深度学习中的后门攻击综述1.深度学习模型三种攻击范式1.1.对抗样本攻击1.2.数据投毒攻击1.3.后门攻击2.后门攻击特点3.常用术语和标记4.常用评估指标5.攻击设置5.1.触发器5.1.1.触发器属性5.1.2.触发器类型5.1.3.攻击类型5.2.目标类别5.3.训练方式1.深度学习模型三种攻击范式后门攻击是一种隐秘而具有挑战性的网络安全威胁，它指的是攻击者利用漏洞或特殊访问权限，在系统中

blog.csdn.net/youxitou/article/details/79312476问题错误异常：eclipse1)LoginTest(com.csdn.test.LoginTest)org.openqa.selenium.WebDriverException

摘要：以信息为中心的网络（ICN）已经成为一种特别的方法，用于克服基于IP的传统网络的许多局限性。但是，实现ICN所需的传统基础架构的巨大变化显着阻碍了网络运营商的采用。通过对替代部署策略进行了研究，将软件定义网络（SDN）作为与传统基础架构兼容的解决方案被提出，从而为将ICN概念集成到运营商网络中提供了新的可能性。文章讨论了这两种架构范例的无缝集成，并提出了可扩展的动态网络拓扑自举和管理框架，以

近似人眼梯度https://icml.cc/virtual/2023/oral/25482对抗性鲁棒分类器具有非鲁棒模型所没有的特征——感知对齐梯度（PAG）。它们相对于输入的梯度与人类的感知非常一致。一些研究已将PAG确定为稳健训练的副产品，但没有一篇研究将其视为一种独立现象，也没有研究其自身的影响。在这项工作中，我们关注这一特征并测试感知对齐梯度是否意味着鲁棒性。为此，我们制定了一个新的目标，

目录摘要ABSTRACT一、论文阅读1、题目2、摘要3、创新点4、模型整体架构5、文章解读1、Introduction2、相关工作3、实验4、结论二、深度学习一、GRU前向传播二、GRU反向传播三、GRU

[论文地址][代码][MICCAI23]Abstract息肉的准确分割是筛查过程中有效诊断结直肠癌的关键步骤。由于能够有效捕获多尺度上下文信息，普遍采用类似UNet的编码器-解码器框架。然而，两个主要限制阻碍了网络实现有效的特征传播和聚合。首先，跳跃连接仅将单个尺度特征传输到解码器，这可能导致特征表示有限。其次，特征在没有任何信息过滤器的情况下被传输，这对于在解码器处执行特征融合来说效率低下。为了

首先是关于SuMa的阅读，SuMa是一个完整的激光SLAM框架，核心在于“基于面元(surfel)”的过程，利用3d点云转换出来的深度图和法向量图来作为输入进行SLAM的过程，此外还改进了后端回环检测的过程，利用提出的面元的概念和使用到的虚拟帧来优化回环检测的过程。SuMa的核心分为以下几个步骤：1.SuMa预处理预处理的部分将3d点云转换为两张图，原文用的词是vertexmap和normalma

论文原题目：Adeepreinforcementlearning-basedmethodappliedforsolvingmulti-agentdefenseandattackproblems论文链接：https://www.sciencedirect.com/science/article/pii/S0957417421003377论文信息：目录1引言2问题制定与环境建模2.1多智能体防御与攻击

概述针对标准UNet这种欠完备的网络架构，提出了Ki-Net网络结构，这种网络结构通过较小的感受野能够检测到较为细微的结构。作者还将这种结构与UNet相结合起来，提出了Ki-UNet网络，在性能上得到了提升。Motivation尽管UNet网络是近年来医学分割领域非常流行的网络，但是，通过研究发现，UNet网络在检测细微的组织结构时性能很差。这是由Unet这种欠完备的网络中较大的感受野造成的。随着

虽然是跑路来NLP，但是还是立flag说要做个project，结果kaggle上的入门project给的例子用的是BERT，还提到这一方法属于transformer，所以大概率读完这一篇之后，会再看BERT的论文这个样子。在李宏毅的NLP课程中多次提到了RNN,CycleRNN,LSTM也简单在这里做一个总结（其实在课程上是在ML的课上介绍的）。因此这里大概分成几个部分：1.重听ML中RNN和LS

0、基本信息会议：2016-NIPS作者：ThomasN.Kipf，MaxWelling文章链接：VariationalGraphAuto-Encoder代码链接：VariationalGraphAuto-Encoder1、介绍本文提出一个变分图自编码器，一个基于变分自编码（VAE）的，用于在图结构数据上无监督学习的框架。其基本思路是：用已知的图（graph）经过编码（图卷积）学到节点向量表示的分

