paper: https://nvlabs.github.io/eg3d/media/eg3d.pdfproject: EG3D:EfficientGeometry-aware3DGANscode: GitHub-NVlabs/eg3d总结：本文提出一种hybridexplicit-implicit3Drepresentation:tri-planehybrid3Drepresentation，该方法不仅有更强的表达能力，速度更快，内存开销更小。同时，为解决多视角不一致问题，引入相机参数矩阵作为StyleGANv2生成器、超分模型、VolumeRendering的控制条件。最后，为解决超分模型
停止docker后，它拒绝重新启动。它提示另一个名为docker0的网桥已经存在:level=warningmsg="devmapper:Basedevicealreadyexistsandhasfilesystemxfsonit.Userspecifiedfilesystemwillbeignored."level=infomsg="[graphdriver]usingpriorstoragedriver\"devicemapper\""level=infomsg="Graphmigrationtocontent-addressabilitytook0.00seconds"level
不足之处请大家多多指点！文章目录链接代码详解链接论文题目：用图卷积网络进行自监督分类（GCN）（2017ICLR）论文链接：1609.02907v3.pdf(arxiv.org)代码链接：tkipf/pygcn:GraphConvolutionalNetworksinPyTorch(github.com)代码讲解（非本人）：4.1_GCN代码_哔哩哔哩_bilibili注意：这里给的代码链接是用PyTorch实现的，原始论文中的代码是用Tensorflow实现的，有兴趣的可以自己玩：tkipf/gcn:ImplementationofGraphConvolutionalNetworksinTe
摘要实时的交通流监测是智慧城市中交通条件和预防危险事的建设基础。本文提出了一个可信和高效的交通流检测系统并整合了区块链和车联网的强势技术。它可以将其交通信息收集任务众包给在路上行驶的车辆，而不是在每个角落安装摄像头。首先，我们设计了一个轻量级的基于区块链的信息交易框架去模拟交通管理部门和车辆的交互；其次，我们定义了系统中的实体的基本功能，考虑到增加预算的机制即汽车主动接收收集的任务。在我们的算法中，不只保证对所选车辆的总付款不超过给定的预算，而且还保持拍卖过程的真实性，避免某些车辆提供不真实的出价以获得更大的利益。最后，我们搭建了实验去评价基于所提出的算法对数据交易框架和性能，结果证明正确性和
《FocalModulationNetworks》摘要本文提出了
《FocalModulationNetworks》摘要本文提出了
本博客主要分为两部分：1、PINN模型论文解读2、PINN模型相关总结第一部分：PINN模型论文解读一、摘要基于物理信息的神经网络（Physics-informedNeuralNetwork，简称PINN），是一类用于解决有监督学习任务的神经网络，同时尊重由一般非线性偏微分方程描述的任何给定的物理规律。原理：它不仅能够像传统神经网络一样学习到训练数据样本的分布规律，而且能够学习到数学方程描述的物理定律。优势：与纯数据驱动的神经网络学习相比，PINN在训练过程中施加了物理信息约束，因而能用更少的数据样本学习到更具泛化能力的模型。缺陷：PINN的缺点是较难处理高维数据，低维可以处理，因为所需训练数
本博客主要分为两部分：1、PINN模型论文解读2、PINN模型相关总结第一部分：PINN模型论文解读一、摘要基于物理信息的神经网络（Physics-informedNeuralNetwork，简称PINN），是一类用于解决有监督学习任务的神经网络，同时尊重由一般非线性偏微分方程描述的任何给定的物理规律。原理：它不仅能够像传统神经网络一样学习到训练数据样本的分布规律，而且能够学习到数学方程描述的物理定律。优势：与纯数据驱动的神经网络学习相比，PINN在训练过程中施加了物理信息约束，因而能用更少的数据样本学习到更具泛化能力的模型。缺陷：PINN的缺点是较难处理高维数据，低维可以处理，因为所需训练数
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：
