目录简言文献地址：重要网址（该项目持续更新中）摘要1、介绍2、基础概念2.1 3Dobjectdetection 2.2 Datasets2.3 Evaluationmetrics2.3.1 评估指标类-12.3.2 评估指标类-22.3.3 评估指标对比3、基于Lidar的三维目标检测3.1 基于数据表示的3D检测方法3.1.1 基于点的3D物体检测3.1.2 基于网格的3D物体检测持续更新中。。。。。。。。。。。。。。。。。。。。。。简言 最近在整理一些3D检测的算法，之前在服务器上跑了PointPillars和CenterPoint，研究了下OpenPCDet和mmdetecti
目录概述细节背景常用数据集及其评价指标基于RGB图像的算法基于点云的算法基于RGB图像与点云模态融合的算法概述这是一篇21年的综述，介绍了3D目标检测背景、传感器以及基于传感器的算法分类及其特点。细节背景3D目标检测的地位：是无人驾驶中感知模块的核心基础3D目标检测的主要问题：目标检测的核心是定位+分类，分类的问题其实不大，限制算法性能的最主要因素还是定位误差。3D目标检测中的传感器：3D目标检测中使用的传感器主要可以分为两类，一类是无源传感器（passivesensors）另一类是有源传感器（activesensors）。这两类中用的最多的就是单目相机和激光雷达了。单目相机：优点：便宜且适用
文章目录OPENINGSTATEMENTBackgroundTaskbackground:FixthefailingtestcasesBeforethetask:Task:FixthefailingtestcasesTask:ExecutableDocumentationBeforethetask:BonusOpportunity:OnemoretaskTask:TestCasesClusteringRewardThankYou!原地址：Survey:AutomaticallyGeneratedTestSuitesforJavaScriptOPENINGSTATEMENTYouarebeing
目录摘要一、介绍二、先验知识三、基于中毒的攻击A.基于中毒的攻击的统一的框架B.评价指标C.针对图像和视频分类的攻击（分析和总结）D.对其他领域或范式的攻击E.出于积极目的的后门攻击四、非中毒的后门攻击A.基于权重的后门攻击B.修改结构的后门攻击五、与相关领域的联系A.后门攻击和对抗性攻击B.后门攻击和数据中毒六、后门防御A.经验性后门防御B.经过认证的后门防御C.评估指标七、基准数据集八、展望未来发展方向九、总结摘要本文根据现有方法的特点和性质对现有方法进行了简要而全面的回顾和分类。三个攻击场景（scenarios）：使用第三方数据集、使用第三方平台、使用第三方模型这三个场景对应的攻击能力越
原文链接：https://arxiv.org/abs/2401.038901.引言NeRF在计算效率和可控性上具有局限性，这导致了3D高斯溅射（3DGS）的出现，重新定义了场景表达和渲染。3DGS通过引入新的场景表达技术，用大量的3D高斯表达场景。3DGS使用显式的表达和高度并行化的工作流程，促进高效计算和渲染；其创新在于混合了可微渲染与基于点的渲染技术的优势。3DGS保留了连续体积辐射场的理想特性（有利于高质量图像渲染），同时避免了渲染空空间带来的计算开销。此外，3DGS的显式表达提供了对场景的动态控制能力。2.背景2.1问题定义2.1.1辐射场辐射场是3D空间中光分布的表达，捕捉了环境中光
KhanA,RaufZ,KhanAR,etal.ARecentSurveyofVisionTransformersforMedicalImageSegmentation[J].arXivpreprintarXiv:2312.00634,2023.【论文概述】本文是关于医学图像分割中视觉变换器（VisionTransformers，ViTs）的最新综述。文中详细回顾了ViTs及其与卷积神经网络（CNNs）结合形成的混合视觉Transformers（HybridVisionTransformers，HVTs）在医学图像分割方面的最新进展。文中讨论了这些技术如何通过模拟图像中的长距离关系来提高诊断、
Khan,S.,Naseer,M.,Hayat,M.,Zamir,S.W.,Khan,F.S.,&Shah,M.(2021).TransformersinVision:ASurvey.InarXiv[cs.CV].arXiv.http://arxiv.org/abs/2101.01169Transformer综述摘要Transformer模型在自然语言任务上取得的惊人成果引起了视觉社区对研究它们在计算机视觉问题中的应用的兴趣。在它们显著的优势中，Transformer使得能够对输入序列元素之间的长依赖关系进行建模，并支持对序列的并行处理，相比之下循环网络（如长短时记忆网络LSTM）需要更多的设
论文解读：Siren’sSongintheAIOcean:ASurveyonHallucinationinLargeLanguageModels核心要点针对大模型幻觉问题进行综述，从detection、explanation和mitigation三个方面进行介绍；对幻觉现象和评估基准进行归纳，分析现有的缓解幻觉的方法，讨论未来潜在的研究发展相关文献整理：https://github.com/HillZhang1999/llm-hallucination-survey一、什么是大模型的幻觉大模型幻觉的三种类型：生成的内容与输入存在冲突：Input-conflictinghallucination
AGI之Agent：《AgentAI:SurveyingtheHorizonsofMultimodalInteraction智能体AI:多模态交互视野的考察》翻译与解读导读：这篇文章探讨了一种新的多模态智能代理体系结构，该体系结构可感知视觉刺激、语言输入和其他环境相关数据，并产生有意义的实体动作。>>文章提出，随着深度学习的发展，语言模型和视觉语言模型在某些任务上显示出超人水平的能力。然而，这些模型通常难以在物理环境中产生实体动作。为此，文章提出了一种多模态智能代理框架，将语言模型和视觉语言模型纳入一个统一的系统架构中，以产生实体动作。该框架主要包含以下要点:>>整合各种感知模块，例如视觉、语
LLMs之Efficient-LLMs-Survey：Efficient-LLMs-Survey(高效大型语言模型综述)的简介、代表性算法论文及其代码之详细攻略目录相关文章LLMs：《EfficientLargeLanguageModels:ASurvey》翻译与解读LLMs之Efficient-LLMs-Survey：Efficient-LLMs-Survey(高效大型语言模型综述)的简介、代表性算法论文及其代码之详细攻略Efficient-LLMs-Survey(高效大型语言模型综述)的简介1、为什么需要高效LLMs？一、Model-CentricMethods1.1、ModelCompr
