cs.CV论文笔记第38页

【论文笔记】Bert：Pre-training of Deep Bidirectional Transformers for Language Understanding

原文作者：JacobDevlin，Ming-WeiChang，KentonLee，KristinaToutanova原文标题：Bert：Pre-trainingofDeepBidirectionalTransformersforLanguageUnderstanding原文来源：谷歌AI团队原文链接：https://arxiv.org/pdf/1810.04805.pdfBert：Pre-trai

BodyCsoulN·2022-12-13 06:18

[论文笔记]UNDERSTANDING AND ENHANCING THE TRANSFERABILITY OF ADVERSARIAL EXAMPLES

研究背景在对抗攻击中，对抗样本可迁移性是人们关注的一个点。黑盒攻击的成功率一直不高，这背后的攻击机制需要探索，并且需要改进攻击效果。主要贡献本文从两个角度分析了影响对抗样本可迁移性的因素：模型本身性质和构造对抗样本时的loss函数的局部光滑性本文提出了一种提升黑盒攻击成功率的方法，variance-reducedattack。主要方法1、模型本身性质对于对抗样本迁移性的影响（1）模型结构作者主要研

study0098·2022-12-13 02:05

基于特征的对抗迁移学习论文_用于部分迁移学习的加权对抗网络 | CVPR 2018论文解读...

这是PaperDaily的第60篇文章本期推荐的论文笔记来自PaperWeekly社区用户@jindongwang。本文是伍伦贡大学(UniversityofWollongong)发表于C

山山笔记·2022-12-13 02:35

PVTv2 论文笔记

PVTv2:ImprovedBaselineswithPyramidVisionTransformerPVTv2论文链接:https://arxiv.org/abs/2106.13797一、ProblemStatementPVTv1有三个缺点:把图片当成是non-overlappingpatches的序列，一定程度上丢失了图像的局部联系。PVTv1的positionencoding是固定大小的，对

Tianchao龙虾·2022-12-12 21:50

【论文笔记】—目标检测—YOLOv1—2016-CVPR

论文介绍题目：YouOnlyLookOnce:Unified,Real-TimeObjectDetectionDOI：10.1109/CVPR.2016.91时间：2015-6-8上传于arxiv会议：2016-CVPR机构：美国-华盛顿大学作者：JosephRedmon、SantoshDivvala、RossGirshick论文链接：https://arxiv.org/abs/1506.026

chaiky·2022-12-12 19:11

【YOLO详解】You Only Look Once（一）：YOLO 原论文笔记

YouOnlyLookOnce:Unified,Real-TimeObjectDetection;JosephRedmon,SantoshDivvala,RossGirshick,AliFarhadi;UniversityofWashington,AllenInstituteforAI,FacebookAIResearch原文：https://arxiv.org/pdf/1506.02640.pd

HicSuntLeones·2022-12-12 19:40

【AI视野·今日CV 计算机视觉论文速览第213期】Fri, 4 Jun 2021

AI视野·今日CS.CV计算机视觉论文速览Fri,4Jun2021Totally60papers上期速览✈更多精彩请移步主页Interesting:**AnticipativeVideoTransformer

hitrjj·2022-12-12 19:28

ECCV 2020 《Propagating Over Phrase Relations for One-Stage Visual Grounding》论文笔记

目录简介动机贡献方法实验简介本文出自香港大学的sibei，二作是中山大学李冠斌老师下载链接动机Phraselevelvisualgrounding具有两个challenge：①大量的、可变的视觉内容，多样的短语描述（不同的短语描述可能指向同一个bbox，eg：穿红衣服的男子、拉小提琴的男子。。。）；②短语关系推理中存在明确的引用（顺序？）。现有方法分为两类：①大多数方法不建模短语之间的关系，而关注

NeverMoreH·2022-12-12 19:57

论文笔记（一）3D-R2N2 A Unified Approach for Single and Multi-view 3D Object Reconstruction

