agnostic

什么是计算机领域的 hyperscaler agnostic？

在计算机软件领域，hyperscaleragnostic是一个描述软件设计哲学或者架构选择的术语，它意味着该软件或系统被设计为不依赖于任何特定的超大规模云服务提供商（如AmazonWebServices、MicrosoftAzure、GoogleCloudPlatform等）的特定技术或服务。这种设计哲学旨在确保软件应用能够在不同的云环境中灵活运行，而不会因为对某个特定云提供商的技术依赖而受限。在

·2024-02-24 21:30

元学习（Meta-learning）如MAML（Model-Agnostic Meta-Learning）的优点和缺点，以及使用元学习如MAML时，需要注意以下问题

元学习（Meta-learning）如MAML（Model-AgnosticMeta-Learning）1.元学习（Meta-learning）如MAML（Model-AgnosticMeta-Learning）的优点：2.元学习（Meta-learning）如MAML（Model-AgnosticMeta-Learning）的缺点：3.使用元学习如MAML时，需要注意以下问题：元学习（Meta-

小桥流水---人工智能·2024-02-02 19:38

论文学习笔记：PoseFix: Model-agnostic General Human Pose Refinement Network

论文：https://arxiv.org/abs/1812.03595代码：https://github.com/mks0601/PoseFix_RELEASE—————————————————————————————————————————————————目标：多人姿态估计：本篇论文主要工作是利用一个人体姿势优化网络，从输入图像和姿势中对人体姿态进行优化。大概的效果如下图：———————————

wangyc1208·2024-01-31 15:05

可以在家里制作的一些夏日甜品/饮料

（微博用户：Erebus_Agnostic）2.风行学生奶（那种正面背面都是小学生画的）直接放冰箱速冻，你放什么味道进去就是什么味道的雪糕，这是我无意中发现的，口感真的超好，不像别的饮品放冰箱速冻（单纯一块

娑之树·2024-01-26 16:48

第十一章：大模型之Adaptation

从语⾔模型的训练⽅式来说，语⾔模型，例如GPT-3，通常是任务不可知（task-agnostic），task-agnostic这个词组⽤于描述⼀种不针对任何特定任务进⾏优化的⽅法或模

LucyFang2020·2024-01-24 08:45

跨越鸿沟

https://www.tonysheng.com/ethos-agnostic-users-growth3种人：投机者，信仰者，非信仰者（后2者均为用户）投机者追涨杀跌，他们的所作所为和产品怎么样没有任何关系

RP·2024-01-13 09:22

Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks

MAML的核心思想是利用元学习来找到一个好的模型初始化，从而能够在新任务上进行快速适应。这种方法旨在处理“少样本学习”的挑战，即当新任务的数据量非常有限时如何有效地学习。传统学习的数据点是一个样本，而元学习的数据点是一个小数据集（任务），任务包含了很多样本。元学习对每个任务中的每个样本进行训练得到每个任务的loss，并得到任务的损失和losses。对losses进行优化来更新元学习模型的参数。MA

lude·2023-10-12 08:21

LIDA:让LLM自动可视化数据-《LIDA: A Tool for Automatic Generation of Grammar-Agnostic Visualizations and Info》

1.简介LIDA用LLM来自动对数据进行可视化，其基本信息如下：论文名称：LIDA:AToolforAutomaticGenerationofGrammar-AgnosticVisualizationsandInfographicsusingLargeLanguageModels项目主页：https://microsoft.github.io/lida/github:https://github.

chencjiajy·2023-09-29 22:56

【CVPR2022】ST-MVDNet:Modality-Agnostic Learning for Radar-Lidar Fusion in Vehicle Detection论文阅读分析与总结

Challenge：之前的研究都是在假设模型总是可以访问两个无错误传感器输入的情况下，MVDNet多模态输入模型其中一个传感器不可用或丢失，模型可能会寄。而直接屏蔽一个输入流的强数据增强，将使模型依赖于一个清晰的蒸汽而忽略缺失的流，直接随机缺失传感器训练的模型不能有效地融合两个传感器的两个特征。模型学习更多的是每个模态单独工作，以便即使缺少一个传感器，它也能够生成预测。Contribution：1

zhSunw·2023-09-15 05:30

论文阅读：Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks

前言要弄清MAML怎么做，为什么这么做，就要看懂这两张图。先说MAML**在做什么？**它是打着Mate-Learing的旗号干的是few-shotmulti-taskLearning的事情。具体而言就是想训练一个模型能够使用很少的新样本，快速适应新的任务。定义问题我们定义一个模型fff,输入xxx输出aaa。-定义每一个Task-TTT包含一个损失函数LLL,一个原始观察q(x1)q(x_1)q

