CIAGAN:ConditionalIdentityAnonymizationGenerativeAdversarialNetworks2020CVPR 2005.09544.pdf(arxiv.org)（个人理解，欢迎指正错误） Introduction 隐私：整个人脸 可用性：是看起来自然的人 文章去除真实人脸的同时生成了高质量的假人脸，可用于支持跟踪、检测等计算机视觉任务。与先前工作相比，本文的创新处在于可以在一定程度上控制人脸匿名效果，依据给定的身份参照指导假人脸的合成，到达合成图像接近参照图像的效果。 文章指出，他们的的关键观察是，许多计算机视觉任务，如人的检测、多人跟踪、
ImageNetClassificationwithDeepConvolutionalNeuralNetworks论文地址1.研究背景：在计算机视觉领域，识别大规模图像集合是一个重要的任务。然而，由于数据量大，多样性复杂，传统的机器学习方法在此任务上面临着许多挑战。深度学习方法的出现解决了这一问题，其中卷积神经网络（CNNs）被证明在大规模视觉识别任务中非常有效。2.研究内容：本文介绍了一个基于卷积神经网络的深度学习模型，名为AlexNet。该模型通过在大规模视觉识别挑战（ILSVRC）上获得了最好的成绩，使得深度学习在视觉识别领域受到了广泛的关注。3.研究方法：AlexNet是一个由8个神经
ImageNetClassificationwithDeepConvolutionalNeuralNetworks论文地址1.研究背景：在计算机视觉领域，识别大规模图像集合是一个重要的任务。然而，由于数据量大，多样性复杂，传统的机器学习方法在此任务上面临着许多挑战。深度学习方法的出现解决了这一问题，其中卷积神经网络（CNNs）被证明在大规模视觉识别任务中非常有效。2.研究内容：本文介绍了一个基于卷积神经网络的深度学习模型，名为AlexNet。该模型通过在大规模视觉识别挑战（ILSVRC）上获得了最好的成绩，使得深度学习在视觉识别领域受到了广泛的关注。3.研究方法：AlexNet是一个由8个神经
标题：视觉问答中关于组合泛化的多模态图神经网络来源：NeurlPS2020https://proceedings.neurips.cc/paper/2020/hash/1fd6c4e41e2c6a6b092eb13ee72bce95-Abstract.html代码：https://github.com/raeidsaqur/mgn一、问题提出重点：组合泛化问题例子：自然语言为例，比如人们能够学习新单词的含义，然后将其应用到其他语言环境中。一个人如果学会了一个新动词'dax'的意思，就能立即类推到'singanddax'的意思。”类似地，在训练的时候，可能在测试集中出现了训练集中没有出现过的元素
标题：视觉问答中关于组合泛化的多模态图神经网络来源：NeurlPS2020https://proceedings.neurips.cc/paper/2020/hash/1fd6c4e41e2c6a6b092eb13ee72bce95-Abstract.html代码：https://github.com/raeidsaqur/mgn一、问题提出重点：组合泛化问题例子：自然语言为例，比如人们能够学习新单词的含义，然后将其应用到其他语言环境中。一个人如果学会了一个新动词'dax'的意思，就能立即类推到'singanddax'的意思。”类似地，在训练的时候，可能在测试集中出现了训练集中没有出现过的元素
摘要本文主要讲述了一个httprequest请求从发出到收到response的整个生命周期，希望可以通过对整个流程的一个描述来梳理清楚五层网络协议的定义以及各层之间是如何协作的。使用Golang发起一个HTTP请求对于后端来说通过http请求来进行远程调用是再寻常不过的事了，以Golang的resty包为例，我们通过下面这个语句来发起一个请求并获得所请求的服务器的response，简单起见这里我们使用GET方法进行请求：client:=resty.New()headers:=map[string]string{ "Connection":"Keep-Alive",}resp1,_:=clien
摘要本文主要讲述了一个httprequest请求从发出到收到response的整个生命周期，希望可以通过对整个流程的一个描述来梳理清楚五层网络协议的定义以及各层之间是如何协作的。使用Golang发起一个HTTP请求对于后端来说通过http请求来进行远程调用是再寻常不过的事了，以Golang的resty包为例，我们通过下面这个语句来发起一个请求并获得所请求的服务器的response，简单起见这里我们使用GET方法进行请求：client:=resty.New()headers:=map[string]string{ "Connection":"Keep-Alive",}resp1,_:=clien
原文地址论文：https://arxiv.org/pdf/1812.11703.pdf程序：https://github.com/PengBoXiangShang/SiamRPN_plus_plus_PyTorch摘要基于孪生网络的跟踪器将跟踪表述为目标模板和搜索区域之间的卷积特征互相关。然而孪生网络的算法不能利用来自深层网络（如resnet-50或更深层）的特征，与先进的算法相比仍然有差距。在文章中我们证明了核心原因是孪生网络缺乏严格的平移不变性。我们突破了这一限制，通过一个简单而有效的空间感知采样策略，成功地训练了一个具有显著性能提升的基于ResNet网络的孪生跟踪器。此外，我们还提出了一
原文地址论文：https://arxiv.org/pdf/1812.11703.pdf程序：https://github.com/PengBoXiangShang/SiamRPN_plus_plus_PyTorch摘要基于孪生网络的跟踪器将跟踪表述为目标模板和搜索区域之间的卷积特征互相关。然而孪生网络的算法不能利用来自深层网络（如resnet-50或更深层）的特征，与先进的算法相比仍然有差距。在文章中我们证明了核心原因是孪生网络缺乏严格的平移不变性。我们突破了这一限制，通过一个简单而有效的空间感知采样策略，成功地训练了一个具有显著性能提升的基于ResNet网络的孪生跟踪器。此外，我们还提出了一
GraphNeuralTransportNetworkswithNon-localAttentionsforRecommenderSystems用于推荐系统的非局部注意的图神经传输网络来源：WWW2022摘要：通常，GNN通过在本地邻居之间传播和聚合消息来生成用户/项的嵌入。因此，GNN捕获远程依赖关系的能力在很大程度上取决于它们的深度。然而，简单地训练深度gnn会产生瓶颈效应，例如过拟合和过平滑等，无法得到较好的训练效果。为了解决这个问题，作者提出了图最优传输网络(GOTNet)来捕获在不增加GNN深度的情况下的长期依赖关系。GOTNet能够只使用浅层GNN来同时捕获图中的本地和非本地消息，