发表期刊：ECCV发表时间：2016摘要受最近成功的利用形状先验实现鲁棒3D重构方法的启发，我们提出了一种新的循环神经网络架构，我们称之为3D循环重构神经网络(3D-R2N2)。该网络从大量合成数据中学习物体图像到其底层3D形状的映射。我们的网络从任意视点接收一个或多个对象实例的图像，并以3D占用网格的形式输出对象的重建。与之前的大多数工作不同，我们的网络不需要任何图像注释或对象类标签进行训练

码界战士嘎嘎嘎·2022-12-12 17:22

论文笔记（二）Depth Map Prediction from a Single Image using a Multi-Scale Deep Network

发表期刊：NeurIPS发表时间：2014摘要预测深度是理解场景的3D几何图形的一个重要组成部分。虽然对于立体图像，局部对应足以进行估计，但从单个图像中寻找深度关系就不那么直接了，需要集成来自各种线索的全局和局部信息。此外，这项任务本身是含糊不清的，因为总体规模有很大的不确定性。在这篇论文中，我们提出了一种新的方法，通过使用两个深度网络堆栈来解决这个问题:一个是基于整个图像进行粗略的全局预测，

码界战士嘎嘎嘎·2022-12-12 17:22

A Survey of Robust LiDAR-based 3D Object Detection Methods for Autonomous Driving（激光雷达3D目标检测方法）论文笔记

原文链接：https://arxiv.org/pdf/2204.00106.pdfIII.SotA将基于点云的3D目标检测分为4类，即基于点的、基于体素的、基于前视图的和基于多视图的方法。A.结构结构上可分为单阶段检测（PointPillars，3DSSD，SA-SSD，CIA-SSD和SE-SSD）和两阶段检测（PV-RCNN，PV-RCNN++和CenterPoint）。PointPillar

byzy·2022-12-12 14:31

论文笔记：Template-Based Named Entity Recognition Using BART

论文来源：ACL2021Finding论文链接：https://aclanthology.org/2021.findings-acl.161.pdf论文代码：GitHub-Nealcly/templateNER:Sourcecodefortemplate-basedNER笔记仅供参考，撰写不易，请勿恶意转载抄袭！Abstract与资源丰富的源域相比，低资源的目标域具有不同的标签集（也就是说低资源的

Daisymanman·2022-12-12 08:40

论文笔记-时序预测-Triformer

论文标题：Triformer:Triangular,Variable-SpecificAttentionsforLongSequenceMultivariateTimeSeriesForecasting论文链接：https://arxiv.org/abs/2204.13767v1代码链接：https://github.com/razvanc92/triformer摘要各种现实应用依赖于遥远未来的信

1289902828·2022-12-12 00:18

论文笔记-时序预测-Pyraformer

论文标题：Pyraformer:Low-ComplexityPyramidalAttentionforLong-RangeTimeSeriesModelingandForecasting论文链接：https://openreview.net/pdf?id=0EXmFzUn5I源码链接：https://github.com/alipay/Pyraformer摘要根据过去的时间序列数据对未来进行准确预

1289902828·2022-12-12 00:17

论文笔记-时序预测-FEDformer

论文标题：FEDformer:FrequencyEnhancedDecomposedTransformerforLong-termSeriesForecasting论文链接：https://arxiv.org/abs/2201.12740代码链接：https://github.com/DAMO-DI-ML/ICML2022-FEDformer摘要尽管基于变压器的方法显著改善了长期序列预测的最新结果

1289902828·2022-12-12 00:17

论文笔记

论文笔记----基于卷积神经网络的语音情感识别论文题目：基于卷积神经网络的语音情感识别论文作者：陈晓东摘要通过研究语音情感识别，能使得计算机在人机交互过程中做出更加人性化和更有针对性的反应。

caspesjpe·2022-12-12 00:11

论文笔记-时序分类-OS-CNN

论文标题：OMNI-SCALECNNS:ASIMPLEANDEFFECTIVEKERNELSIZECONFIGURATIONFORTIMESERIESCLASSIFICATION论文链接：https://openreview.net/forum?id=PDYs7Z2XFGv代码链接：https://github.com/Wensi-Tang/OS-CNN摘要感受野(RF)大小一直是影响一维卷积神经