BlueagleAI·2023-08-27 08:47

【论文学习】Distortion Agnostic Deep Watermarking

一、前言论文链接：DistortionAgnosticDeepWatermarking论文主要内容：该文献提出了一种失真不可知的鲁棒水印模型，以解决现有DNN鲁棒水印方法的局限性。现有的DNN鲁棒水印方法，通常是在训练阶段将各类失真（例如JPEG压缩、高斯噪声、裁剪等…）纳入端到端网络中的噪声层，进行鲁棒训练，以获得抵抗攻击的鲁棒性。但在实际传输中，水印图像可能面临不同强度和类型的破坏与攻击，无法

小敏同学·2023-08-25 02:39

可解释机器学习笔记（一）——可解释性

(FeatureSummaryVisualization)模型内部(ModelInternal)数据点(DataPoint)代理模型特定于模型(Model-specific)or模型无关(Model-agnostic

小白成长之旅·2023-07-16 18:11

Traceback (most recent call last):

1000,device=,view_img=False,save_txt=False,save_conf=False,save_crop=False,nosave=False,classes=None,agnostic_nms

9677·2023-06-09 00:37

《Rank-LIME: Local Model-Agnostic Feature Attribution for Learning to Rank》论文精读

文章目录一、论文信息摘要二、要解决的问题现有工作存在的问题论文给出的方法（Rank-LIME）介绍贡献三、前置知识LIMEFeatureAttributionModel-AgnosticLocalLearningtoRank（LTR）单文档方法（PointWiseApproach）文档对方法（PairWiseApproach)文档列表方法（ListWiseApproach)三种方法的对比post-

GCTTTTTT·2023-04-13 19:00

【论文阅读--WSSS】Multi-class Token Transformer for Weakly Supervised Semantic Segmentation

/abs/2203.02891代码链接：https://github.com/xulianuwa/mctformer方法plainViT只有一个clstoken,对应得到的attnmap是class-agnostic

Nastu_Ho-小何同学·2023-04-08 17:03

解决报错 OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized 【转】

butfoundlibiomp5md.dllalreadyinitialized(py38)D:\Pycharm\Yolov5_DeepSort_Pytorch>pythontrack.pyNamespace(agnostic_nms

pzb19841116·2023-04-02 09:18

Involution-Convolution

卷积有两个基本的性质：空间不变性（spatial-agnostic）空间不变性使得卷积能够在所有位置共享参数，并充分利用视觉特征的“平移等变性”。

studyeboy·2023-02-24 15:46

Involution（附对Involution的思考）：港科大、字节跳动、北大提出“内卷”神经网络算子，在CV三大任务上提点明显

卷积有两个基本性质，分别是空间不变性(spatial-agnostic)和通道特异性(channel-specific)。空间不变性使得卷积能够在所有位置共享参数，并充分利用视觉特征的“平移等变性”。

FightingCV·2023-02-24 15:45

CVPR 2021 Involution: Inverting the Inherence of Convolution for Visual Recognition

动机卷积操作具有两个显著特性，即spatial-agnostic和channel-specific。spatial-agnostic：图像所有位置都使用同一个卷积核，实现了平移不变性。

smile909·2023-02-24 15:45

《Counting Out Time: Class Agnostic Video Repetition Counting in the Wild》论文笔记

CountingOutTime:ClassAgnosticVideoRepetitionCountingintheWildAbstract我们提出了一种估计视频中重复动作周期的方法。该方法的关键在于限制周期预测模块使用时间自相似性作为中间表示瓶颈，从而使模型对自然场景下未曾见过的重复视频具有泛化性。我们使用合成数据集来训练模型（RepNet\text{RepNet}RepNet），该数据集从一个大

