声明主页：元存储的博客_CSDN博客依公开知识及经验整理，如有误请留言。个人辛苦整理，付费内容，禁止转载。内容摘要1.昂贵的RAMSSD时代2.机械硬盘（HDD）称霸世界3.Flash——源于华人科学家的发明4.FlashSSD异军突起
1、前言最近，AIGC(AI-GeneratedContent，人工智能生成内容)发展迅速，不仅被消费者追捧，而且备受技术和产业界关注。2022年9月23日，红杉美国发表文章《生成式AI:一个创造性的新世界》，认为AIGC会代表新一轮范式转移的开始。2022年10月，StabilityAI发布开源模型StableDiffusion，可以根据用户输入的文字描述(称为提示词，prompts)自动生成图像，即文生图(Text-to-Image).StableDiffusion、DALL-E2、Midjourney、文心一格等可以生成图片的AIGC模型引爆了AI作画领域，AI作画风行一时，标志人工智能
文章目录一、图像配准定义二、图像配准应用场景2.1医学图像领域2.2其他领域三、图像配准分类四、图像配准过程4.1特征检测（Featuredetection）4.2特征匹配（Featurematching）4.2.1基于区域的方法（Area-basedmethods）4.2.1.1基于相关性的方法（Correlation-likemethods）4.2.1.2傅里叶方法（Fouriermethods）4.2.1.3基于互信息的方法（Mutualinformationmethods）4.2.1.4基于优化的方法（Optimizationmethods）4.2.2基于特征的方法（Feature-b
论文标题：CooperativePerceptionTechnologyofAutonomousDrivingintheInternetofVehiclesEnvironment:AReview发表期刊/会议：Sensors2022协同感知旨在利用无线通信技术将边缘节点获得的环境信息与本地感知信息进行交互融合，从而提高车辆的感知精度，减少延迟，消除感知盲点。本文在分析车联网相关文献的基础上，总结了车联网环境下自动驾驶协同感知技术的多传感器信息融合方法、信息共享策略、通信技术等内容。1）根据传感器信息融合的方法，总结并比较了协同感知信息融合方法，如图像融合、点云融合、图像-点云融合等。2）对近期
大型语言模型综述，非常详细，格局打开！ASurveyofLargeLanguageModels返回论文和资料目录论文地址项目地址1.导读讲得通俗易懂，且格局拉满！基本覆盖了自ChatGPT以来的AI比较火的事件，还多次提到强人工智能AGI（人工通用智能）。对近几年的大型语言模型（LargeLanguageModels）进行了详细介绍。非常建议感兴趣大模型和强人工智能的读者阅读！！！2.摘要和引言从图灵测试开始讲起，人类一直在探索用机器掌握语言智能的方法。在过去20年，语言模型得到了广泛研究。从统计语言模型到了基于神经网络的语言模型（LSTM等）。最近这些年，通过在大规模语料库（数据集）上对Tr
参考文献:Multi-AgentPathfinding:Definitions,Variants,andBenchmarks这篇综述详细介绍了多机器人路径规划问题(Multi-AgentPathFinding,MAPF)统一的描述形式和研究MAPF问题需要参考的术语定义，并介绍了评估MAPF算法的标准数据集.文中介绍了一个关于MAPF非常重要的网站:http://mapf.info,里面实时更新MAPF问题研究的最新进展，包括最新的论文和全球研究MAPF问题的组织机构.以下是对这篇综述比较有价值的部分进行总结：Introduction看论文首先要知道论文干了啥，这样后续看论文就会有重点，一般先
论文名称：TransformersinTimeSeries:ASurvey论文下载：https://arxiv.org/abs/2202.07125论文源码：https://github.com/qingsongedu/time-series-transformers-review论文作者：阿里巴巴达摩院论文年份：2022这篇论文的源Github仓库里，对参考文献进行了归类，并给出了论文地址，非常清晰。根据Transformer的架构和应用进行论文分类，对了解Transformer在时间序列中的应用大有裨益。Transformer相关知识已经在之前的博客中介绍过了：图解Word2Vec图解Tr
论文名称：TransformersinTimeSeries:ASurvey论文下载：https://arxiv.org/abs/2202.07125论文源码：https://github.com/qingsongedu/time-series-transformers-review论文作者：阿里巴巴达摩院论文年份：2022这篇论文的源Github仓库里，对参考文献进行了归类，并给出了论文地址，非常清晰。根据Transformer的架构和应用进行论文分类，对了解Transformer在时间序列中的应用大有裨益。Transformer相关知识已经在之前的博客中介绍过了：图解Word2Vec图解Tr
目录1.简介2.特性系统特性应用特性调试特性其他特性3.优势4.低功耗应用5.软件可移植性1.简介Cortex-M0处理器基于冯·诺伊曼架构（单总线接口），使用32位的精简指令集（RISC）。该指令集被称为Thumb（首次使用在ARM7TDMI上）。与之前相比，新的指令集增加了几条ARMv6架构的指令，并且纳入了Thumb-2指令集的部分指令。Cortex-M0总共支持56个基本指令。由于读写存储器的指令相互独立，而且算术或逻辑操作的指令使用寄存器，Cortex-M0处理器可以被归到加载-存储（load-store）的结构中。其简单框图如下：处理器核心包括寄存器组、算术逻辑单元（ALU）、数据
目录小目标检测数据方面LabelSmoothing模型方面样本不均衡目标遮挡More更多可见计算机视觉-Paper&Code-知乎小目标检测数据方面将图像resize成不同的大小对小目标进行数据增强，过采样策略oversampling，重复正样本数在图片内用实例分割的Mask抠出小目标图片再使用paste等方法常见的几种数据增强方法如下cutout：将图片区域随机扣除cutmix：将cutout扣除后的区域用同一batch中样本进行填充mixup：随机将两张图片进行融合mosaic：在将四张样本图片拼接起来，模型在一个batch中看到了4倍更多的信息分割中常用的8倍+1的输入大小，513(PA
