526互联

经典yolov1论文yolov

SLAMesh论文及代码阅读与思考<一>Real-time LiDAR Simultaneous Localization and Meshing

# 前言 从SLAM建图到SLAM建模，是近年来这一领域发展的重要趋势之一。在此之前，环境三维模型的构建的一个重要标签就是实时性不足的问题，SLAMesh的提出，在这一问题上迈出了重要的一步，创新性地将高斯过程引入到环境信息的建模与预测任务之中，使得建模过程避免了对mesh顶点的搜索与优化，通过有序 ......
Localization Simultaneous Real-time SLAMesh Meshing

[论文阅读] Momentum contrast for unsupervised visual representation learning

# Momentum contrast for unsupervised visual representation learning ## Introduction 我们提出了动量对比（MoCo）作为一种构建具有对比损失的无监督学习的大型一致字典的方法（图1）。 我们将字典维护为数据样本队列：当前 ......
representation unsupervised Momentum contrast learning

论文日记五：QueryInst

# 导读 实例分割领域21年的SOTA，整个模型结构设计总述为以下： 1）设计了类似于Cascade Mask R-CNN的多阶段迭代优化的bbox和mask预测头； 2）基于query的实例分割方法，延续了DETR(首次将Transformer成功整合为检测pipline中心构建块的目标检测框架模 ......
QueryInst 日记 论文

pgsql的一句经典代码

select mp3.* from ( select distinct (t1.flight_number) as flight_number1,items.* from guarantee_node t1left join LATERAL (select * from guarantee_node ......
代码 经典 pgsql

论文解读（WDGRL）《Wasserstein Distance Guided Representation Learning for Domain Adaptation》

Note：[ wechat：Y466551 | 可加勿骚扰，付费咨询 ] 论文信息 论文标题：Wasserstein Distance Guided Representation Learning for Domain Adaptation论文作者：Jian Shen、Yanru Qu、Weinan ......
Representation Wasserstein Adaptation Distance Learning

阅读经典书籍有感

### 操作系统导论 阅后感 这不是一个总结技术的帖子！不过确实会说点技术，商业和计算机发展的感想随想，说的不对的地方欢迎大家批评指正！ 虽然还没有看完，但已经有点豁然开朗的感觉！比如之前看第三版的时候很多时候疑惑咋那么多的专业词汇，一会重定位，一会静态重定位，一会动态动态重定位？内存管理方面的发展 ......
书籍 经典

论文解读（AdSPT）《Adversarial Soft Prompt Tuning for Cross-Domain Sentiment Analysis》

Note：[ wechat：Y466551 | 可加勿骚扰，付费咨询 ] 论文信息 论文标题：Adversarial Soft Prompt Tuning for Cross-Domain Sentiment Analysis论文作者：Hui Wu、Xiaodong Shi论文来源：2022 ACL ......
Cross-Domain Adversarial Sentiment Analysis Prompt

论文阅读 《Pingmesh: A Large-Scale System for Data Center Network Latency Measurement and Analysis》

背景 在我们内部产品中，一直有关于网络性能数据监控需求，我们之前是直接使用 ping 命令收集结果，每台服务器去 ping (N-1) 台，也就是 N^2 的复杂度，稳定性和性能都存在一些问题，最近打算对这部分进行重写，在重新调研期间看到了 Pingmesh 这篇论文，Pingmesh 是微软用来监 ......
Large-Scale Measurement Pingmesh Analysis Network

【论文翻译】线图、着色与色数近似

# 前言 在港中文的暑研快结束的时候，~~由于大家快没事干了~~，一个本地的同学就给我分享了一个简单但不失趣味的图论定理，于是记在这里。 # 记号与约定 除特殊约定外，下文中所有变量均取正整数。 对于图 $G$，称 $V_G, E_G$ 为其点集和边集。在上下文明了的情况下，下标 $G$ 会被忽略。 ......
线图 论文翻译 论文

《Self-Alignment with Instruction Backtranslation》论文学习

一、Introduction 将大型语言模型（LLMs）对齐以执行指令遵循，通常需要在大量人工注释的指令样本或偏好样本上进行微调，或从更强大的模型中提炼输出。之前的研究都强调了人工注释数据质量的重要性。然而，使用具有这类质量的注释指令数据很难扩展，每种指令结构和风格的指令数据，往往只能用于某一类垂直 ......
Backtranslation Self-Alignment Instruction Alignment 论文