联邦多视图合成用于元宇宙标题:FederatedMulti-ViewSynthesizingforMetaverse作者:YiyuGuo;ZhijinQin;XiaomingTao;GeoffreyYeLi摘要:元宇宙有望提供沉浸式娱乐、教育和商务应用。然而，虚拟现实（VR）在无线网络上的传输是数据和计算密集型的，这使得引入满足严格的服务质量要求的新颖解决方案变得至关重要。随着边缘智能和深度学习的

@article{li2023deep,title={ADeepLearningFrameworkforInfraredandVisibleImageFusionWithoutStrictRegistration},author={Li,HuafengandLiu,JunyuandZhang,YafeiandLiu,Yu},journal={InternationalJournalofComput

@article{jung2020unsupervised,title={Unsuperviseddeepimagefusionwithstructuretensorrepresentations},author={Jung,HyungjooandKim,YoungjungandJang,HyunsungandHa,NamkooandSohn,Kwanghoon},journal={IEEETra

@article{xu2023murf,title={MURF:MutuallyReinforcingMulti-modalImageRegistrationandFusion},author={Xu,HanandYuan,JitengandMa,Jiayi},journal={IEEETransactionsonPatternAnalysisandMachineIntelligence},yea

LiZ,WangQ,TaoZ,etal.DeepAdversarialMulti-viewClusteringNetwork[C]//IJCAI.2019:2952-2958.摘要导读近年来，利用跨视图公共聚类结构的多视图聚类受到越来越多的关注。现有的多视图聚类算法使用浅层或线性嵌入函数来学习多视图数据的通用结构。这些方法不能充分利用多视图数据的非线性特性，然而对揭示复杂的类簇结构来说是非常重要的

GenerativeCooperativeLearningforUnsupervisedVideoAnomalyDetectionAbstract1.Introduction2.RelatedWork3.Method3.1.TrainingDataOrganization3.2.GenerativeCooperativeLearning3.2.1GeneratorNetwork3.2.2Pseud

好久没有更新论文阅读这个系列了…上一次更新还是在家…极度拖延我本人（真怕哪天写着写着就不更了hh）其实论文都有看但是看得太杂就也没有想记录一下。今天更新一篇小样本的综述论文的阅读笔记。

RepresentationLearningwithContrastivePredictiveCoding摘要这段文字是论文的摘要，作者讨论了监督学习在许多应用中取得的巨大进展，然而无监督学习并没有得到如此广泛的应用，仍然是人工智能中一个重要且具有挑战性的任务。在这项工作中，作者提出了一种通用的无监督学习方法，用于从高维数据中提取有用的表示，被称为“对比预测编码”（ContrastivePredi

摘要我们引入了YOLO9000，一个可以检测超过9000种类别的先进的实时目标检测系统。首先我们提出了多种yolo检测方法的提升方式，既新颖又参考了之前的工作。改进后的模型，YOLOV2在标准检测任务例如PASCALVO和COCO上都取得了领先。使用一个新颖的多尺度的训练方法，同一个YOLOV2模型可以在不同尺寸下行，提供了一种速度和准确率之间的简单的平衡。在67fps下，yolov2在VOC20

文章目录前言0、论文摘要一、Introduction1.1目标问题1.2相关的尝试1.3本文贡献二.相关工作三.本文方法3.1神经文本生成3.2动量校准四实验效果4.1数据集4.2对比模型4.3实施细节4.4评估指标4.5实验结果4.6消融实验五总结前言MomentumCalibrationforTextGeneration（2212）0、论文摘要大多数文本生成任务的输入和输出可以转换为两个标记序

文章目录前言0、论文摘要一、Introduction二.背景2.1自动总结任务2.2数据集DUC-2004Gigaword[Graffetal.,2003,Napolesetal.,2012]CNN/DailyMail[Nallapati等人，2016]XSum[Narayan等人，2018]2.3摘要系统的评估2.3.1Rouge[Lin,2004]三.抽象概括技术3.1前神经网络时代3.1.1

文章目录前言0、论文摘要一、Introduction1.1目标问题1.2相关的尝试1.3本文贡献二.相关工作2.1优势三.本文方法——抽象概括的对比学习框架3.1第一阶段：候选生成3.2第二阶段：无参考评估3.3对比训练四实验效果4.1数据集4.2对比模型4.3实施细节4.4评估指标4.5实验结果4.6细粒度分析4.6.1实体级4.6.2句子级4.7XSum数据集的结果五总结前言SimCLS:AS

文章目录前言0、论文摘要一、Introduction1.1目标问题1.2相关的尝试1.3本文贡献二.相关工作三.本文方法3.1背景：基于能量的模型3.2一致性能量函数3.3训练损失3.4联合推理四实验效果4.1数据集4.2对比模型4.3实施细节4.4评估指标4.5实验结果五总结局限性前言使用能量函数提高文本摘要的一致性（2310）code项目没有放出代码paper0、论文摘要当前的抽象摘要模型经常

