centerpoint基于Center的三维目标检测和跟踪论文网址：centerpointcenterpoint前向传播过程1.输入:点云数据P2.经过3D编码器(如VoxelNet或者PointPillars),生成俯视图特征图M3.进入检测头,首先是一个可学习的3x3卷积层、BN层、ReLU激活函数4.分支到两个头:(1)中心点heatmap头:进行几个卷积生成K个热力图,表示K类目标的中心点置信度(2)回归头:进行几个卷积,生成所有类别共享的回归目标,包括坐标回归、尺寸回归、高度回归、旋转回归等5.对heatmap进行非极大抑制,找到峰值点作为检测到的目标中心6.在每个目标中心的位置,从
(PTP)Position-guidedTextPromptforVision-LanguagePre-training视觉语言预训练的位置引导文本提示摘要视觉语言预训练(VLP)已经显示出将图像和文本对统一起来的能力，促进了各种跨模态的学习任务。然而，我们注意到，VLP模型往往缺乏视觉基础/定位能力，这对许多下游任务如视觉推理至关重要。在这项工作中，我们提出了一种新的位置引导的文本提示（PTP）范式，以提高用VLP训练的跨模态模型的视觉定位能力。具体来说，在VLP阶段，PTP将图像分为N×N块，并通过VLP中广泛使用的目标检测器识别每个块中的目标。然后，它通过鼓励模型预测给定区块中的目标或重
ImperceptibleAdversarialAttackviaInvertibleNeuralNetworks作者：ZihanChen,ZiyueWang,JunjieHuang*,WentaoZhao,XiaoLiu,DejianGuan解决的问题：虽然视觉不可感知性是对抗性示例的理想特性，但传统的对抗性攻击仍然会产生可追踪的对抗扰动。代码：https://github.com/jjhuangcs/AdvINN类型：黑盒目标攻击，摘要：作者利用可逆神经网络(AdvINN)方法进行对抗性攻击，生成鲁棒且难以察觉的对抗性示例。AdvINN利用INN的信息保留属性，添加目标类的指定信息、删除与
文章目录题目：Boros:SecureCross-ChannelTransfersviaChannelHub1.介绍2.背景及相关工作3.构造思路4.形式化描述5.实施和评价题目：Boros:SecureCross-ChannelTransfersviaChannelHub 摘要——支付渠道允许双方在不涉及区块链的情况下执行微支付，它已经成为提高比特币和以太坊等去中心化账本的一个有前途的可扩展性的方案。支付渠道已扩展到支付网络，用户可以通过现有渠道作为中介链接，将硬币路由到他人。然而，通过多个渠道路由支付并不承担重要的管理费用。它要求每个中介渠道锁定其部分可用容量，直到支付结算。
2022.01.06同星期四晴（2℃/-15℃）（简书日更57天/总日更446天）我们在各种软件所接受到的资讯，其背后是大量的信息分发者和制造者，是为了盈利而存在的，而这么多的资讯，对于我们而言只是碎片化的信息，无法让我们增长知识，理解世界。从系统思考的角度讨论这个问题的话，有两个假设很重要：一是系统结构决定“部分”的行为。系统中的事情之所以发生，主要是系统的结构和各部分之间的关系决定的。二是系统不是简单的线性因果关系，而是回路网络关系。能看到的事物都只是外在表象，就像一个手机，我们只能看到的是他的形状颜色，以及屏幕所显示的内容，并不知道让手机运作起来，需要的是哪些结构，哪些结构又导致了哪些功
论文信息题目：Crowd-RobotInteraction:Crowd-awareRobotNavigationwithAttention-basedDeepReinforcementLearning作者：ChanganChen,YuejiangLiu代码地址：https://github.com/vita-epfl/CrowdNav来源：arXiv时间：2019Abstract对于在拥挤空间中运行的机器人来说，以有效且符合社会规范的方式进行移动是一项重要但具有挑战性的任务。最近的工作显示了深度强化学习技术在学习社会合作政策方面的力量。然而，随着人群的增长，他们的合作能力会下降，因为他们通常将
PKDGeneralDistillationFrameworkforObjectDetectorsviaPearsonCorrelationCoefficient基于Pearson相关系数的目标检测器通用蒸馏框架论文网址：PKD创新点1.提出FPN特征模仿适用于异构检测器对。之前的工作大多只考虑同质检测器对,很少研究异构情况。2.指出直接最小化特征图之间的均方误差存在问题,如教师和学生特征幅值不同、FPN不同级别和通道存在主导特征等。3.提出用Pearson相关系数进行特征模仿,可以关注特征之间的关系信息,而不受幅值的约束。并证明这与高温度下的KL散度最小化等价。4.在多个检测器和数据集上进行
1、ZGC简介1.1介绍ZGC是一款低延迟的垃圾回收器，是Java垃圾收集技术的最前沿，理解了ZGC，那么便可以说理解了java最前沿的垃圾收集技术。从JDK11中作为试验特性推出以来，ZGC一直在不停地发展中。从JDK14开始，ZGC开始支持Windows。在JDK15中，ZGC不再是实验功能，可以正式投入生产使用了。在最新的JDK开源库中，已经出现了分代收集的ZGC代码，预计不久的将来会正式发布，到时相信ZGC各项表现将会更加优秀。图1分代收集的ZGC如上图，JDK21中已经有了分代ZGC的Feature。1.2ZGC特征低延迟大容量堆染色指针读屏障1.3垃圾收集阶段图2ZGC运作过程如上
CWD基于稠密预测的通道式知识蒸馏论文网址：CWD论文总结这篇论文「Channel-wiseKnowledgeDistillationforDensePrediction」提出了一种针对密集预测任务的基于通道的知识蒸馏方法。下面我详细讲解该方法的主要内容:问题背景在计算机视觉任务中,图像分类只需要预测整张图像的类别,而密集预测需要对每个像素或对象进行预测,输出更丰富的结果,如语义分割、目标检测等。直接应用分类任务中的知识蒸馏方法于密集预测任务效果不佳。已有的方法通过建模空间位置之间（指的是图像中的像素位置）的关系来传递结构化知识。方法概述论文提出了一种通道级的知识蒸馏方法。主要分为两个步骤:(
虽然这本书大一就已经买了，但是大二的我才刚刚打开这本尘封一年的书，因为最近刚好在学习爬虫的相关知识，看到第九章的标题就开始读了下去。总结来说，第九章就是以图论中的两种搜索方式DFS和BFS为引子,讲述了图论的知识如何解决网络爬虫中的问题，又就如何构建网络爬虫提出了几个问题和讨论。虽然篇幅不长，但是想要传达给读者的信息却很多样，我根据自己的阅读粗略地理解了一番。如何将一个数学知识形象化为我们日常生活中的所能利用到的方方面面呢？作者在文中所说的图论，形象化来看就是点，线的集合，点与点之间的关系可以用线来形象化表示，而点我们可以看成是一个对象，简而言之，图论中的知识可以用来表示不同对象间的关系。我们
