DocTamper: https://github.com/qcf-568/DocTamper Introduction文件图像是现代社会最重要的信息传播媒介之一，它包含了大量的敏感和隐私信息，如电话号码。随着图像编辑技术的快速发展，这种敏感的文本信息更容易被恶意篡改，构成欺诈等，造成严重的信息安全风险[33,42,48,50]。因此，检测文档图像中的篡改已成为近年来重要的研究课题[18,47]。开发有效的方法来检查文档图像是否被修改，同时确定篡改文本的确切位置是至关重要的。大多数文档图像中的文本篡改方法大致可以分为三种类型:(1)拼接，将一个图像中的区域复制并粘贴到其他图像中;(2)Copy

第【1】章前言：AI的训练和设计似乎ubuntu是必要的，而且，GPU的配置似乎也是要在Ubuntu下，某些模式版本才能兼容。单独搞一个编译服务器是个思路，但是，如果资金不够，也许要考虑在Windwos和Linux的系统共生下做点文章。Windows开始提供了内嵌的对Linux的子系统兼容模式。利用这个模式可以在windows操作系统环境直接用应用软件的方式，操作子系统。很显然，这种方式比之前的双操作系统，重复启动，和利用Vmware在一个摆烂的环境里面运行要好的多。【案】作者安装windows的guide做了很多实验，发现遇到很多问题，这里大致给出来思路和笔者实际采用的解决办法。一个工具准备

GenerativeSparseDetectionNetworksfor3DSingle-shotObjectDetection稀疏检测网络（GSDN），这是一种完全卷积的单帧稀疏检测网络，可以有效地生成对对象提议的支持。模型重要组成部分事一个稀疏的张量编码器，使用了转置卷积以及修剪层，丢弃了概率小的对象中心，以减小运行的时间和占用的内存。Introduction检测三维物体时遇到两个问题：三维数据需要进行处理和保存较之二维数据更加复杂三维数据是十分稀疏的，采样都来源于物体的表面提出按层次稀疏张量编码器来解决三次复杂度，采用稀疏张量网络对大场景进行全卷积的有效处理。边界框的锚点即扫描物体的中心

摘要：多焦点图像融合作为一种高效的信息融合方法，在图像处理和计算机视觉领域受到越来越多的关注。本文提出了一种基于焦点区域检测（focusregiondetection）的引导滤波(guidefilter)的多焦点图像融合方法。首先，提出了一种新的焦点区域检测方法，利用引导滤波(guidefilter)对均值滤波(meanfilter)和差分算子(differenceoperator)得到的粗糙焦点图进行细化。然后，通过逐像素最大规则得到初始决策图，并再次使用引导滤波优化生成最终决策图。最后，采用逐像素加权平均规则得到融合后的图像，得到最终的决策图。实验结果表明，该方法对不同噪声具有较强的鲁棒性

基于PointNets的雷达数据二维汽车检测摘要        对于许多自动驾驶功能，高精度的感知车辆环境是一个重要的前提。现代高分辨率雷达传感器为每个目标产生多个雷达目标，这使得这些传感器特别适合于二维目标探测任务。这项工作提出了一种方法，使用PointNets完全依赖稀疏雷达数据检测二维物体。在文献中，目前只提出了对对象进行对象分类或边界盒估计的方法。相比之下，该方法便于分类和使用单一雷达传感器对物体的边界盒估计。为此，对雷达数据进行分割，进行二维目标分类，并对二维边界盒进行回归，以估计一个模态的二维边界盒。该算法的评估使用一个自动创建的数据集，其中包括各种真实的驾驶机动。结果表明，利用P

论文标题：BootstrappingMulti-viewRepresentationsforFakeNewsDetection论文作者：QichaoYing,XiaoxiaoHu,YangmingZhou,ZhenxingQian,DanZeng,ShimingGe论文来源：AAAI2023，Paper代码来源：Code介绍基于深度学习的多模态虚假新闻检测(FakeNewsDetection,FND)一直饱受关注，本文发现以往关于多模态FND的研究仍未解决两个主要问题：不同工作虽提出一系列复杂的特征提取和跨模态融合网络来从新闻中获取表征判断是否存在异常。然而，没有足够的机制保证每个模态提取的信

发布于CVPR2022论文链接：https://openaccess.thecvf.com/content/CVPR2022/papers/Wang_ObjectFormer_for_Image_Manipulation_Detection_and_Localization_CVPR_2022_paper.pdf摘要在本文中，我们提出了ObjectFormer来检测和定位图像操作。为了捕捉在RGB域中不再可见的细微操作轨迹，我们提取图像的高频特征，并将其与RGB特征结合，作为多模态补丁嵌入。此外，我们使用一组可学习的对象原型作为中间层表示来建模不同区域之间的对象级一致性，并进一步用于改进补丁嵌

1、问题描述当要push代码到git时，出现提示：$gitpushoriginmasterTo../remote/ ![rejected]       master->master(non-fast-forward)error:failedtopushsomerefsto'../remote/'2、分析问题Dealingwith“non-fast-forward”errors：(Fromtimetotimeyoumayencounterthiserrorwhilepushing)    Topreventyoufromlosinghistory,non-fast-forwardupdatesw

本博客系博主根据个人理解所写，非逐字逐句翻译，预知详情，请参阅论文原文。发表地点：ACL2022；论文下载链接：Multi-ModalSarcasmDetectionviaCross-ModalGraphConvolutionalNetwork-ACLAnthology代码链接：https://github.com/HITSZ-HLT/CMGCN；摘要：随着在线发布包含多模态信息的博客的流行，很多研究同时使用文本和视觉的信息来做多模态嘲讽检测（sarcasmdetection）。本文探究了一种新颖的思路，通过为每一个实例（instance）构建跨模态图（corss-modalgraph）来提取

目录1.简介2.模型2.1二阶段要比单阶段模型效果好本质原因2.2模型结构2.3.focalloss2.3.1　focalloss公式说明(1)becloss(2)控制容易分类/难分类样本的权重(3)控制正负样本的权重(4)focalloss(5)bcevsce　，即二分类交叉熵　vs　多分类交叉熵2.3.2　论文其他设定2.4消融实验3.源码详解(1)　focalloss源码解析A.数据处理过程:B.计算的时候，MMDetection提供了py和cuda版本，py版本如下所示(2)通过计算实例进行相关比较4ref1.简介目标识别有两大经典结构:第一类是以FasterRCNN为代表的二阶段识别