SODA小目标综述（西工大）TowardsLarge-ScaleSmallObjectDetection:SurveyandBenchmarks动机1、小目标检测难点2、小目标检测算法数据增强（Data-manipulationmethods）多尺度（Scale-awaremethods）特征融合（Feature-fusionmethods）超分辨率（Super-resolutionmethods）上下文建模（Context-modelingmethods）其他方法（Others）3、小目标检测数据集4、基准（Benchmark）5、实验TowardsLarge-ScaleSmallObjec
SODA小目标综述（西工大）TowardsLarge-ScaleSmallObjectDetection:SurveyandBenchmarks动机1、小目标检测难点2、小目标检测算法数据增强（Data-manipulationmethods）多尺度（Scale-awaremethods）特征融合（Feature-fusionmethods）超分辨率（Super-resolutionmethods）上下文建模（Context-modelingmethods）其他方法（Others）3、小目标检测数据集4、基准（Benchmark）5、实验TowardsLarge-ScaleSmallObjec
原文链接：https://arxiv.org/pdf/2007.08199.pdfgithub链接：GitHub-songhwanjun/Awesome-Noisy-Labels:ASurvey（本文仅做阅读笔记之用，如需了解细节可自行查看原文，翻译不周之处，敬请指正）1.Introduction据统计真实世界的数据集中存在的标注噪声范围在8%到38.5%。深度神经网络（DNN）因为具有很强的拟合能力，所以很容易对噪声标签过拟合。正则化技术（如数据增强，权重衰减，dropout，批次正则化（BN）等）虽然能缓解过拟合问题，但是光靠正则化并不能完全克服过拟合。如fig.1就形象地说明了这个问题：
原文链接：https://arxiv.org/pdf/2007.08199.pdfgithub链接：GitHub-songhwanjun/Awesome-Noisy-Labels:ASurvey（本文仅做阅读笔记之用，如需了解细节可自行查看原文，翻译不周之处，敬请指正）1.Introduction据统计真实世界的数据集中存在的标注噪声范围在8%到38.5%。深度神经网络（DNN）因为具有很强的拟合能力，所以很容易对噪声标签过拟合。正则化技术（如数据增强，权重衰减，dropout，批次正则化（BN）等）虽然能缓解过拟合问题，但是光靠正则化并不能完全克服过拟合。如fig.1就形象地说明了这个问题：
目录项目介绍及分工个人任务项目介绍及分工详情可参考项目实训专栏的小组综述。基于Unity的2D多人乱斗游戏设计与开发。参考结合“糖豆人”与“吃鸡”等多种主流游戏的玩法，开发一款Windows端低配机也能流畅运行的多人乱斗综艺类型的多人游戏。并具有聊天功能实现游戏内部的社交性。目前计划整个项目内含4种不同玩法、场景的游戏。并且具有建房间、游戏大厅的功能。【前端[人数3、内容集中、工作量大]】学习Unity基础。动画制作。学习并使用photonunitynet2多人联机游戏开发框架。【后端[人数2、细分方向多、工作量相对而言少]】学习C#中的委托或其他设计模式。C#Socket套接字开发联机功能。
目录项目介绍及分工个人任务项目介绍及分工详情可参考项目实训专栏的小组综述。基于Unity的2D多人乱斗游戏设计与开发。参考结合“糖豆人”与“吃鸡”等多种主流游戏的玩法，开发一款Windows端低配机也能流畅运行的多人乱斗综艺类型的多人游戏。并具有聊天功能实现游戏内部的社交性。目前计划整个项目内含4种不同玩法、场景的游戏。并且具有建房间、游戏大厅的功能。【前端[人数3、内容集中、工作量大]】学习Unity基础。动画制作。学习并使用photonunitynet2多人联机游戏开发框架。【后端[人数2、细分方向多、工作量相对而言少]】学习C#中的委托或其他设计模式。C#Socket套接字开发联机功能。
【视频理解】最近几年视频分类技术综述视频分类是一个难点，本文将介绍从论文的背景问题、核心思想、具体方案三个角度，阅读下面四篇文章。下面四篇文章主要考虑借助强化学习的方法，解决视频分类。WatchingasmallportioncouldbeasgoodaswatchingallTowardsefficientvideoclassification(2018IJCAI)AdaFrame:AdaptiveFrameSelectionforFastVideoRecognition(2019CVPR)Multi-AgentReinforcementLearningBasedFrameSamplingf
【视频理解】最近几年视频分类技术综述视频分类是一个难点，本文将介绍从论文的背景问题、核心思想、具体方案三个角度，阅读下面四篇文章。下面四篇文章主要考虑借助强化学习的方法，解决视频分类。WatchingasmallportioncouldbeasgoodaswatchingallTowardsefficientvideoclassification(2018IJCAI)AdaFrame:AdaptiveFrameSelectionforFastVideoRecognition(2019CVPR)Multi-AgentReinforcementLearningBasedFrameSamplingf
文章目录第三章联邦学习分类3.1横向联邦学习3.2纵向联邦学习3.3联邦迁移学习第四章联邦学习框架4.1开源框架介绍4.2FATE——企业级框架第五章未来研究方向5.1安全性5.2激励机制5.3有效性和效率第三章联邦学习分类前两章对联邦学习的定义并没有讨论如何具体地设计一种联邦学习的实施方案。在实际中，孤岛数据具有不同分布特点，根据这些特点，我们可以提出相对应的联邦学习方案。下面，我们将以孤岛数据的分布特点为依据对联邦学习进行分类。考虑有多个数据拥有方，每个数据拥有方各自所持有的数据集D_i可以用一个矩阵来表示。矩阵的每一行代表一个用户，每一列代表一种用户特征。同时，某些数据集可能还包含标签数
文章目录第三章联邦学习分类3.1横向联邦学习3.2纵向联邦学习3.3联邦迁移学习第四章联邦学习框架4.1开源框架介绍4.2FATE——企业级框架第五章未来研究方向5.1安全性5.2激励机制5.3有效性和效率第三章联邦学习分类前两章对联邦学习的定义并没有讨论如何具体地设计一种联邦学习的实施方案。在实际中，孤岛数据具有不同分布特点，根据这些特点，我们可以提出相对应的联邦学习方案。下面，我们将以孤岛数据的分布特点为依据对联邦学习进行分类。考虑有多个数据拥有方，每个数据拥有方各自所持有的数据集D_i可以用一个矩阵来表示。矩阵的每一行代表一个用户，每一列代表一种用户特征。同时，某些数据集可能还包含标签数