【pytorch】从零开始，利用yolov5、crnn+ctc进行车牌识别

笔者的运行环境：python3.8+pytorch2.0.1+pycharm+kaggle用到的网络框架：yolov5、crnn+ctc项目地址：[GitHub - WangPengxing/plate_identification: 利用yolov5、crnn+ctc进行车牌识别](https:/ ......
车牌 pytorch yolov5 yolov crnn

Transformer速查宝典：模型、架构、训练方法的论文都在这里了

前言 论文大合集，一篇文章就搞定。 本文转载自机器之心 仅用于学术分享，若侵权请联系删除 欢迎关注公众号CV技术指南，专注于计算机视觉的技术总结、最新技术跟踪、经典论文解读、CV招聘信息。 CV各大方向专栏与各个部署框架最全教程整理 【CV技术指南】CV全栈指导班、基础入门班、论文指导班 全面上线! ......
Transformer 架构 宝典 模型 方法

服务器访问yolov5接口

```python import time import requests, base64, cv2 # url = 'http://127.0.0.1:5555/yolov5' url = 'http://43.139.184.232:5555/yolov5' def image_to_base6 ......
接口 服务器 yolov5 yolov

经典网络

AlexNet 在单张数据集输入网络之前，要将数据集的所有图片，比如18w张都展开成一个227*227*3的向量，然后求这18w个向量的均值，在将这单张图像展开成227*227*3的向量减去均值向量，再将这个减去均值的向量作为输入。 对抗轻微目标偏移带来的影响： 卷积核的数量越多，代表基元越多，能学 ......
经典 网络

实用指令_实操作_磁盘分区磁盘挂载经典案例

##### 磁盘分区挂载的经典案例 如何增加一块硬盘 1. 虚拟机添加硬盘 2. 分区 ~~~shell ### fdisk /dev/sdb m ###显示命令列表 n ###新增分区 p ###显示磁盘分区同 fdisk -l 回车 ###分区编号 回车 w ###写入并退出 ###说明，开始分 ......
磁盘 经典案例 指令 案例 经典

论文解读（DEAL）《DEAL: An Unsupervised Domain Adaptive Framework for Graph-level Classification》

Note：[ wechat：Y466551 | 可加勿骚扰，付费咨询 ] 论文信息 论文标题：DEAL: An Unsupervised Domain Adaptive Framework for Graph-level Classification论文作者：Nan Yin、Li Shen、Baop ......
DEAL Classification Unsupervised Graph-level Framework

【算法】用c#实现计算方法中的经典降幂优化策略，减少计算复杂度

对于给定的数组[x1，x2，x3，…，xn]，计算幂的累积：x1^（x2^（x3^（…^xn））的最后一位（十进制）数字。 例如，对于数组[3，4，2]，您的代码应该返回1，因为3^（4^2）=3^16=43046721。 结果的增长得快得令人难以置信。例如，9^（9^9）有超过3.69亿个数字。你 ......
降幂 复杂度 算法 策略 方法

线性基与图论结合的经典问题

[立体传送门：Luogu P4151](https://www.luogu.com.cn/problem/P4151) 不急，一步一步来。 第一种情况，考虑我们现在已经有一条 $1-> n$ 的路径，不妨设为 $1->i->j->k->n$，异或起来为 $dis_n$，那么我们的 $ans$ 就是 ......
线性 经典 问题

论文解读（PERL）《PERL: Pivot-based Domain Adaptation for Pre-trained Deep Contextualized Embedding Models》

Note：[ wechat：Y466551 | 可加勿骚扰，付费咨询 ] 论文信息 论文标题：PERL: Pivot-based Domain Adaptation for Pre-trained Deep Contextualized Embedding Models论文作者：Eyal Ben-D ......
PERL Contextualized Pivot-based Pre-trained Adaptation

基本经典的NLP书籍

以下是几本经典的自然语言处理（NLP）书籍： 1. "Speech and Language Processing: An Introduction to Natural Language Processing, Computational Linguistics, and Speech Recog ......
书籍 经典 NLP

论文解读（TAMEPT）《A Two-Stage Framework with Self-Supervised Distillation For Cross-Domain Text Classification》

