原始题目：N-BEATS:Neuralbasisexpansionanalysisforinterpretabletimeseriesforecasting中文翻译：N-BEATS:可解释时间序列预测的神经基展开分析发表时间：2020-02-20平台：arXiv文章链接：http://arxiv.org/abs/1905.10437开源代码：https://github.com/servicenow/n-beats摘要我们专注于使用深度学习解决单变量时间序列点预测问题。我们提出了一种基于后向和前向残差链路以及完全连接层的深度堆栈的深度神经架构。该体系结构具有许多理想的特性，可解释，无需修改即可
论文：联邦忘却学习研究综述federatedunlearning-联邦忘却学习摘要联邦忘却学习撤销用户数据对联邦学习模型的训练更新，可以进一步保护联邦学习用户的数据安全。联邦忘却学习在联邦学习框架的基础上，通过迭代训练，直接删除等方式，撤销用户本地局部模型对全局模型的训练更新2.1联邦学习传统机器学习要求用户将原始数据上传至高性能云服务器进行集中式训练联邦学习为中心服务器协同由N个持有训练数据的用户组成的集合U={u1，u2…un}共同训练机器学习模型，得到模型最优参数，其中每个用户持有训练数据。（FedAvg聚合规则对参与训练用户局部模型的参数更新进行聚合）联邦学习所有用户共享全局模型的训练
创新：（1）对卷积进行改进（2）加残差连接1、GhostModule1、利用1x1卷积获得输入特征的必要特征浓缩。利用1x1卷积对我们输入进来的特征图进行跨通道的特征提取，进行通道的压缩，获得一个特征浓缩。2、利用深度可分离卷积获得特征浓缩的相似特征图（Ghost）。在获得特征浓缩之后，利用深度可分离卷积进行逐层卷积，进行跨特征点的特征提取，获得额外的特征图，也就是Ghost。将这两个进行堆叠就是输出的特征层2、GhostBottlenecksGhostBottlenecks是由GhostModule组成的瓶颈结构，其实本质上就是用GhostModule，来代替瓶颈结构里面的普通卷积。Ghos
0.简介现在的SLAM算法在静态环境中表现良好，但在动态环境中很容易失败。最近的工作将基于深度学习的语义信息引入到SLAM系统以减轻动态对象的影响。然而，在资源受限的机器人的动态环境中应用鲁棒定位仍然具有挑战性。所以《RGB-DInertialOdometryforaResource-RestrictedRobotinDynamicEnvironments》提出了一种用于动态环境下资源受限机器人的实时RGB-D惯性里程计系统-Dynamic-VINS。系统包含三个主要并行运行的线程：目标检测、特征跟踪和状态优化。这里作者放出了Github代码。Dynamic-VINS采用基于网格的特征检测方法
文章目录1概述2模型说明2.1局部SPN2.2非局部SPN2.3结合置信度的亲和力学习2.3.1传统正则化2.3.2置信度引导的affinity正则化3效果3.1NYUDepthV23.2KITTIDepthCompletion参考资料1概述本文提出了一种非局部的空间传播网络用于深度图补全，简称为NLSPN。（1）为什么需要深度图补全？在AR、无人机控制、自动驾驶和运动规划等应用当中，需要知道物体的稠密深度信息。现有的大部分深度传感器，如雷达、RGB-D相机等，可以提供RGB图片和准确的稀疏深度图，未提供的部分需要通过算法进行补全。这种通过稀疏的深度图和其他信息（如RGB信息）对深度图进行补全
一、文章摘要图像隐写术的目的是将一个完整大小的图像(称为秘密)隐藏到另一个图像(称为封面)中。以往的图像隐写算法只能在一个封面中隐藏一个秘密。在这篇论文中，我们提出了一个自适应局部图像隐写(AdaSteg)系统，允许缩放和位置自适应图像隐写。该系统通过在局部范围内自适应隐藏秘密，提高了隐写术的安全性，并进一步实现了单一封面内的多秘密隐写术。具体来说，这是通过两个阶段来实现的，即自适应块选择阶段和秘密加密阶段。首先，利用所提出的隐写质量函数和策略网络，利用深度强化学习自适应确定最优局部隐藏块；然后，将秘密图像转换为一个加密噪声的块，类似于生成对抗样本的过程，进一步编码到封面的局部区域，以实现更安
论文地址：https://arxiv.org/abs/2203.13903代码地址：https://github.com/facebookresearch/sylph-few-shot-detection目录1、存在的问题2、算法简介3、算法细节3.1、基础检测器3.2、小样本超网络3.2.1、支持集特征提取3.2.2、代码预测3.2.3、代码聚合和归一化3.3、基础检测器的训练3.4、超网络的训练3.5、元测试4、实验4.1、对比实验4.2、消融实验4.3、学习能力测试5、结论1、存在的问题目前的小样本目标检测方法：基于两阶段微调、基于元学习。基于微调：首先在基类上进行预训练，然后在来自基类
基于低点对应模型的光场相机相对姿态估计张赛平，研究生委员，金栋阳、戴宇超，IEEE委员，杨扶正摘要：在本文中，我们提出了一种基于微透镜阵列（MLA）的传统光场（LF）相机的相对位姿估计算法。首先，通过使用匹配的LF点对，我们建立了LF点-LF点对应模型来表示一对LF中相同3D场景点的LF特征之间的相关性。然后，我们采用所提出的对应模型来估计相对相机位姿，其中包括线性解和流形上的非线性优化。与现有相关算法根据恢复的场景点深度来估计相对位姿不同，我们采用估计的视差来避免由于LF相机的子孔径图像之间的基线超小而导致恢复深度的不准确。模拟和真实场景数据的实验结果证明了该算法与经典和最先进的相对位姿估
文章目录一.论文信息二.论文内容1.摘要2.引言3.作者贡献4.主要图表5.结论一.论文信息论文题目：YouCan’tSeeMe:PhysicalRemovalAttacksonLiDAR-basedAutonomousVehiclesDrivingFrameworks（你看不见我:对基于激光雷达的自动驾驶汽车驾驶框架的物理移除攻击）论文来源：2023-UsenixSecurity论文团队：密歇根大学&佛罗里达大学&日本电气通信大学二.论文内容1.摘要自动驾驶汽车(AVs)越来越多地使用基于激光雷达的物体检测系统来感知道路上的其他车辆和行人。目前，针对基于激光雷达的自动驾驶架构的攻击主要集中在
目录0、基本信息1、研究动机2、创新点——OneForAll：uniquefeatures3、准备4、具体实现4.1、用TAGs统一来自不同领域的图数据4.2、用NOI（NODES-OF-INTEREST）统一不同图任务4.2.1、NOI子图4.2.2、NOI提示结点4.3、用于图的上下文学习（ICL）的图提示范式（GPP）5、训练和评估过程未完待续0、基本信息会议：2024-ICLR-UNDER_REVIEW评分：6，6，6，10作者：Anonymousauthors文章链接：ONEFORALL:TOWARDSTRAININGONEGRAPHMODELFORALLCLASSIFICATION