会飞的鱼chelmx·2023-02-06 12:02

《Domain Agnostic Learning with Disentangled Representations》代码

文章目录`class_loss`分类交叉熵损失_论文公式（2）`ring_loss`Ring-styleNormalization_论文公式(8)`mutual_information`_论文公式(5/6/7)`confusion_loss`LentL_{ent}Lent_论文公式(3)`alignment_loss``Reconstruction`重构损失_论文公式(1)与论文对比class_l

F_aF_a·2023-02-02 09:29

《Domain Agnostic Learning with Disentangled Representations》ICML 2019

这篇文章是ICML2019上一篇做域适应的文章，无监督域适应研究的问题是如何把源域上训练的模型结合无lable的目标域数据使得该模型在目标域上有良好的表现。之前的研究都有个假设，就是数据来自哪个域是有着域标签的，其实这不太现实，就拿手写字识别打比方，不同的人使用不同的笔如纸张，那写出来的字会是不同的域的，识别的时候不可能模型还得需要知道待识别的字来自哪个域。这篇文章研究的内容是如何把有标注的源域信

didi7081·2023-02-02 09:55

Domain Agnostic Learning with Disentangled Representations

DomainAgnosticLearningwithDisentangledRepresentations第一章领域未知的表示学习文章目录DomainAgnosticLearningwithDisentangledRepresentations前言一、方法介绍和相关代码二、解纠缠代码2.1约束1约束2约束3前言DomainAgnosticLearningwithDisentangledRepres

black_and_white_girl·2023-02-02 09:24

2019_ICML_Domain Agnostic Learning with Disentangled Representations

论文地址：https://arxiv.org/pdf/1904.12347.pdf代码地址：https://github.com/VisionLearningGroup/DAL1研究动机与研究思路研究动机：之前的研究都有一个强假设，目标数据从同一分布均匀采样。本文提出Domain-AgnosticLearning(DAL)问题，即如何把有标注的源域信息迁移到无标注的任意目标域数据上。这个问题存在两

谷子君·2023-02-02 09:21

小样本语义分割—CANet: Class-Agnostic Segmentation Networks with Iterative Refinement andAttentive Few-Shot

一，DenseComparisonModule（DCM密集比较模块）该模块由两个子模块组成：①特征提取器②特征密集比较模块1.特征提取器使用在Imagenet上进行了预训练的ResNet-50作为特征提取器的主干。因为较低层中的特征通常与低级线索（例如，边缘和颜色）相关，而较高层中的特性与对象级别概念（例如，对象类别）相关。ResNet中的层基于空间分辨率分为4个Block，自然对应于4个不同的表

老男孩li·2023-02-01 20:49

手把手带你调参Yolo v5 (v5.0-v7.0)（一）

修改了4.2.12一处图片标注错误更新日志：2022/5/17对部分图片添加水印更新日志：2022/8/27修改了文章标题，v6.2的detect文件中并没有添加新的参数更新日志：2022/9/1对“agnostic-nms

AiCharm·2023-01-30 12:26

论文阅读笔记《DFVS: Deep Flow Guided Scene Agnostic Image Based Visual Servoing》

核心思想该文提出一种利用光流估计和深度估计的基于图像的视觉伺服算法，传统的基于图像的视觉伺服算法中有两个难点：一是需要人工选择特征点，而且特征点必须在相机的视野范围之内，一旦特征点丢失，视觉伺服过程可能失效；二是需要知道特征点的深度信息，传统方法通常采用近似或根据机器人里程计进行估计的方法来获得。针对这两个难点，该文提出了利用深度学习方法来进行光流估计和深度估计的方法，光流估计可以得到两幅图像

深视·2023-01-29 00:06

Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks

摘要我们为元学习提出了一个算法是模型无关model−agnosticmodel-agnosticmodel−agnostic.在某种意义上，其与用梯度下降训练的模型是兼容的，可以应用在大量不同的学习问题上

big_matster·2023-01-14 12:28

Yolov5设置不同类别元素之间使用NMS非极大值抑制

如果想要所有的元素一起使用NMS，可以这样设置：进入utils的general.py，在791行添加agnostic=True进行类间NMS时改为True后：

一位安分的码农·2023-01-05 10:30

yolov5 nms 源码理解

，以一个二分类的模型举例说明，对nms的理解defnon_max_suppression(prediction,conf_thres=0.25,iou_thres=0.45,classes=None,agnostic

