recognition Model Comparisons? Dataset and Model Analysis

〇、前言WhatIsWrongWithSceneTextRecognitionModelComparisons?DatasetandModelAnalysis这篇文章很不错，对场景文字识别（STR，scenetextrecognition）做了一些工作，代码已经开源https://github.com/clovaai/deep-text-recognition-benchmark很好训，结果也非常

郭汪汪·2022-12-18 10:06

【论文笔记】Darts-可微神经架构搜索（一）

是什么darts是什么？全称DifferentiableARchiTectureSearch它是一种新（2018）的NAS（神经架构搜索）方法。NAS是什么？全称：neuralarchitecturesearch（神经架构搜索）简单讲就是把设计神经网络的任务也交给机器。企图把人工炼丹的过程一步步转化为机器炼丹。具体说可以看看wiki上的定义：也就是一般的NAS都会包含三个部分：搜索空间搜索算法预估

qdmoxf·2022-12-18 08:26

【论文笔记】DynaSLAM：动态场景中的跟踪、建图和场景修复 Tracking, Mapping, and Inpainting in Dynamic Scenes

DynaSLAM:Tracking,Mapping,andInpaintinginDynamicScenesCentralIdea：本文提出了一个视觉SLAM系统，它建立在ORB-SLAM2的基础上，增加了运动分割方法，使其在单目、立体和RGB-D摄像机的动态环境中具有鲁棒性。本文中的系统可以精确地跟踪相机位置，并创建一个静态的、因此可重复使用的场景地图。并且，在RGB-D模式下可以使用先前帧中的

浪里翻滚一只虾·2022-12-18 08:23

《SiamFC++：Towards Robust and Accurate Visual Tracking with Target Estimation Guidelines》论文笔记

参考代码：video_analyst1.概述导读：这篇文章指出之前的一些跟踪算法没有深入讨论针对跟踪任务的实质，很多时候只是在某些点上进行突破，因而最后方法的性能总是有局限性的。对此文章深入分析了跟踪网络的特性，因而对跟踪网络的设计提出了4点建议：G1（目标位置估计和目标判别需要接耦，分别具有各自的分支）/G2（目标判别置信度不能与实际相模糊）/G3（不能依赖数据分布等先验知识，否则导致泛化性鲁棒

m_buddy·2022-12-18 00:36

【论文笔记】基于会话的推荐系统综述--A Survey on Session-based Recommender Systems

参考自论文ASurveyonSession-basedRecommenderSystems本文首先介绍基于会话的推荐的提出动机和背景，然后说明其与序列推荐的区别，并给出会话推荐的子领域和目前使用的各种方法的分类框架，最后提出当前领域下的未来展望。——五行诗一般的推荐(RS)vs基于会话的推荐(SBRS)一般的推荐推荐系统可以帮助用户找到感兴趣的相关项目。在一般的推荐系统里，通常利用用户和物品的所有

落涯迎川·2022-12-17 23:19

matting系列论文笔记（三）：Boosting Semantic Human Matting with Coarse Annotations

matting系列论文笔记（三）：BoostingSemanticHumanMattingwithCoarseAnnotations论文链接:CVPR2020BoostingSemanticHumanMattingwithCoarseAnnotations

烤粽子·2022-12-17 14:57

Temporal Segment Networks: Towards Good Practices for Deep Action Recognition

论文笔记（3）TemporalSegmentNetworks:TowardsGoodPracticesforDeepActionRecognition主要贡献TSN实验细节实验结果TemporalSegmentNetworks

LMW4444·2022-12-17 14:19

深度学习第一篇论文阅读笔记（VQA Visual Question Answering）

1VQAVisualQuestionAnswering一，介绍二，数据集收集1，图像2，问题3，答案三，数据集分析1，问题2，答案3，常识与标题四，VQA基线和方法1，基线2，方法五，结论相关链接前言写这篇论文笔记之前

是尘埃呀！·2022-12-17 11:40

ZFNet论文笔记--卷积可视化

ZFNet论文笔记VisualizingandUnderstandingConvolutionalNetworks算法介绍**实现可视化的目的：**打破神经网络“黑匣子”，通过可视化解释神经网络的过程ZFNet