论文信息 论文标题：A Two-Stage Framework with Self-Supervised Distillation For Cross-Domain Text Classification论文作者：Yunlong Feng, Bohan Li, Libo Qin, Xiao Xu, ......
Self-Supervised Classification Distillation Cross-Domain Supervised

系统设计-经典场景电商业务之下单

系统设计-经典场景电商业务之下单上图我们看到,针对电商系统的架构设计考虑点，提到了许多重要的方面。以下是对每个关注点的详细描述： 1. **API网关**: API网关作为系统的入口，负责将客户端的请求转发给后端服务。它可以集中处理安全性、鉴权、监控、缓存、请求转发等任务，从而减轻后端服务的负担。一 ......
场景 业务 经典 系统

读论文

[TOC] # 读论文 ## Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering 看不懂 ## Heterogeneous Graph Transformer ### Meta Relation ......
论文

【论文解读】基于图的自监督学习联合嵌入预测架构

一、简要介绍 本文演示了一种学习高度语义的图像表示的方法，而不依赖于手工制作的数据增强。论文介绍了基于图像的联合嵌入预测架构（I-JEPA），这是一种用于从图像中进行自监督学习的非生成性方法。I-JEPA背后的idea很简单：从单个上下文块中，预测同一图像中不同目标块的表示。指导I-JEPA产生语义 ......
架构 论文

C语言经典100题之循环嵌套

1，有 1、2、3、4 四个数字，能组成多少个互不相同且无重复数字的三位数？都是多少？ 思路分析：首先来分析这道题目，三位数，无非就是i,j,k的三种不同组合，互不相同翻译成C语言就是i!=j, i!=k,j!=k。无重复我们可以使用枚举法枚举所有的三位数，然后判断是否满足互不相同的条件即可，利用三 ......
语言 经典 100

一个超经典 WinForm 卡死问题的最后一次反思

## 一：背景 ### 1. 讲故事 在我分析的 200+ dump 中，同样会遵循着 28原则，总有那些经典问题总是反复的出现，有很多的朋友就是看了这篇 `一个超经典 WinForm 卡死问题的再反思 ` 找到我，说 WinDbg 拦截 `System_Windows_Forms_ni Syste ......
WinForm 经典 问题

[论文理解] HACK: Learning a Parametric Head and Neck Model for High-fidelity Animation

# HACK: Learning a Parametric Head and Neck Model for High-fidelity Animation 上科大发布的头和脖子精细建模的参数化模型HACK。 ## 纹理转化 由于HACK没有开源纹理基，我将FLAME开源的纹理基迁移到了HACK上，代 ......
High-fidelity Parametric Animation Learning fidelity

论文解读（MetaAdapt）《MetaAdapt: Domain Adaptive Few-Shot Misinformation Detection via Meta Learning》

Note：[ wechat：Y466551 | 可加勿骚扰，付费咨询 ] 论文信息 论文标题：MetaAdapt: Domain Adaptive Few-Shot Misinformation Detection via Meta Learning论文作者：Zhenrui Yue、Huimin Z ......
MetaAdapt Misinformation Detection Adaptive Few-Shot

论文解读（IW-Fit）《Better Fine-Tuning via Instance Weighting for Text Classification》

Note：[ wechat：Y466551 | 可加勿骚扰，付费咨询 ] 论文信息 论文标题：Better Fine-Tuning via Instance Weighting for Text Classification论文作者：论文来源：2021 ACL论文地址：download 论文代码：d ......
Classification Fine-Tuning Weighting Instance IW-Fit

经典4G-TD-FDD-LTE射频测试规范报告

https://wenku.baidu.com/view/f0251807463610661ed9ad51f01dc281e53a5661.html?_wkts_=1692758768957&bdQuery=4G%E6%A8%A1%E7%BB%84%E7%9A%84%E5%B0%84%E9%A2%9 ......
射频 4G-TD-FDD-LTE 报告 经典 FDD
共1260篇  :17/42页 首页上一页17下一页尾页