程序之巅·2023-01-05 10:24

【Meta-Learning】Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks

文章目录Abstract1Introduction2Model-AgnosticMeta-learning2.1Meta-LearningProblemSet-up2.2AModel-AgnosticMeta-LearningAlgorithm3ExperimentalEvaluation3.1Regression3.2Classification4DiscussionandFutureWorkA

桑戈塔的七菇凉·2023-01-03 14:20

Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks相关

元学习论文总结||小样本学习论文总结2017-2019年计算机视觉顶会文章收录AAAI2017-2019CVPR2017-2019ECCV2018ICCV2017-2019ICLR2017-2019NIPS2017-2019论文翻译：https://blog.csdn.net/weixin_41803874/article/details/91454944Thevideotutorialcanbe

TBYourHero·2023-01-03 14:50

Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks(MAML)简析

在看MAML这篇论文的时候，因为是初学者，很多都不懂，网上查了许多资料也没看明白，最后来来回回找了很多资料结合原文才看懂一些，在这简单分享一下。什么是元学习？元学习(meta-learning)已经有很多定义了，最常见的就是学习学习，即learningtolearn。这里从其他方向说一个可能不是很好但是有助于理解的定义，就是把常规的训练模型的某一个过程替换成一个可学习的模块。比如：MAML就是把模

薛定谔的哆啦B梦·2023-01-03 13:40

MAMP：基于 model-agnostic 的V2V协同感知（3D目标检测）

论文标题：Model-AgnosticMulti-AgentPerceptionFramework发表会议/期刊：数据集：OPV2V问题：尽管现有的融合框架已经获得了显著的3D目标检测性能提升，但它们假设所有合作的agent共享一个具有相同参数的模型。这一假设在实践中很难满足，特别是在自动驾驶中。在自动驾驶汽车之间分享模型参数可能会引起隐私和保密问题，特别是对于来自不同汽车公司的车辆。即使是同一公

superbzhoucc·2023-01-01 09:53

YOLOv5——NMS

defnon_max_suppression(prediction,conf_thres=0.25,iou_thres=0.45,classes=None,agnostic=False,multi_label

OngoingDC·2022-12-22 10:29

YOLOv5配置过程中：AttributeError: Can‘t get attribute ‘C3‘ on ＜module ‘models.common‘ from ‘xxx‘

/runs/train/exp1/weights/best.ptNamespace(agnostic_nms=False,augment=False,classes

LYiiiiiii·2022-12-15 18:02

ViLBERT: Pretraining Task-Agnostic Visiolinguistic Representations for Vision-and-Language Tasks

目录ViLBERT:ExtendingBERTtoJointlyRepresentImagesandTextExperimentalSettingsReferencesViLBERT:Vision-and-LanguageBERTViLBERT:ExtendingBERTtoJointlyRepresentImagesandTextTwo-streamArchitecture:ViLBERT采用t

连理o·2022-12-15 18:55

CVPR 2019 ViLBERT: Pretraining Task-Agnostic Visiolinguistic Representations for Vision-and-Language

动机现存方法的两大局限性：视觉理解任务使用的主要策略是先基于其他大规模任务分别预训练视觉和语言模型，然后将其作为具体任务的一部分基础知识。然而，1）这种方案学习到的基础知识并不牢靠，当visiolinguisticdata有限或者有偏时(biased)，模型的泛化能力很差。此外，2）在单模态数据上学习的近乎完美的表征，往往忽略了与其他模态之间的联系。比如，即使狗品种分类的视觉表征是完美的，但在下游

smile909·2022-12-15 18:54

【论文笔记】ViLBERT:Pretraining Task-Agnostic VisiolinguisticRepresentations for Vision-and-Language Tasks

论文标题：ViLBERT:PretrainingTask-AgnosticVisiolinguisticRepresentationsforVision-and-LanguageTasksViLBERT：视觉和语言任务的预训练任务不可知视觉语言表示论文链接：https://arxiv.org/abs/1908.02265论文代码：数据集地址：https://github.com/google-re

来自γ星的赛亚人·2022-12-15 18:24

论文阅读笔记《Few-Shot Learning with Metric-Agnostic Conditional Embeddings》

小样本学习&元学习经典论文整理||持续更新核心思想本文提出一种基于度量学习的小样本学习算法，思想上与RelationNetwork接近，没有明确定义一种度量方法，而是利用卷积神经网络学习并利用softmax层输出属于各个类别的概率值，但在结构上与RelationNetwork大有不同，并且增加了一个调节模块。整个网络分成四个阶段：特征提取阶段，相关性阶段，调节阶段和分类阶段，整个网络的结构如下