1289902828·2022-12-12 00:08

张正友相机标定-笔记

张正友相机标定论文笔记精读张正友论文之后把主要步骤概括为：Printapattern并把它attach到一个平面上，通常这个pattern是个棋盘图从不同角度对平面拍照，可以变换棋盘的位置，也可以变换棋盘的位置

跳跃的小马·2022-12-11 20:29

张正友相机标定论文笔记

张正友相机标定论文笔记精读张正友论文之后把主要步骤概括为：Printapattern并把它attach到一个平面上，通常这个pattern是个棋盘图从不同角度对平面拍照，可以变换棋盘的位置，也可以变换棋盘的位置

小cui童鞋·2022-12-11 20:58

【论文笔记】Dual Channel Hypergraph Collaborative Filtering ---- KDD 2020

本文提出了一种新的基于超图的DHCF框架来学习用户-物品的高阶相关性，主要有两部分：高阶消息传递和联合消息更新组成。主要的亮点在于采用了一种新的图结构--超图，分别对用户和物品进行建模，并用于协同过滤中。概要协同过滤是一种最火的和最重要的推荐方法。即使被广泛采用，存在CF的模型，从矩阵分解到新兴的基于图的方法，当模型数据有限的时候表现都是比较差的。在本文中，我们首先指出了造成这种现象的两种主要主要

WhisperEcho101·2022-12-11 18:47

论文笔记：KDD 2020 Adaptive Graph Encoder for Attributed Graph Embedding

前言属性图嵌入，具体来说就是通过图数据结构中的拓扑关系和节点特征信息完成节点表示学习的过程。其中属性图的具体指的就是节点的特征信息。作者首先分析了现有的基于GCN的属性图嵌入方法的三个缺点，分别是：图卷积滤波器与权矩阵的纠缠不仅会影响性能，而且会影响鲁棒性这些方法中的图卷积滤波器是广义拉普拉斯平滑滤波器的特殊情况，但它们并不保留最优低通特性。现有算法的训练目标通常是恢复邻接矩阵或特征矩阵（通过自动

饮冰l·2022-12-11 18:15

【论文笔记】KDD18 PinSage A new graph convolutional neural network for web-scale recommender systems

overview论文地址，含oral视频Pinterest官方的博客pinsage又是JureLeskovec组的一篇有影响力的工作，该工作被认为是第一个用于工业界GNN推荐系统。该论文学术上的创新较少，模型基本都来源于GraphSage和Pixie这两篇。目前pinSage只有DGL官方的一个实现版本。核心的模型是基于随机游走采样的graphSage。其目的主要是去生成embedding，而不是

qq_38420683·2022-12-11 18:14

（KDD2020）论文笔记---------XGNN: Towards Model-Level Explanations of Graph Neural Networks

0、最近在看一篇关于在模型层面上做可解释的图神经网络，记录一下。论文链接：XGNN：TowardsModel-LevelExplanationsofGraphNeuralNetworksAbstract图神经网络通过聚合邻居节点的信息来学习节点特征，虽然在许多图任务上取得了较大的成功，但是GNN和传统的深度学习模型一样，是黑盒模型。如果不能理解GNN模型，就不能完全信任它们。本文作者提出了一种在模

Laiguibing521·2022-12-11 18:37

论文笔记：Improving Conversational Recommender Systems via Knowledge Graph based Semantic Fusion(KDD2020)

两个问题：会话数据本身缺乏足够的语境信息，无法准确理解用户的偏好；自然语言表达与item级用户偏好之间存在语义差距。本文提出的解决办法：结合面向词和面向实体的知识图(KG)来增强CRSs中的数据表示，并采用互信息最大化(MutualInformationMaximization)来对齐词级和实体级语义空间步骤：首先使用图神经网络分别学习两个kg上的节点嵌入，然后提出使用互信息最大化方法来弥合两个k

