Self-supervisedSingle-view3DReconstructionviaSemanticConsistency论文地址：https://arxiv.org/abs/2003.06473作者：XuetingLi,SifeiLiu,KihwanKim,ShaliniDeMello,VarunJampani,Ming-HsuanYang,andJanKautz发表：ECCV2020链接：https://github.com/NVlabs/UMR笔记参考：https://zhuanlan.zhihu.com/p/464151329Abstract该模型通过收集二维图像和轮廓来预测目标

论文解决了什么问题？提出了一个新的简单网络架构——transformer，仅仅是基于注意力机制，完全免去递推和卷积，使得神经网络训练地速度极大地提高。Weproposeanewsimplenetworkarchitecture,theTransformer,basedsolelyonattentionmechanisms,dispensingwithrecurrenceandconvolutionsentirely.论文采用了什么方法？用多头注意力取代推导层。论文达到了什么效果？该论文提出的模型，在WMT2014英语翻译德语和英语翻译法语的任务实验中，打破了当时的最好记录，并且其训练成本仅仅是

MambaMamba:Linear-TimeSequenceModelingwithSelectiveStateSpacesMambaMamba摘要背景存在的问题本文的做法实验结果文章内容Transformer的缺点Structuredstatespacesequencemodels(SSMs)介绍本文的工作模型介绍StateSpaceModelsSelectiveStateSpaceModels本文的灵感来源ImprovingSSMswithSelectionEfficientImplementationofSelectiveSSMsASimplifiedSSMArchitectureSel

部署参考官网部署方式：https://dolphinscheduler.apache.org/zh-cn/docs/3.1.3/guide/installation/standalone部署方式：单机部署，伪集群部署，集群部署。如果是新手，想要体验DolphinScheduler的功能，推荐使用Standalone方式体检。如果你是在生产中使用，推荐使用集群部署或者kubernetes。1、单机部署（Standalone）Standalone仅适用于DolphinScheduler的快速体验.​如果你是新手，想要体验DolphinScheduler的功能，推荐使用Standalone方式体检。

原文代码摘要本文研究的是文档级关系抽取，即从文档中抽取出多个实体之间的关系。现有的方法主要是基于图或基于Transformer的模型，它们只考虑实体自身的信息，而忽略了关系三元组之间的全局信息。为了解决这个问题，本文提出了一种新的方法，它通过预测一个实体级关系矩阵来同时捕获局部和全局信息。这种方法类似于计算机视觉中的语义分割任务。本文的主要贡献是提出了一个文档U形网络，它由一个编码器模块和一个U形分割模块组成。编码器模块用于捕获实体的上下文信息，U形分割模块用于捕获图像风格特征图上的三元组之间的全局相互依赖性。本文在三个公开的数据集DocRED、CDR和GDA上进行了实验，结果表明，本文的方法

1.      科技正在改善我们的生活1.1.        从表象看，网络世界为我们带来了诸多便利1.1.1.          比价网站的创建、各式各样的电商促销、数不尽的手机应用程序的确降低了商品的售价，提升了产品的品质，丰富了消费者的选择1.2.        以前，往往是为数不多的本地经销商左右着民众采购过程中的各类问题1.2.1.          我们只能根据商铺老板提供的有限商品信息做出采购决策1.3.        互联网商务为我们提供了另一个选项1.3.1.          使消费者摆脱了对本地经销商的依赖，曾经那些奔波于超级市场四下搜寻商品的岁月已一去不返1.4.   

1.      大数据分析1.1.        随着“大数据军备竞赛”与定价算法的广泛应用，线上购物平台与实体商铺的界限也变得越来越模糊1.2.        在沃尔玛疯狂扩张的时代，它给地区性商业带来的伤害不亚于一场地震1.2.1.          当地的小型商铺往往只能缴械，贡献出自己的销售额，而主街的繁华就此凋零1.2.2.          如果有谁想要挫败沃尔玛进军美国各大城市的扩张野心，那么这简直是要激化社会底层矛盾1.3.        威胁并非来自人们的口诛笔伐，而是互联网电商的节节高歌击溃了它的扩张梦想1.3.1.          面对电商对实体店的深度冲击，人们在实体

一、概念OpenHarmony(OH)： OpenAtomOpenHarmonyHarmonyOS(HO)：开发|华为开发者联盟(huawei.com)HO当前最高是3.1，在华为mate60上面也是。关于4.0、5.0和next这类版本说法都是面向用户的，不是开发人员。对于程序员，最高只到了版本3。OH基于内核，市面了解的是叫HO。先有内核版本才有应用层版本，因此OH的版本会比HO高级。（一）HarmonyOS分为应用开发和设备开发，这里只关注HarmonyOS鸿蒙应用开发了。（二）OpenHarmonyOpenHarmony4.0Release对应API能力级别为API10Release，

双机热备配置1，根据网段划分配置IP地址和安全区域2，配置双机热备场景主备场景配置抢占延时仅对主设备生效。hello报文周期时间---默认为1S，可以修改，但是，主备设备需要同时修改为相同值。配置VRRP虚拟IP地址时，可以配置不同于接口IP地址网段的地址，但是，必须要写他的掩码（如果是同网段的可以不写）（在路由器配置VRRP中，是不允许配置不同网段地址的。）双机热备的直路部署--上下二层设备双机热备直路部署--上下三层双机热备直路部署的特点是防火墙接口都是三层工作模式，相当于防火墙在进行路由部署。OSPF配置负载分担的场景双机热备透明接入---上下都是二层这种场景下，我们仅使用主备备份模式，

1.介绍Context-awarecross-levelfusionnetworkforcamouflagedobjectdetection基于上下文感知的跨层融合网络的视频目标检测IJCAI2021本文是旧版PaperCode（此外2022年发表在IEEETCSVT一个改进版本PaperCode）2.摘要由于目标与其周围环境之间的低边界对比度，所以伪装目标检测（COD）是一项具有挑战性的任务。此外，被包裹物体的外观变化很大，例如，对象的大小和形状，加重准确COD的困难。在本文中，提出了一种新的上下文感知跨级融合网络（C2F-Net），以解决具有挑战性的COD任务。具体来说，提出了一个注意力诱