文章目录前言0、论文摘要一、Introduction1.1目标问题1.2相关的尝试1.3本文贡献二.前提堆叠重新排序三.本文方法3.1总结为两阶段学习3.1.1基础系统3.1.2元系统3.2重构文本摘要3.2.1重构3.2.2预训练重构3.2.3微调重构3.2.4应用场景3.2.4.1重构为基础学习者3.2.4.2重构为元学习者四实验效果4.1数据集4.2对比模型4.3实施细节4.4评估指标4.5

DreamTalk：当表情丰富的说话人头生成遇到扩散概率模型paper：[2312.09767]DreamTalk:WhenExpressiveTalkingHeadGenerationMeetsDiffusionProbabilisticModels(arxiv.org)code：GitHub-ali-vilab/dreamtalk:Officialimplementationsforpaper

速览0.Abstract0.1逐句翻译0.2I.INTRODUCTION1.1翻译第一段（时空数据补全是常见的问题，有研究价值）第二段（前人研究从历史值当中进行自回归，历史值本身就不要准确，这种方式会自然而然的扩大累积误差）第三段（扩散模型可以避免这种累积误差，前人利用扩散模型时候没有很好的利用更多周围信息和环境信息，而略微显得单薄了。）第四段（详细介绍实现细节）1.2总结III.METHODOL

论文题目High-throughputcryo-ETstructuralpatternminingbyunsuperviseddeepiterativesubtomogramclustering摘要现有的结构排序算法的吞吐量低，或者由于依赖于可用模板和手动标签而固有地受到限制。本文提出了一种高吞吐量的、无需模板和标签的深度学习方法，即deepiterativesubtomogramclusteri

【论文阅读】Cross-lingualKnowledgeGraphAlignmentviaGraphMatchingNeuralNetworkAbstract以前的跨语言知识图谱（KG）对齐研究依赖于仅从单语

本文作为博客“Transformer-Attentionisallyouneed论文阅读”的补充内容，阅读的内容来自于https://pytorch.org/tutorials/intermediate

badcasehttps://huggingface.co/runwayml/stable-diffusion-inpainting/discussions/31论文MAT论文：MAT:Mask-AwareTransformerforLargeHoleImageInpainting代码：摘要：RePaint论文：RePaint:InpaintingusingDenoisingDiffusionPr

InP-Based_Generic_Foundry_Platform_for_Photonic_Integrated_Circuits时间：2018年作者：LucM.Augustin,Member,IEEE,RuiSantos,ErikdenHaan,StevenKleijn,PeterJ.A.Thijs,SylwesterLatkowski,SeniorMember,IEEE,DanZhao,W

红外场景单目深度估计的难点缺乏准确的深度参考标准：红外场景下的深度估计通常需要依赖于大量的输入图像和对应的深度值作为训练的约束。然而，获取准确的深度参考标准是一个挑战，目前常用的方法是使用红外传感器（如Kinect）或激光雷达，但它们的精度有限或价格昂贵。多尺度信息的处理：红外场景中存在着不同尺度的物体，而不同尺度的物体对应的深度信息也不同。因此，在单目深度估计中，如何有效地处理多尺度信息是一个难

两篇完整模态脑瘤分割论文，都是使用Transformer，没有什么特别的特色，也没有开源代码，因此只是简单记录一下。3DCATBraTS:ChannelattentiontransformerforbraintumoursemanticsegmentationElBadaouiR,CollEB,PsarrouA,etal.3DCATBraTS:Channelattentiontransformer

ZhouT,RuanS,HuH.AliteraturesurveyofMR-basedbraintumorsegmentationwithmissingmodalities[J].ComputerizedMedicalImagingandGraphics,2023,104:102167.这篇文献综述重点探讨了在磁共振成像（MRI）用于脑肿瘤分割时面临的一项主要挑战：部分MRI模态的缺失（本文将范围

WangH,ChenY,MaC,etal.Multi-ModalLearningWithMissingModalityviaShared-SpecificFeatureModelling[C]//ProceedingsoftheIEEE/CVFConferenceonComputerVisionandPatternRecognition.2023:15878-15887.【论文概述】本文的核心思想

这是复旦大学2023.12.28开放出来的数据集和论文，感觉很宝藏，稍微将阅读过程记录一下。ZhengQ,ZhaoW,WuC,etal.Large-scaleLong-tailedDiseaseDiagnosisonRadiologyImages[J].arXivpreprintarXiv:2312.16151,2023.项目主页：https://qiaoyu-zheng.github.io/RP