Cyberfish1120·2022-12-11 18:07

预训练模型之ELMO -《Deep contextualized word representations》论文笔记 + 高频面试题

无聊学学罢了，非常简单的一个模型吧，算是一个比较经典的模型。ELMO更多的像是一个承上启下的角色，对于我们去了解那些词向量模型的思想也是很有帮助的。但由于同期的BERT等模型过于耀眼，使得大家并不太了解ELMO。发表自NAACL-2018，当年的bestpaper。论文链接：https://arxiv.org/pdf/1802.05365.pdf导航ID内容NO.11、ELMO解决两个问题NO.2

#苦行僧·2022-12-11 14:53

【今日CV 计算机视觉论文速览第136期】Wed, 26 Jun 2019

今日CS.CV计算机视觉论文速览Wed,26Jun2019Totally28papers?上期速览✈更多精彩请移步主页Interesting:?

hitrjj·2022-12-11 12:54

【论文笔记】基于遗传算子和交织Logistic映射的图像加密技术

论文链接基于遗传算子和交织Logistic映射的图像加密技术序言1.介绍2.预备知识2.1遗传算子2.1.1选择算子2.1.2交叉算子2.1.3变异算子2.2蒙特卡罗方法2.3混沌映射2.3.1Logistic映射以及它的局限性2.3.2交织的Logistic映射3.算法3.1“选择—交叉—变异”结构3.2具体步骤3.2.1置乱3.2.2扩散4.笔记总结序言序言部分主要讲的是本文提出了一种新的基于

几维wk·2022-12-11 11:37

论文浅尝 - EMNLP2020 | 低资源跨语言实体链接中的设计挑战

论文笔记整理：谭亦鸣，东南大学博士。

开放知识图谱·2022-12-11 10:12

论文浅尝 - ICLR2020 | Pretrained Encyclopedia: 弱监督知识预训练语言模型

论文笔记整理：陈想，浙江大学博士，研究方向为自然语言处理，知识图谱。

开放知识图谱·2022-12-11 10:12

论文浅尝 - WWW2020 | 从自然语言交互中提取开放意图

论文笔记整理：娄东方，浙江大学博士后，研究方向为事件抽取。

开放知识图谱·2022-12-11 10:41

【论文笔记】MetaFormer/PoolFormer 论文笔记及体验

paper：MetaFormerisActuallyWhatYouNeedforVisiongithub：https://github.com/sail-sg/poolformeraistudio:没有GPU？TeslaV100在线体验PoolFormerTransformer已经证明在计算机视觉任务中有非常大的潜力，一种普遍的看法是基于attention的tokenmixer模块使transfo

嘟嘟太菜了·2022-12-11 02:35

【对抗攻击论文笔记】Decision-Based Adversarial Attack With Frequency Mixup

文章目录MotivationContributionsMethod1.boundarydetection2.f-mixup3.f-attack4.frequencybinarysearchResultMotivation首先基于决策的攻击通常会进行过多的查询，这样就导致了攻击容易被发现，另外很多攻击无法有效地绕过检测。所以本文的目的就是研究更隐蔽和查询效率更高的基于决策的攻击。其次，我们知道自然图

nanyidev·2022-12-11 00:24

RCAN论文笔记：Image Super-Resolution Using Very Deep Residual Channel Attention Networks

RCAN阅读笔记原文：ImageSuper-ResolutionUsingVeryDeepResidualChannelAttentionNetworks：https://arxiv.org/abs/1807.02758补充材料：ECCV-2018-RCAN_supp：http://yulunzhang.com/papers/ECCV-2018-RCAN_supp.pdfPytorch原码：RCA

ytao_wang·2022-12-10 22:48

【论文笔记4_超分辨】（RCAN）Image Super-Resolution Using Very Deep Residual Channel Attention Networks

文章目录Abstract1Introduction2ProposedMethod2.1NetworkArchitecture2.2ResidualinResidual(RIR)2.3ChannelAttention(CA)2.4ResidualChannelAttentionBlock(RCAB)3Experiment【其他超分辨方向论文】文章链接：（ECCV2018）https://arxiv.

