我们都知道数据对于深度学习模型的重要性，但是如何省时省力的得到高质量的数据呢？这就是此文章探讨的问题。目录1.论文下载2.背景 3.相关技术4.创新点5.算法5.1置信学习（Confidentlearning） 5.2目标检测中的CL算法1.论文下载https://arxiv.org/abs/2211.139932.背景 对于深度学习模型来说，标注数据的准确性，对模型的精度有很大的影响。而对于比如安全领域、自动驾驶领域，模型的精度是至关重要的，所以需要一些技术能够评价数据集并找出标注错误的数据，这也是该论文的关注点。3.相关技术科研人员处理噪声数据的方法有很多。（1）最简单的办法：雇佣多个标注

Part1:论文阅读论文链接：SimGNN:ANeuralNetworkApproachtoFastGraphSimilarityComputation1.摘要图相似性搜索是最重要的基于图的应用程序之一，例如查找与查询化合物最相似的化合物。图相似度/距离计算，例如图编辑距离（GED）和最大公共子图（MCS），是图相似度搜索和许多其他应用程序的核心操作，但在实践中计算成本很高。作者受最近神经网络方法在几种图应用（例如节点或图分类）中取得成功的启发，提出了一种基于神经网络的新方法来解决这个经典但具有挑战性的图问题，旨在减轻计算负担的同时保持良好的性能。2.论文提出背景图相似性搜索是最重要的基于图的

通过使用FastReport.NET，用户可以构建和创建本质上独立的应用程序以及报表。网。换句话说，这意味着FastReport.NET可以作为所有用户的独立报告工具独立使用。它可以包括一个强大的可视化报告，用于创建和修改报告的过程。用户应用程序可以从代码本身运行设计器。它包括仅在企业版中为ASP.NET的用户提供需要的在线报表设计器。它可以连接到任何数据库以及任何数据库来创建查询。在运行参数报告之前，它会以对话形式向用户报告提示。最后但并非最不重要的一点是，它可以查看结果以及打印结果，甚至可以将其导出为许多其他常见文档格式。它有一定的优势，它是用C#格式编写的，它还包含托管代码，只是这个非常

此代码生成随机数，然后根据对有关间隔的函数的输入生成直方图。“bins”表示直方图区间，“bin_counts”保存给定区间内随机数的数量。我已经查看了几篇处理类似问题的帖子，我知道我在内存中的某个地方超出了范围，但GBD只将我指向“免费(垃圾箱)”；在代码的末尾。我仔细检查了我的数组长度，我认为它们在不访问不存在的元素/写入未分配的内存方面都是正确的。奇怪的是代码按预期工作，它生成了一个准确的直方图，现在我只需要帮助清理这个free()invalidnextsize错误。如果有人有任何建议，我将不胜感激。整个输出是:检测到glibc./file:free():invalidnexts

此代码生成随机数，然后根据对有关间隔的函数的输入生成直方图。“bins”表示直方图区间，“bin_counts”保存给定区间内随机数的数量。我已经查看了几篇处理类似问题的帖子，我知道我在内存中的某个地方超出了范围，但GBD只将我指向“免费(垃圾箱)”；在代码的末尾。我仔细检查了我的数组长度，我认为它们在不访问不存在的元素/写入未分配的内存方面都是正确的。奇怪的是代码按预期工作，它生成了一个准确的直方图，现在我只需要帮助清理这个free()invalidnextsize错误。如果有人有任何建议，我将不胜感激。整个输出是:检测到glibc./file:free():invalidnexts

Citations：Y.Diao,R.Cen,F.Xue.ORB-SLAM2S:AFastORB-SLAM2SystemwithSparseOpticalFlowTracking[C].202113thInternationalConferenceonAdvancedComputationalIntelligence(ICACI).Wanzhou,China.2021:160-165.Keywords：Visualization,Simultaneouslocalizationandmapping,Cameras,Real-timesystems,Aircraftnavigation,Cent

Citations：Y.Diao,R.Cen,F.Xue.ORB-SLAM2S:AFastORB-SLAM2SystemwithSparseOpticalFlowTracking[C].202113thInternationalConferenceonAdvancedComputationalIntelligence(ICACI).Wanzhou,China.2021:160-165.Keywords：Visualization,Simultaneouslocalizationandmapping,Cameras,Real-timesystems,Aircraftnavigation,Cent

主要工作为了弥合2D图像和3D空间之间的差距，在平面扫描体中建立立体对应关系，然后将其转换为3DGV（3Dgeometricvolume），以便能够对3D几何体和语义线索进行编码，并能在世界坐标系中进行目标检测。设计了一条端到端的pipeline，用于提取像素级特征以进行立体匹配，并提取高级特征以进行对象识别。所提出的网络联合估计场景深度和目标检测，实现了许多实际应用。3DGV：3DGV定义在世界坐标系中，由构造在相机截锥中的平面扫描体(PSV)转换而来。在PSV中可以很好地学习像素对应约束进行深度估计，而真实世界目标目标检测可以在3DGV学习。该结构体是完全可微的，因此可以联合优化学习立体匹

目录论文地址及代码速览主要解决的问题—扩散模型预测慢0.Abstruct0.1逐句翻译总结1.INTRODUCTION1.1逐句翻译第一段（扩散模型在各个方面取得很好的成果）第二段（提出扩散模型预测慢的问题）第三段（作者提出自己的想法）文字说明1.2总结3PROGRESSIVEDISTILLATION第一段（简单介绍如何蒸馏减少步数）第二段第三段（继续描述这个迭代可以不断递归使用，学生变成新的老师）第四段（这里调整Alph1为0真的没看懂，得看看代码）论文地址及代码谷歌research的成果，ICLR2022https://arxiv.org/abs/2202.00512tenserflow官

1地图部分1.1EGO-Swarm代码解读-地图部分参数解读主要函数解读1.2EGO-Swarm代码阅读笔记之GridMap类1.3EGO-PLANNER代码阅读（地图部分）1.4欧几里得距离转换（EDT）算法1.5EDT欧式距离变换1.6栅格地图建立-Grid-Mapping概率栅格地图，概率更新过程的公式推导过程全概率公式、贝叶斯公式2路径搜索部分2.1Fast-Planner代码阅读-1.RobustandEfficientQuadrotorTrajectoryGenerationforFastAutonomousFlight一.kinodynamica_star（前端hybridA_s