深视·2022-12-15 18:24

论文解读ViLBERT: Pretraining Task-Agnostic Visiolinguistic Representations for Vision-and-Language Tasks

ViLBERT(shortforVision-and-LanguageBERT)是一个Task-Agnostic（无特定任务的）的多模态图文预训练模型。论文链接:link.首先从结构上来说。

黑夜使者·2022-12-15 18:24

视觉理解论文系列(四)ViLBERT: Pretraining Task-Agnostic Visiolinguistic Representations for Vision-and-Languag

摘要本篇论文的作者来自于佐治亚理工学院、俄勒冈州立大学、FacebookAI研究院。本文提出ViLBERT(Vision-and-LanguageBERT)，该模型用来学习任务无关的图像和自然语言联合表征。ViLBERT在BERT的基础上拓展为多模态的双流模型，在各自的流中处理图像和文本输入，这两个流通过Co-attentiontransformer层进行交互。ViLBERT应用到下游任务时仅需对

薛定猫的谔w·2022-12-15 18:53

目标检测新方式 | class-agnostic检测器用于目标检测（附论文下载链接）

计算机视觉研究院专栏作者：Edison_G目标检测模型在定位和分类训练期间显示目标时表现良好，然而，由于创建和注释检测数据集的难度和成本，训练过的模型检测到数量有限的目标类型，未知目标被视为背景内容。这阻碍了传统检测器在现实应用中的采用，如大规模物体匹配、visualgrounding、视觉关系预测、障碍检测（确定物体的存在和位置比找到特定类型更重要）等。公众号ID｜ComputerVisionG

计算机视觉研究院·2022-12-15 18:53

class-aware detector和class-agnostic detector区别

https://www.quora.com/What-does-%E2%80%9Cclass-agnostic%E2%80%9D-in-most-of-the-object-detection-papers-meanForaclass-awaredetector

OliverkingLi·2022-12-15 18:23

论文阅读笔记--Clustered Federated Learning:Model-Agnostic Distributed Multitask Optimization Under Privacy

Introduction传统的ParameterServer（P-S）架构的联邦学习系统尝试训练出一个模型，让它能适用于每一个client的数据分布，这暗含了一个假设，模型的最优解θ∗\theta^*θ∗同时是所有client的最优解，各个client的模型是全等的（congruent）。也就是作者提到的Assumption1:显然这个条件不是任何时候都可以得到满足的，作者列举了两种例子：1）模型

Shawn2134123·2022-12-15 18:23

论文浅尝 | TKGR with Low-rank and Model-agnostic Representations

笔记整理：李行，天津大学硕士链接：https://arxiv.org/pdf/2204.04783v1.pdf动机现有MKGC方法中的知识转移效率低下，因为它们分别对每个KG进行编码并通过强制对齐的实体共享相同的嵌入来转移知识。亮点本文的亮点主要包括：（1）通过将实体对齐视为一种新的边缘类型并引入关系感知注意机制来控制知识传播来处理MKGC的知识不一致问题；（2）提出了一种新的具有自我监督的对齐对

开放知识图谱·2022-12-15 18:52

目标检测中bbox回归中class-agnostic和class-specific的区别

明显是网络预测的object类别数目不同。class-specific方式，很多地方也称作class-aware的检测，是早期FasterRCNN等众多算法采用的方式。它利用每一个RoI特征回归出所有类别的bbox坐标，最后根据classification结果索引到对应类别的box输出。这种方式对于mscoco有80类前景的数据集来说，并不算效率高的做法。对于class-aware的检测器，如果向

THE@JOKER·2022-12-13 09:51

MAML（Model-Agnostic Meta-Learning）

Model-AgnosticMeta-LearningforFastAdaptationofDeepNetworks摘要MAML(Model_agnosticmeta-learning)元学习问题建立N-wayK-shot与模型无关的元学习算法知乎解释https://zhuanlan.zhihu.com/p/57864886摘要我们提出了模型未知的元学习模型（模型未知就是说是一种框架，可以兼容任何

weixin_40248634·2022-12-12 20:07

MAML (Model-Agnostic Meta-Learning) 解读

论文地址：proceedings.mlr.press/v70/finn17a/finn17a.pdf5.1简介Model-Agnostic：可适用于任何梯度下降的模型，可用于不同的学习任务（如分类、回归