麻花地·2022-12-17 11:06

翻译-2019-Object Detection in 20 Years: A Survey

原文链接https://blog.csdn.net/clover_my/article/details/92794719译论文笔记-2019-ObjectDetectionin20Years:ASurvey2019

lynn_0909·2022-12-17 10:49

《Gated-SCNN: Gated Shape CNNs for Semantic Segmentation》论文笔记

这篇论文收录在ICCV2019的语义分割领域中，其核心思想采用了双流机制（regularstream和shapestream）以及ASPP进行分割处理。论文链接：https://arxiv.org/abs/1907.05740开源代码：https://nv-tlabs.github.io/GSCNN/1、在RegularStream中，采用传统CNN网络如ResNet、VGGNet、WideRes

CV无名之辈·2022-12-17 07:39

论文笔记——基于深度学习的3d点云处理

论文笔记——基于深度学习的3d点云处理摘要针对的问题此文的贡献具体内容概括模型的重建和变换姿态估计总结数据方面性质方面网络结构方面摘要深度学习在2D图像中表现出来了优越的性能，在对非结构化的信息处理已经具有了一定的潜力成为了计算机图形学的重要研究方向

zycongzz·2022-12-17 07:28

论文笔记：WORD TRANSLATION WITHOUT PARALLEL DATA

FacebookMUSE无监督跨语言迁移学习任务face-WordTranslationwithoutParallelData文献阅读笔记：WordTranslationWithoutParallelData论文笔记

帅帅梁·2022-12-17 06:00

论文笔记：Bottom-Up and Top-Down Attention for Image Captioning and Visual Question Answering

论文：Bottom-UpandTop-DownAttentionforImageCaptioningandVisualQuestionAnsweringhttp://openaccess.thecvf.com/content_cvpr_2018/html/Anderson_Bottom-Up_and_Top-Down_CVPR_2018_paper.html在以往的图像描述或者视觉问答的深度网络模

金融科技自习生·2022-12-16 20:17

《Bottom-Up and Top-Down Attention for Image Captioning and Visual Question Answering》——2018 CVPR论文笔记

这是一篇2018年的CVPR的论文，使用自下而上和自上而下相结合的注意力机制实现了imagecaptioning和VQA，作者使用这个注意力模型在imagecaptioning上取得了非常好的效果，在2017年的VQA挑战赛中也取得了冠军。论文链接：CVPR2018OpenAccessRepository关联论文：TipsandTricksforVisualQuestionAnswering:Le

BXDBB·2022-12-16 20:47

论文笔记---Group-aware Label Transfer for Domain Adaptive Person Re-identification

Abstract：无监督自适应（UDA）行人重识别（ReiD）的目的是将在有标记的源域数据集上训练的模型适应于目标域数据集，而无需任何其他标记。最成功的UDA-ReID方法是将基于聚类的伪标签预测与表示学习相结合，并以交替的方式执行这两个步骤。但是，这两个步骤之间的离线交互可能会导致有噪声伪标签严重阻碍模型的性能。在本文中，提出了一种组感知的标签转移（GLT）算法，该算法使伪标签预测和表示学习的在

m0_50656961·2022-12-16 19:19

KBQA新方法

KBQA新方法以往的KBQA步骤范式为：实体识别实体链接意图识别（or关系or属性识别）查询数据库而本文中介绍的来自美团[^1]的方案是：实体识别实体链接查询数据库（控制步数）关系学习模型打分引子接下来将详细介绍论文中的方法

无数据不智能·2022-12-16 18:52

【目标检测·yolo系列】YOLOV3目标检测论文笔记（参考同济子豪兄的解读）

目录骨干网络Darknet53后面的论文算法架构都是在yolov3基础上更新来的骨干网络Darknet53由于主要网络中是全卷积层，所以是可以输入任意大小的图片（得是×32）

chentao326·2022-12-16 15:11

【目标检测·yolo系列】YOLOV2目标检测论文笔记（参考同济子豪兄的解读）

目录anchor、DimensionClusters、Directlocationprediction在YOLOv2中规定了五种anchor，gridcell数量为奇数限制预测框位置损失函数细粒度特征Multi-ScaleTraininganchor、DimensionClusters、Directlocationprediction在YOLOv1中先验框是随机的，在YOLOv2中规定了两个先验框

chentao326·2022-12-16 15:40

【论文笔记（8）】PaDiM a Patch Distribution Modeling Framework for Anomaly Detection and Localization

