前言这一篇博客应该是我花时间最多的一次了，从2022年1月底至2022年4月底。我已经将这篇博客的内容写为论文,上传至arxiv：https://arxiv.org/pdf/2204.10160.pdf欢迎大家指出我论文中的问题，特别是语法与用词问题在github上，我也上传了完整的项目：https://github.com/Whiffe/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset关于自定义ava数据集，也是后台私信我最多的，也是我想完成的。下面是我在知乎、B站的同步内容：知乎：https://zhuanla
前言这一篇博客应该是我花时间最多的一次了，从2022年1月底至2022年4月底。我已经将这篇博客的内容写为论文,上传至arxiv：https://arxiv.org/pdf/2204.10160.pdf欢迎大家指出我论文中的问题，特别是语法与用词问题在github上，我也上传了完整的项目：https://github.com/Whiffe/Custom-ava-dataset_Custom-Spatio-Temporally-Action-Video-Dataset关于自定义ava数据集，也是后台私信我最多的，也是我想完成的。下面是我在知乎、B站的同步内容：知乎：https://zhuanla
个人简介👀个人主页：前端杂货铺🙋♂️学习方向：主攻前端方向，也会涉及到服务端📃个人状态：在校大学生一枚，已拿多个前端offer（秋招）🚀未来打算：为中国的工业软件事业效力n年🥇推荐学习：🍍前端面试宝典🍉Vue2🍋Vue3🍓Vue2&Vue3项目实战🥝Node.js🍒Three.js🌕个人推广：每篇文章最下方都有加入方式，旨在交流学习&资源分享，快加入进来吧Node.js系列文章目录内容参考链接Node.js（一）初识Node.jsNode.js（二）Node.js——开发博客项目之接口Node.js（三）Node.js——一文带你开发博客项目（使用假数据处理）Node.js（四）Node.j
个人简介👀个人主页：前端杂货铺🙋♂️学习方向：主攻前端方向，也会涉及到服务端📃个人状态：在校大学生一枚，已拿多个前端offer（秋招）🚀未来打算：为中国的工业软件事业效力n年🥇推荐学习：🍍前端面试宝典🍉Vue2🍋Vue3🍓Vue2&Vue3项目实战🥝Node.js🍒Three.js🌕个人推广：每篇文章最下方都有加入方式，旨在交流学习&资源分享，快加入进来吧Node.js系列文章目录内容参考链接Node.js（一）初识Node.jsNode.js（二）Node.js——开发博客项目之接口Node.js（三）Node.js——一文带你开发博客项目（使用假数据处理）Node.js（四）Node.j
当你想要更好的介绍自己的项目的时候，发现别人的readme都是下面很多花里胡哨的图片介绍，而自己只能写字其实添加图片有两种方式：第一种：在README.MD文件中写入如果这样写的话png就得放在根目录，当然也可以放在文件夹里面，加个路径就好了 绝对的相对的都行 绝对的相对的都行![imag
FoldingNet[1]提出了一种点云自编码器结构，属于自监督学习的范畴，可以将输入点云投影（即特征降维）至具有丰富语义信息的高维空间中，形成高维特征向量（文中用“codeword”指代），即编码过程。接着通过解码网络将高维特征向量恢复得到高维度的输入点云。如下图所示，对于input输入点云，首先经过特征编码形成codeword（不是图中的2Dgrid），接着进行两次folding操作，恢复得到与输入点云相似的输出点云：WhatisFoldingOperation？作者在文中指出，从直觉上来说，任何三维空间表面结构都可以通过“裁剪”，“挤压”，“屈伸”等操作转换成二维平面表示，因此以上操作的
FoldingNet[1]提出了一种点云自编码器结构，属于自监督学习的范畴，可以将输入点云投影（即特征降维）至具有丰富语义信息的高维空间中，形成高维特征向量（文中用“codeword”指代），即编码过程。接着通过解码网络将高维特征向量恢复得到高维度的输入点云。如下图所示，对于input输入点云，首先经过特征编码形成codeword（不是图中的2Dgrid），接着进行两次folding操作，恢复得到与输入点云相似的输出点云：WhatisFoldingOperation？作者在文中指出，从直觉上来说，任何三维空间表面结构都可以通过“裁剪”，“挤压”，“屈伸”等操作转换成二维平面表示，因此以上操作的
原文链接：https://arxiv.org/pdf/2007.08199.pdfgithub链接：GitHub-songhwanjun/Awesome-Noisy-Labels:ASurvey（本文仅做阅读笔记之用，如需了解细节可自行查看原文，翻译不周之处，敬请指正）1.Introduction据统计真实世界的数据集中存在的标注噪声范围在8%到38.5%。深度神经网络（DNN）因为具有很强的拟合能力，所以很容易对噪声标签过拟合。正则化技术（如数据增强，权重衰减，dropout，批次正则化（BN）等）虽然能缓解过拟合问题，但是光靠正则化并不能完全克服过拟合。如fig.1就形象地说明了这个问题：
原文链接：https://arxiv.org/pdf/2007.08199.pdfgithub链接：GitHub-songhwanjun/Awesome-Noisy-Labels:ASurvey（本文仅做阅读笔记之用，如需了解细节可自行查看原文，翻译不周之处，敬请指正）1.Introduction据统计真实世界的数据集中存在的标注噪声范围在8%到38.5%。深度神经网络（DNN）因为具有很强的拟合能力，所以很容易对噪声标签过拟合。正则化技术（如数据增强，权重衰减，dropout，批次正则化（BN）等）虽然能缓解过拟合问题，但是光靠正则化并不能完全克服过拟合。如fig.1就形象地说明了这个问题：
