今天我们分享一个深度学习遥感相关的网站：「satellite-image-deep-learning」。这是一个github库，里面含有大量应用于卫星和航空图像的深度学习资源。主要包括以下几个方面：annotation：提供数据集注释信息，里面包含众多标注工具，有的可以自带坐标，有的可以生成geojson。既有针对遥感数据的标注工具，也有如labelme这些深度学习常用的工具。datasets：列出许多数据集。已经按来源和内容进行了分类model-training-and-deployment：列出有关深度学习模型的训练和部署的信息。包括正确处理数据，如何部署模型、跟踪模型等。software
0.简单总结Q-learning？最简单的强化学习算法！不需要深度学习网络的算法！带有概率性的穷举特性！（甚至还有一点点动态规划的感觉）1.Q-learning介绍Q-learning是一种基于强化学习的算法，用于解决Markov决策过程（MDP）中的问题。这类问题我们理解为一种可以用有限状态机表示的问题。它具有一些离散的状态state、每一个state可以通过动作action转移到另外一个state。每次采取action，这个action都会带有一些奖励reward（也可以是负数，这样就表示惩罚了）。在Q-learning中，我们有一个智能体（Agent）和一个环境（Environment）
论文链接：[2002.12416]LearningintheFrequencyDomain(arxiv.org)https://arxiv.org/abs/2002.12416论文代码：kaix90/DCTNet(github.com)https://github.com/kaix90/DCTNet1、研究背景a）在传统方法中，高分辨率的RGB图片通常在CPU上进行预处理，然后转移到GPU上进行推理。因为没有经过压缩的RGB图片很大，所以CPU和GPU之间的传输带宽（CB）要求很高。为减少计算代价和传输带宽，高分辨率的RGB图片被下采样至更小的图片，但是这通常导致信息丢失和更低的推理准确率。b
代码 原文地址 预备知识：1.什么是MIL？多示例学习（MIL）是一种机器学习的方法，它的特点是每个训练数据不是一个单独的实例，而是一个包含多个实例的集合（称为包）。每个包有一个标签，但是包中的实例没有标签。MIL的目的是根据包的标签来学习实例的特征和分类规则，或者根据实例的特征来预测包的标签。MIL的应用场景包括药物活性预测、图像分类、文本分类、关系抽取等。MIL的挑战在于如何处理实例之间的相关性、标签的不确定性和数据的不平衡性。MIL的常用算法有基于贝叶斯、KNN、决策树、规则归纳、神经网络等的方法，以及基于注意力机制、自编码器、变分推断等的方法。 2.什么是基于跨度（span）的命名实体
代码 原文地址 预备知识：1.什么是MIL？多示例学习（MIL）是一种机器学习的方法，它的特点是每个训练数据不是一个单独的实例，而是一个包含多个实例的集合（称为包）。每个包有一个标签，但是包中的实例没有标签。MIL的目的是根据包的标签来学习实例的特征和分类规则，或者根据实例的特征来预测包的标签。MIL的应用场景包括药物活性预测、图像分类、文本分类、关系抽取等。MIL的挑战在于如何处理实例之间的相关性、标签的不确定性和数据的不平衡性。MIL的常用算法有基于贝叶斯、KNN、决策树、规则归纳、神经网络等的方法，以及基于注意力机制、自编码器、变分推断等的方法。 2.什么是基于跨度（span）的命名实体
期刊：SignalProcessing作者：LingfengQuetal.--摘要：加密域可逆数据隐藏被广泛应用于云存储数字媒体的内容安全、隐私保护和便捷管理。然而，RDH-ED技术在三维网格模型载体中的应用研究仍处于起步阶段。为解决现有针对三维网格模型的RDH-ED算法需要像第三方传输辅助信息，嵌入容量不高等问题，本文提出一种基于环的协同异或加密(RCXOR)的可逆数据隐藏方案。首先，将原始3D网格模型划分为互不重叠的环，不同的环不存在共享顶点。接着，对同一个环中的顶点用相同的随机数按位异或加密，以保留加密后环中相邻顶点的冗余。最后，基于RCXOR加密提出一种基于环心顶点的多MSB预测方法，
摘要DENSE的主要特点单轮通信学习：DENSE允许中央服务器在单次通信轮次中学习全局模型，有效降低了通信成本。现有单轮FL方法的局限性：大多数现有的单轮FL方法不切实际或存在固有限制，例如需要公共数据集，客户端模型同质化，以及需要上传额外的数据或模型信息。DENSE的创新解决方案：采用两阶段框架：数据生成阶段和模型蒸馏阶段。数据生成阶段：使用客户端上传的本地模型集合训练生成器（训练了一个同时考虑相似性、稳定性和可转移性的生成器），生成合成数据。模型蒸馏阶段：将集合模型的知识蒸馏到全局模型中。无需额外信息交换：只需在客户端和服务器之间传输模型参数。无需辅助数据集：不需要额外的训练数据。考虑模型
❤️觉得内容不错的话，欢迎点赞收藏加关注😊😊😊，后续会继续输入更多优质内容❤️👉有问题欢迎大家加关注私戳或者评论（包括但不限于NLP算法相关，linux学习相关，读研读博相关......）👈（封面图由ERNIE-ViLGAI作画大模型生成）T5模型：打破Few-shotLearning的次元壁垒自然语言处理（NLP）是一种用于理解人类语言的计算机科学领域。在过去的几年中，随着深度学习技术的发展，NLP领域也取得了突破性进展。在众多的NLP模型中，T5模型作为一种强大的语言生成模型，在自然语言理解、翻译和问答等任务中表现出色，成为了该领域的研究热点之一。本文将介绍T5模型的原理和优势，并结合案例
一、论文信息1论文标题TRACE:AComprehensiveBenchmarkforContinualLearningInLargeLanguageModels2发表刊物arXiv20233作者团队复旦大学4关键词Benchmark、ContinualLearing、LLMs二、文章结构#mermaid-svg-AWUENWtk6KXhB7b8{font-family:"trebuchetms",verdana,arial,sans-serif;font-size:16px;fill:#333;}#mermaid-svg-AWUENWtk6KXhB7b8.error-icon{fill:#5
摘要图像-文本匹配是连接图像和语言的桥梁，也是一项重要的任务，它一般通过学习跨模态的整体嵌入来实现两种模态之间高质量的语义对齐。然而，以往的研究只关注捕捉特定模态的样本内的片段级关系，例如图像中的突出区域或句子中的文本词，而通常不太关注捕捉样本和模态之间的实例级交互，例如多个图像和文本。因此，我们提出了一种新颖的分层关系建模框架（HREM），它能明确捕捉片段和实例级关系，以学习具有区分性和鲁棒性的跨模态嵌入。在Flickr30K和MS-COCO上进行的大量实验表明，我们提出的方法在rSum方面比最先进的方法高出4%-10%。我们的代码可在https://github.com/Crossmoda