PaDiMaPatchDistributionModelingFrameworkforAnomalyDetectionandLocalizationAbstractIntroductionRelatedWorkReconstruction-basedmethodsEmbeddingsimilarity-basedmethodsPatchDistributionModelingEmbeddingex

国家二级退堂鼓表演家·2022-12-16 10:57

异常检测论文

1.PaDiM:aPatchDistributionModelingFrameworkforAnomalyDetectionandLocalization【论文笔记（8）】PaDiMaPatchDistributionModelingFrameworkforAnomalyDetectionandLocalization

沐雨清风 จุ๊บ·2022-12-16 10:50

论文笔记--用于人体姿势估计的深度双连续网络（Deep Dual Consecutive Network for Human Pose Estimation）

索引复杂情况下的多帧人体姿态估计是一种挑战。尽管最先进的人体关节检测器在静态图像上表现出了显著的效果，但当我们将这些模型应用于视频序列时，它们的表现就显得不足了。普遍存在的缺点包括无法处理运动模糊、视频失焦或姿势遮挡，这是因为无法捕捉到视频帧之间的时间依赖性。另一方面，直接采用传统的递归神经网络在空间背景建模方面存在经验上的困难，特别是在处理姿势遮挡方面。在本文中，我们提出了一个新的多帧人体姿

愤怒的potato·2022-12-16 09:29

论文笔记--(HRNet)用于人类姿势估计的深度高分辨率表征学习(Deep High-Resolution Representation Learning for Human Pose Estima)

索引因为大多数现有的姿势估计学习常用的方法是提取图象的低分辨率特征，然后从低分辨率恢复高分辨率进行预测。但是在恢复高分辨率表征时，会丢失信息。HRNet提出一种网络使其在整个过程中保持高分辨率的表征。介绍 HRNet网络从一个高分辨率子网络开始，逐渐增加高到低的子网络以形成更多的阶段，并平行连接多分辨率的子网络。每个高-低分辨率的表征都能反复接收其他平行表征的信息，从而形成丰富的高分辨率表征

愤怒的potato·2022-12-16 09:29

论文笔记--3D Human Pose Estimation with Spatial and Temporal Transformers（用空间和时间变换器进行三维人体姿势估计）

用空间和时间变换器进行三维人体姿势估计摘要 Transformer架构已经成为自然语言处理中的首选模型，现在正被引入计算机视觉任务中，如图像分类、物体检测和语义分割。然而，在人类姿势估计领域，卷积架构仍然占主导地位。在这项工作中，我们提出了PoseFormer，这是一种纯粹的基于变换器的方法，用于视频中的三维人体姿势估计，不涉及卷积架构。受视觉变换器最新发展的启发，我们设计了一个空间-时间变换器

愤怒的potato·2022-12-16 09:29

ICCV2017【论文笔记】Representation Learning by Learning to Count

1、INTRO这篇文章作者提出一种方法，去计数图像中的visualprimitives从而学习图像的representation。2、TransformingImagestoTransformFeatures作者提出两点：1）计算视觉原语（visualprimitives）的特征不应受到缩放、二维平移和二维旋转变换的影响；2）一半的图像的视觉原语数量应该是小于整幅图像的。由此该论文考虑了两种不同的

Agent 1·2022-12-16 08:07

新的方式 E2EC: An End-to-End Contour-based Method for High-Quality High-Speed Instance Segmentation 论文笔记

新的方式E2EC:AnEnd-to-EndContour-basedMethodforHigh-QualityHigh-SpeedInstanceSegmentation论文笔记一、Abstract二、

乄洛尘·2022-12-16 08:36

减小模型训练成本的视频动作识别 Efficient Video Transformers with Spatial-Temporal Token Selection 论文精读笔记

减小模型训练成本的视频动作识别EfficientVideoTransformerswithSpatial-TemporalTokenSelection论文笔记一、Abstract二、引言三、相关工作3.1VisionTransformers3.2EfficientVideoRecognition3.3DifferentiableTokenSelection

乄洛尘·2022-12-16 08:36

MCAN论文进阶——MoVie: Revisting Modulated Convolutions for Visual Counting and Beyond 论文笔记

MCAN论文进阶——MoVie:RevistingModulatedConvolutionsforVisualCountingandBeyond论文笔记一、Abstract二、引言三、相关工作3.1显式计数

