ComputerNetworks20221背景本地化或定位使用某些固定节点和移动计算设备来识别可移动/固定设备（智能手机、无人机、手表、信标和车辆）的位置户外定位【GPS、北斗。。。】在城市地区和室内环境中存在一些局限性室内环境更复杂，周围有许多物体信号干扰建筑物内的反射高度依赖于环境，如物体位置和人类活动室内通信信道不可靠室内定位频率调制（FM）超宽带（UWB）无线电频率识别（RFID）Wi-Fi蓝牙蜂窝网络（包括LTE和5G）定位中几种常见的技术基于接收信号强度指示器（RSSI）和飞行时间（TOF）测量2主要贡献全面的调查，涉及物联网时代（特别是从2019年到2021年）在学术和商业领域提
HierarchicalAggregationfor3DInstanceSegmentation是一个用于实例分割的方法，他主要利用了点以及点集之间的空间关系，以此进行实例分割。大概步骤如下：首先进行低带宽点汇集得到初步的实例以避免过度分割之后进行动态带宽集合汇集以得到完整的实例引入实例内网络进行去噪文章链接代码链接目录1.网络结构1.1逐点预测(point-wiseprediction)1.2点汇集(pointaggregation)1.3集合聚集(setaggregation)1.4实例内预测(intra-instanceprediction)1.5整体网络架构2.损失函数2.1语义分数的
传统的深度估计方法通常是使用双目相机，计算两个2D图像的视差，然后通过立体匹配和三角剖分得到深度图。然而，双目深度估计方法至少需要两个固定的摄像机，当场景的纹理较少或者没有纹理的时候，很难从图像中捕捉足够的特征来匹配。所以最近单目深度估计发展的越来越快，但是由于单目图像缺乏可靠的立体视觉关系，因此在三维空间中回归深度本质上是一种不适定问题。单目图像采用二维形式来重新反射三维世界，然而，有一维场景叫做深度丢失了，导致无法判断物体的大小和距离，也不能判断物体是否被其它物体遮挡，所以，我们需要恢复单目图像的深度。基于深度图，我们可以判断物体大小和距离，以满足场景理解的需要。当估计的深度图能够反应场景
水系统网络安全状况的系统回顾ASystematicReviewoftheStateofCyber-SecurityinWaterSystems论文链接该论文主要回顾了水系统的网络安全研究，研究重点是提高供水、废水收集和处理系统的安全性一、Introduction过去的供水系统安全：通过隔离、限制对控制组件的访问来实现的。基于IoT的供水系统：依靠连接多层网络物理系统来促进自主去中心化决策，并改善实时数据和预测分析的使用，以提高可靠性、效率和生产力。普渡参考模型（Purdue）：一种用于描述工业控制系统（ICS）和企业级网络体系结构的标准模型。这个模型被设计用来提供一种方式来组织和理解工业控制系
1.论文介绍2023年发表在IEEETMI上的文章，名字为《BranchAggregationAttentionNetworkforRoboticSurgicalInstrumentSegmentation》（用于机器人手术器械分割的分支聚合注意力网络），link，code在code（其实还没上传)。2.摘要手术器械分割对机器人辅助手术具有重要意义，但手术过程中反射、水雾、运动模糊等噪声以及手术器械的不同形态会大大增加精确分割的难度。提出了一种新的基于分支聚合注意力网络（BAANet）的特征定位方法，该方法采用轻量级编码器，并设计了分支平衡聚合模块（BBA）和块注意力融合模块（BAF），实现了
热乎的MedicalSegmentation综述1文章介绍2前言3U-Net变型4SkipConnectionEnhancements4.1IncreasingtheNumberofSkipConnections4.2ProcessingFeatureMapswithintheSkipConnections4.3CombinationofEncoderandDecoderFeatureMaps5BackboneDesignEnhancements5.1ResidualBackbone5.2Multi-Resolutionblocks5.3Re-consideringConvolution其他综
背景机器学习模型对数据的分析具有很大的优势，很多敏感数据分布在用户各自的终端。若大规模收集用户的敏感数据具有泄露的风险。对于安全分析的一般背景就是认为有n方有敏感数据，并且不愿意分享他们的数据，但可以分享聚合计算后的结果。联邦学习是一种训练数据在多方训练，然后聚合结果得到最终的中心化模型。其中的关键就是多方结果的安全聚合。风险模型有很多用户，假设用户都是诚实但好奇的，即会遵守协议规则，但会通过拼凑数据获取敏感信息。换句话说就是恶意的，很可能执行不好的行为。安全聚合问题的定义、目标和假设风险模型假设用户和中心服务器都是诚实且好奇的。如果用户是恶意的，他们有能力在不被监测的情况下影响聚合结果。安全
文章目录SQL聚合函数（AggregateFunction）SQL聚合函数（AggregateFunction）PythonUDAF，即PythonAggregateFunction。PythonUDAF用来针对一组数据进行聚合运算，比如同一个window下的多条数据、或者同一个key下的多条数据等。针对同一组输入数据，PythonAggregateFunction产生一条输出数据。比如以下示例，定义了一个名字为weighted_avg的PythonUDAF：frompyflink.c
使用场景：表值聚合函数即UDTAF，这个函数⽬前只能在TableAPI中使⽤，不能在SQLAPI中使⽤。函数功能：在SQL表达式中，如果想对数据先分组再进⾏聚合取值：selectmax(xxx)fromsource_tablegroupbykey1,key2上⾯SQL的max语义产出只有⼀条最终结果，如果想取聚合结果最⼤的n条数据，并且n条数据，每⼀条都要输出⼀次结果数据，上⾯的SQL就没有办法实现了。所以UDTAF为了处理这种场景，可以⾃定义怎么取，取多少条最终的聚合结果，UDTAF和UDAF是类似的。案例场景：有⼀个饮料表有3列，分别是id、name和price，⼀共有5⾏，需要找到价格最
文章目录SQL表值聚合函数（TableAggregateFunction）SQL表值聚合函数（TableAggregateFunction）PythonUDTAF，即PythonTableAggregateFunction。PythonUDTAF用来针对一组数据进行聚合运算，比如同一个window下的多条数据、或者同一个key下的多条数据等，与PythonUDAF不同的是，针对同一组输入数据，PythonUDTAF可以产生0条、1条、甚至多条输出数据。以下示例，定义了一个名字为Top2的PythonUDTAF：frompyflink.commonimportRowfrompyflink.tab