前言：本文为记录自己在Nerf学习道路的一些笔记，包括对论文以及其代码的思考内容。公众号：AI知识物语B站讲解：出门吃三碗饭摘要摘要本文的总目标是实现从2D图片到3D模型的高保真重建（使用神经渲染方法）。2020年Niemeyer等人提出的DVR和2020年Yariv等人提出的IDR是现存的神经表面重建（neuralsurfacereconstruction）方法，但他们都依赖前景遮罩（foreg

用于查询性能预测的计划结构深度神经网络模型论文阅读和复现24.【X=1.1】在关系数据库查询优化领域，对查询时间的估计准确性直接决定了查询优化结果，进而影响到数据库整体的查询效率。

目录一、论文阅读笔记：1、摘要：2、主要贡献点：3、方法：3.1网络的总体框架图：3.2Transformer-basedInformationPropagationPath(TIPP)3.3Intra-Modal

目录概述摘要引言参数化效率歧义性mip-NeRF场景和光线参数化从粗到细的在线蒸馏基于区间的模型的正则化实现细节实验限制总结：附录退火膨胀采样背景颜色paper：https://arxiv.org/abs/2111.12077code：https://github.com/google-research/multinerfproject：https://jonbarron.info/mipnerf

目录目标方法几何生成CoarsegeometryGeometrydetailcurving头发纹理生成训练纹理diffusion两阶段双流外观优化基于物理的纹理生成动画生成实验结果实现细节MoreResults限制链接projecthttps://sites.google.com/view/dreamfacepaperhttps://arxiv.org/abs/2304.03117videohtt

目录前置知识摘要引言相关工作方法比较喜欢的一篇工作project：https://bmild.github.io/rawnerf/paper：https://arxiv.org/abs/2111.13679code：https://github.com/google-research/multinerfvideo【推荐】：https://www.youtube.com/watch?v=JtBS4K

目录StableViewSynthesis摘要引言EnhancedStableViewSynthesis从Mip-NeRF360的对比实验中找到的两篇文献，使用了卷积神经网络进行渲染和新视角合成，特此记录一下ToDoStableViewSynthesispaper：https://readpaper.com/pdf-annotate/note?pdfId=4739365752692277249&n

前言这是一篇发表在CVPR2023上的文章，ARotation-Translation-DecoupledSolutionforRobustandEfficientVisual-InertialInitialization，深蓝学院还有作者对这项工作的介绍：VIO初始化探究：旋转平移解耦的高效鲁棒初始化-深蓝学院-专注人工智能与自动驾驶的学习平台https://www.shenlanxueyuan

前言StereoVisual-InertialOdometryWithOnlineInitializationandExtrinsicSelf-Calibration这篇论文是2023年TIM上的一篇文章，主要是针对双目视觉惯性里程计的初始化问题，实现了一个除了估计IMU偏置，速度，重力，IMU-相机外参和平移比例因子的初始值等参数，同时还可以估计外参的初始化系统。一、问题背景视觉和IMU互补。不

在vit以后证明了transformer在视觉任务中的一系列表现videoswintransformer在视频上很好的效果swinMLP自监督掩码自监督效果很炸裂swintransformer成了视觉领域一个绕不开的baseline题目层级式移动窗口层级式的特征提取，特征有多尺度的概念MRSA微软亚洲研究院viT只是做了分类的任务，这个可以适用于很多视觉任务通过一种移动窗口的方式去学习，大大降低了

Forecastingatscale一、前言二、背景1、数据集2、现有模型三、prophet模型1、模型概述2、趋势部分2.1、非线性模型2.2线性模型2.3自动变点选择2.4趋势预测的不确定性3、周期项4、节假日事件项5、模型拟合6、分析闭环建模三、预测自动评估1、使用基线预测2、模型预测精度3、模拟历史预测4、识别大的预测误差四、结束语一、前言该文章是fbprophet提出时对应的官方论文，同

目录1.什么是时间序列2.什么是时间序列预测3.时间序列预测的范式4.时间序列的专有名词介绍5.时间序列评估1.什么是时间序列按时间先后顺序出现的有序序列2.什么是时间序列预测点预测：预测未来的某一个时间点，它的值到底是多少，例如明天的收盘股价、最高温度等。区间预测：明天的温度范围，例如-8~4°，落在这个范围的概率是多少时间序列预测，不仅可预测，还要可定量预测。例如股票，你除了告诉我明天股票会涨

论文：https://arxiv.org/pdf/1512.03385.pdfDeepResidualLearningforImageRecognition本模块主要是阅读论文，会做简单的翻译（至少满足我自己能看明白）。Introduction由上图可见，在20层和56层的网络上训练的训练误差和测试误差的变化，可以看到层数加深不一定能带来性能上的提升，甚至更糟了。这就引出了文章的疑问（有些和直觉相