乄洛尘·2022-12-16 08:06

多类别目标计数 Towards Partial Supervision for Generic Object Counting in Natural Scenes 论文笔记

多类别目标计数TowardsPartialSupervisionforGenericObjectCountinginNaturalScenes论文笔记一、摘要二、引言三、相关工作3.1自然场景中通用的目标计数

乄洛尘·2022-12-16 08:05

为了统计一切出现在图像上的目标类别的计数：Learning To Count Everything 论文笔记

LearningToCountEverything论文笔记一、Abstract二、引言三、RelatedWorks四、少样本适应与匹配网络4.1网络结构4.2训练4.3测试阶段适应4.3.1最小计数损失

乄洛尘·2022-12-16 08:35

论文笔记《Next-ViT: Next Generation Vision Transformer for Efficient Deployment inRealistic Industrial 》

Abstract由于复杂的注意机制和模型设计，现有的大多数视觉变形器(ViTs)在现实工业部署场景中无法像卷积神经网络(CNNs)那样高效，如TensorRT和CoreML。这就提出了一个明显的挑战:视觉神经网络能否设计得像CNNs一样快，像ViTs一样强大?在这些工作中，我们提出了在现实工业场景中有效部署的下一代愿景变压器，即next-vit，它从延迟/精度权衡的角度主导了CNNs和vit。分别

MarvinP·2022-12-16 08:30

论文笔记：Meta-attention for ViT-backed Continual Learning CVPR 2022

论文笔记：Meta-attentionforViT-backedContinualLearningCVPR2022论文介绍论文地址以及参考资料Transformer回顾Self-AttentionVisiontransformer

星光点点wwx·2022-12-16 07:25

Sentence-Bert论文笔记

IntroductionSentence-BERT网络结构主要是用来解决bert模型在语义相似度搜索任务的不足。简单通俗地讲，就是借鉴孪生网络模型的框架，将不同的句子输入到两个bert模型中（但这两个bert模型是参数共享的，也可以理解为是同一个bert模型），获取到每个句子的句子表征向量；而最终获得的句子表征向量，可以用于语义相似度计算，也可以用于无监督的聚类任务。对于同样的10000个句子，我

杞墨·2022-12-16 07:55

论文笔记 | Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks

作者：迪单位：燕山大学论文地址代码地址论文来源：EMNLP2019前言虽然BERT和RoBERTa在诸如文本语义相似度等任务上达到了SOTA效果，但是它们还存在一些缺点：在这些任务中，它们需要将比较的两个句子都传入到模型中计算，计算开销过大。BERT模型在一个1W句子集合中，找出最相近的一个句子对，需要5千万次推断计算（约65小时）才能完成，所以BERT并不适合语义相似度搜索等任务。在该论

期待成功·2022-12-16 07:24

【论文笔记】【CVPR2022】【异常检测】 Anomaly Detection via Reverse Distillation from One-Class Embedding

[CVPR2022]AnomalyDetectionviaReverseDistillationfromOne-ClassEmbeddingCVPR2022Link:[2201.10703]AnomalyDetectionviaReverseDistillationfromOne-ClassEmbedding(arxiv.org)Code:https://github.com/Merenguelk

Merengue_l·2022-12-16 07:19

【论文笔记】Student-Teacher Feature Pyramid Matching for Anomaly Detection

原文地址：https://arxiv.org/pdf/2103.04257.pdf代码可以参考：https://paperswithcode.com/paper/student-teacher-feature-pyramid-matching-for核心：利用知识蒸馏的方式在MVTecAD数据集上进行异常检测论文中的teacher网络是在ImageNet上预训练的ResNet-18而student

HarryXxc·2022-12-16 07:43

推荐频道

KBQA论文笔记

【论文笔记】基于强化学习的机器人手臂仿人运动规划方法

论文笔记——多源融合SLAM的现状与挑战

【论文笔记】Distilling the Knowledge in a Neural Network

【论文笔记+代码解读】《ATTENTION, LEARN TO SOLVE ROUTING PROBLEMS!》

【论文笔记+代码解读】《The Transformer Network for the Traveling Salesman Problem》

论文笔记| BART：Denoising Sequence-to-Sequence Pre-training for Natural Language Generation, Translation