HaoTianYan·2022-12-10 22:47

Fairness-aware Adversarial Perturbation Towards Bias Mitigation for Deployed Deep Models[论文笔记]

对抗性扰动能提升公平性？！在arxiv上看到一篇用对抗样本来做公平性提升的论文，fairness-awareAdversarialPerturbationTowardsBiasMitigationforDeployedDeepModels，被CVPR2022接收。arxiv链接简介文章解决的问题：提升深度学习模型的公平性现有方案劣势：现有的深度学习模型公平性提升方案，更多的是讨论如何训练出一个公平

威化饼的一隅·2022-12-10 21:02

【论文笔记】【目标检测】Fast RCNN详解

FastRCNN是对RCNN论文的改进。RCNN简介：(1)imageinput；(2)利用selectivesearch算法在图像中从上到下提取2000个左右的RegionProposal；(3)将每个RegionProposal缩放(warp)成227*227的大小并输入到CNN，将CNN的fc7层的输出作为特征；(4)将每个RegionProposal提取的CNN特征输入到SVM进行分类；(

Chen_Swan·2022-12-10 20:17

【论文笔记】DeepWalk: Online Learning of Social Representations

[paper]http://www.perozzi.net/publications/14_kdd_deepwalk.pdf[code]https://github.com/phanein/deepwalkabstractDeepWalkuseslocalinformationobtainedfromtruncatedrandomwalkstolearnlatentrepresentationsb

ysq96·2022-12-10 19:24

[论文笔记]Geometrically Constrained Trajectory Optimization for Multicopters

[单位]：浙大fastlab[作者]:汪哲培、周鑫、许超、高飞[期刊]：2022TRO摘要：我们提出了一个基于优化的多旋翼飞行器轨迹规划框架，该框架受几何空间约束和用户定义的动力学约束。该框架的基础是一个新的轨迹表示，它建立在我们新的无约束控制代价最小化的最优性条件之上。我们在这种轨迹表示上设计了线性复杂度运算，以便在各种规划要求下进行时空变形。平滑映射用于以轻量级的方式精确消除几何约束。通过解耦

UESTC_Chenlin·2022-12-10 18:18

【论文笔记】Enhanced Decentralized Autonomous Aerial Swarm with Group Planning

摘要：自主空中蜂群仍然是机器人技术的一大挑战。该领域的现有工作可分为集中式和分散式。集中式方法面临规模困境，而分散式方法往往导致规划质量差。在本文中，我们提出了一个具有群规划的增强型分散式自主空中群系统。根据智能体的空间分布，系统动态地将群体划分为若干组和孤立的智能体。针对每个小组内的冲突，我们提出了一种新的协调机制，称为小组规划(groupplanning)。群体规划包括高效的多智能体寻径(mu

UESTC_Chenlin·2022-12-10 18:16

【论文笔记】Flightmare_ A Flexible Quadrotor Simulator

作者单位：UZH—RPG文章类型：2020年机器人学习会议目录摘要一、引言二、相关工作2.1RotorSandHector2.2AirSimandCARLA2.3FlightGoggles三、方法3.1系统概览3.2渲染引擎3.3动力学建模四、实验4.1仿真速度4.2学习四旋翼控制的感觉运动策略4.3点云和路径规划4.4虚拟现实和安全人机交互五、总结和讨论摘要最先进的四旋翼仿真器具有刚性和高度专业

UESTC_Chenlin·2022-12-10 18:15

【论文笔记】Decentralized Spatial-Temporal Trajectory Planning for Multicopter Swarms

摘要：分布式的多无人机群具有灵活性和鲁棒性，而有效的时空轨迹规划仍然是一个挑战。本文介绍了一种分布式时空轨迹规划方法，该方法将一种良好的MINCO轨迹表示方法引入到多Agent场景中。我们的方法确保每一个agent的高质量局部规划，无论是群体的协同还是杂乱环境中的安全要求。然后，将局部轨迹生成问题转化为无约束优化问题，在毫秒内得到有效求解。此外，还设计了一个分散异步机制来触发每个agent的本地规