千羽QY·2022-12-12 20:37

推荐频道

agnostic

什么是计算机领域的 hyperscaler agnostic？

元学习（Meta-learning）如MAML（Model-Agnostic Meta-Learning）的优点和缺点，以及使用元学习如MAML时，需要注意以下问题

论文学习笔记：PoseFix: Model-agnostic General Human Pose Refinement Network

可以在家里制作的一些夏日甜品/饮料

第十一章：大模型之Adaptation

跨越鸿沟

Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks

LIDA:让LLM自动可视化数据-《LIDA: A Tool for Automatic Generation of Grammar-Agnostic Visualizations and Info》

【CVPR2022】ST-MVDNet:Modality-Agnostic Learning for Radar-Lidar Fusion in Vehicle Detection论文阅读分析与总结

论文阅读：Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks

【论文学习】Distortion Agnostic Deep Watermarking

可解释机器学习笔记（一）——可解释性

Traceback (most recent call last):

《Rank-LIME: Local Model-Agnostic Feature Attribution for Learning to Rank》论文精读

【论文阅读--WSSS】Multi-class Token Transformer for Weakly Supervised Semantic Segmentation

解决报错 OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized 【转】

Involution-Convolution

Involution（附对Involution的思考）：港科大、字节跳动、北大提出“内卷”神经网络算子，在CV三大任务上提点明显

CVPR 2021 Involution: Inverting the Inherence of Convolution for Visual Recognition

《Counting Out Time: Class Agnostic Video Repetition Counting in the Wild》论文笔记

《Domain Agnostic Learning with Disentangled Representations》代码

《Domain Agnostic Learning with Disentangled Representations》ICML 2019

Domain Agnostic Learning with Disentangled Representations

2019_ICML_Domain Agnostic Learning with Disentangled Representations

小样本语义分割—CANet: Class-Agnostic Segmentation Networks with Iterative Refinement andAttentive Few-Shot

手把手带你调参Yolo v5 (v5.0-v7.0)（一）

论文阅读笔记《DFVS: Deep Flow Guided Scene Agnostic Image Based Visual Servoing》

推荐系统+因果推断（二）——kdd‘21用反事实推理缓解召回阶段的数据流行度偏差Model-Agnostic Counterfactual Reasoning for EliminatingPopu

Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks

Yolov5设置不同类别元素之间使用NMS非极大值抑制

yolov5 nms 源码理解

【Meta-Learning】Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks

Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks相关

Model-Agnostic Meta-Learning for Fast Adaptation of Deep Networks(MAML)简析

MAMP：基于 model-agnostic 的V2V协同感知（3D目标检测）

YOLOv5——NMS

YOLOv5配置过程中：AttributeError: Can‘t get attribute ‘C3‘ on ＜module ‘models.common‘ from ‘xxx‘

ViLBERT: Pretraining Task-Agnostic Visiolinguistic Representations for Vision-and-Language Tasks

CVPR 2019 ViLBERT: Pretraining Task-Agnostic Visiolinguistic Representations for Vision-and-Language

【论文笔记】ViLBERT:Pretraining Task-Agnostic VisiolinguisticRepresentations for Vision-and-Language Tasks

论文阅读笔记《Few-Shot Learning with Metric-Agnostic Conditional Embeddings》

论文解读ViLBERT: Pretraining Task-Agnostic Visiolinguistic Representations for Vision-and-Language Tasks

视觉理解论文系列(四)ViLBERT: Pretraining Task-Agnostic Visiolinguistic Representations for Vision-and-Languag

目标检测新方式 | class-agnostic检测器用于目标检测（附论文下载链接）

class-aware detector和class-agnostic detector区别

论文阅读笔记--Clustered Federated Learning:Model-Agnostic Distributed Multitask Optimization Under Privacy

论文浅尝 | TKGR with Low-rank and Model-agnostic Representations

目标检测中bbox回归中class-agnostic和class-specific的区别

MAML（Model-Agnostic Meta-Learning）

MAML (Model-Agnostic Meta-Learning) 解读