Learning Deep Features for Discriminative Localization论文笔记

论文笔记CATEGORICAL REPARAMETERIZATION WITH GUMBEL-SOFTMAX

论文笔记：Offline Reinforcement Learning for Mobile Notifications

论文笔记：Visualizing and Understanding Convolutional Networks

论文笔记：Learning Deep Features for Discriminative Localization

CAM：Learning Deep Features for Discriminative Localization论文翻译笔记（2016-CVPR）

【论文笔记】激光里程计 DMLO: Deep Matching LiDAR Odometry 2020

【论文笔记】激光里程计 DeepLO:Geometry-Aware Deep LiDAR Odometry 2019

论文笔记 【场景文字识别】What Is Wrong With Scene Text Recognition Model Comparisons? Dataset and Model Analysis

【论文笔记】Darts-可微神经架构搜索（一）

【论文笔记】DynaSLAM：动态场景中的跟踪、建图和场景修复 Tracking, Mapping, and Inpainting in Dynamic Scenes

《SiamFC++：Towards Robust and Accurate Visual Tracking with Target Estimation Guidelines》论文笔记

【论文笔记】基于会话的推荐系统综述--A Survey on Session-based Recommender Systems

matting系列论文笔记（三）：Boosting Semantic Human Matting with Coarse Annotations

Temporal Segment Networks: Towards Good Practices for Deep Action Recognition

深度学习第一篇论文阅读笔记（VQA Visual Question Answering）

ZFNet论文笔记--卷积可视化

翻译-2019-Object Detection in 20 Years: A Survey

《Gated-SCNN: Gated Shape CNNs for Semantic Segmentation》论文笔记

论文笔记——基于深度学习的3d点云处理

论文笔记：WORD TRANSLATION WITHOUT PARALLEL DATA

论文笔记：Bottom-Up and Top-Down Attention for Image Captioning and Visual Question Answering

《Bottom-Up and Top-Down Attention for Image Captioning and Visual Question Answering》——2018 CVPR论文笔记

论文笔记---Group-aware Label Transfer for Domain Adaptive Person Re-identification

KBQA新方法

【目标检测·yolo系列】YOLOV3目标检测论文笔记（参考 同济子豪兄的解读）

【目标检测·yolo系列】YOLOV2目标检测论文笔记（参考 同济子豪兄的解读）

【论文笔记（8）】PaDiM a Patch Distribution Modeling Framework for Anomaly Detection and Localization

异常检测论文

论文笔记--用于人体姿势估计的深度双连续网络（Deep Dual Consecutive Network for Human Pose Estimation）

论文笔记--(HRNet)用于人类姿势估计的深度高分辨率表征学习(Deep High-Resolution Representation Learning for Human Pose Estima)

论文笔记--3D Human Pose Estimation with Spatial and Temporal Transformers（用空间和时间变换器进行三维人体姿势估计）

ICCV2017【论文笔记】Representation Learning by Learning to Count

新的方式 E2EC: An End-to-End Contour-based Method for High-Quality High-Speed Instance Segmentation 论文笔记

减小模型训练成本的视频动作识别 Efficient Video Transformers with Spatial-Temporal Token Selection 论文精读笔记

MCAN论文进阶——MoVie: Revisting Modulated Convolutions for Visual Counting and Beyond 论文笔记

多类别目标计数 Towards Partial Supervision for Generic Object Counting in Natural Scenes 论文笔记

为了统计一切出现在图像上的目标类别的计数：Learning To Count Everything 论文笔记

论文笔记 《Next-ViT: Next Generation Vision Transformer for Efficient Deployment inRealistic Industrial 》

论文笔记：Meta-attention for ViT-backed Continual Learning CVPR 2022

Sentence-Bert论文笔记

论文笔记 | Sentence-BERT: Sentence Embeddings using Siamese BERT-Networks

【论文笔记】【CVPR2022】【异常检测】 Anomaly Detection via Reverse Distillation from One-Class Embedding

【论文笔记】Student-Teacher Feature Pyramid Matching for Anomaly Detection

论文笔记【场景文字识别】What Is Wrong With Scene Text Recognition Model Comparisons? Dataset and Model Analysis

【目标检测·yolo系列】YOLOV3目标检测论文笔记（参考同济子豪兄的解读）

【目标检测·yolo系列】YOLOV2目标检测论文笔记（参考同济子豪兄的解读）

论文笔记《Next-ViT: Next Generation Vision Transformer for Efficient Deployment inRealistic Industrial 》