UESTC_Chenlin·2022-12-10 18:15

【论文笔记】ego_planner

文章名：EGO-Planner:AnESDF-freeGradient-basedLocalPlannerforQuadrotors【单位】浙大fastlab【期刊】IRAL2020摘要：基于梯度的规划器广泛应用于四旋翼局部规划，其中欧几里德符号距离场（ESDF）是评估梯度幅值和方向的关键。然而，由于轨迹优化程序仅涵盖ESDF更新范围的一个非常有限的子空间，因此计算出此类场具有很大的冗余。本文提出

UESTC_Chenlin·2022-12-10 18:45

Meta-DETR: Few-Shot Object Detection via Unified Image-Level Meta-Learning论文笔记

Meta-DETR一、摘要二、引言三、Method1、网络结构一、摘要先前的小样本目标检测都是基于刚开始生成的好的regionproposals，但是这在小样本检测中很难获得到。本文提出了Meta-DETR，它剔除了RPN，在图片级别利用元学习统一得到class和location，它首先将支持图像和查询图像编码为类别相关的特征，然后将它们输入与类别无关的解码器，以直接生成特定类别的预测。还设计了一

weixin_43981952·2022-12-10 18:32

DETR系列之 MDETR - Modulated Detection for End-to-End Multi-Modal Understanding 论文笔记

DETR系列之MDETR-ModulatedDetectionforEnd-to-EndMulti-ModalUnderstanding论文笔记一、Abstract二、引言三、相关工作四、方法4.1背景

乄洛尘·2022-12-10 18:00

论文阅读|DETR

论文链接：https://arxiv.org/pdf/2005.12872.pdf代码：https://github.com/facebookresearch/detr论文翻译：(59条消息)DETR论文笔记

xiaoweiyuya·2022-12-10 14:03

R2D2（NIPS 2019）特征点检测论文笔记

1.前言论文地址代码地址文章基本是在D2-Net上做优化，作者提出了Repeatable(重复性)和Reliable(可靠性)两个属性对应R2，个人理解重复性就是特征点在各种拍摄视角、光线、季节变化时依然能检测出来，可靠性就是描述符能正确匹配。作者认为之前的做法注重重复性，但是忽视了可靠性。Figure1:Toyexamplestoillustratethekeydifferencebetwe

秋山丶雪绪·2022-12-10 14:21

论文浅尝 | 面向视觉常识推理的层次语义增强方向图网络

论文笔记整理：刘克欣，天津大学硕士链接：https://dl.acm.org/doi/abs/10.1145/3475731.3484957动机视觉常识推理(VCR)任务旨在促进认知水平相关推理的研究。

开放知识图谱·2022-12-10 13:34

论文笔记【DeepFM: A Factorization-Machine based Neural Network for CTR Prediction】

标题*表示未完成论文原文传送门！本文章由HuifengGuo等中国国内学者在IJCAI2017发表由于之前阅读的【Wide&DeepLearningforRecommenderSystems】一文为本文章的模型基础，二者又同时属于推荐系统领域中至关重要的论文所以选择阅读此论文。文章将Wide&Deep模型的Wide部分替换为FM模型（DeepFM=DNN+FM）并做出了改进。使之可以同时捕获高阶与

salmon1802·2022-12-10 11:50

论文笔记【Factorization Machines】

标题*表示未完成本文模型及方法对于一般的LR模型来说，模型形式如下：此时为order-1（一阶特征），那么order-2如何表示呢？如下：该order-2模型与order-1的标准LR模型相比，对每个二阶交叉特征都配备了权重w^\hat{w}w^，难以学习，泛化能力比较弱，特别是在大规模稀疏特征场景下，问题尤为突出。FM模型FM模型为了解决此类问题，提出以下的模型表示。（此处以二阶为例）向量viv