草庐IT

阅读文献

全部标签

文献阅读——MDCSpell:一种多任务的汉语拼写校正器框架

概述本次讨论班分享一篇关于中文拼写纠错(以下简称CSC)的论文,该文章提出了一种新的通用检测器-校正器多任务框架,其中校正器使用BERT来捕获原始句子中每个字符的视觉和语音特征,并使用后期融合策略来融合校正器和检测器的隐藏状态,以最大限度地减少拼写错误对字符的误导影响。在基准测试上的综合实验表明,本文提出的方法在CSC任务中的性能明显优于最新的方法。1介绍中文拼写纠正(CSC)是一项旨在自动检测和纠正中文文本中的拼写错误的基础性工作。这些拼写错误通常是由人类书写、自动语音识别(ASR)或光学字符识别(OCR)系统引起的。CSC是必不可少的,因为它对许多下游任务至关重要,如搜索引擎和论文评分。近

文献阅读——MDCSpell:一种多任务的汉语拼写校正器框架

概述本次讨论班分享一篇关于中文拼写纠错(以下简称CSC)的论文,该文章提出了一种新的通用检测器-校正器多任务框架,其中校正器使用BERT来捕获原始句子中每个字符的视觉和语音特征,并使用后期融合策略来融合校正器和检测器的隐藏状态,以最大限度地减少拼写错误对字符的误导影响。在基准测试上的综合实验表明,本文提出的方法在CSC任务中的性能明显优于最新的方法。1介绍中文拼写纠正(CSC)是一项旨在自动检测和纠正中文文本中的拼写错误的基础性工作。这些拼写错误通常是由人类书写、自动语音识别(ASR)或光学字符识别(OCR)系统引起的。CSC是必不可少的,因为它对许多下游任务至关重要,如搜索引擎和论文评分。近

Linux 0.11源码阅读笔记-总结

总结Linux0.11主要包含文件管理和进程管理两个部分。进程管理包括内存管理、进程管理、进程间通信模块。文件管理包含磁盘文件系统,打开文件内存数据。磁盘文件系统包括空闲磁盘块管理,文件数据块的管理,文件元数据的管理,树形结构目录。打开文件内存数据包括文件描述符表、file文件表、inode节点表。中断过程每个进程有一个用户栈和一个进程栈,中断调用导致用户栈切换到内核栈,中断返回导致内核栈切换到用户栈INT指令中调调用时,用户态运行状态被保存到内核栈中IRET指令中断返回时,恢复用户态运行状态信息,包括用户栈地址信息系统调用基于int80软中断实现,80中断程序根据系统调用号调用相应的函数,如

Linux 0.11源码阅读笔记-总结

总结Linux0.11主要包含文件管理和进程管理两个部分。进程管理包括内存管理、进程管理、进程间通信模块。文件管理包含磁盘文件系统,打开文件内存数据。磁盘文件系统包括空闲磁盘块管理,文件数据块的管理,文件元数据的管理,树形结构目录。打开文件内存数据包括文件描述符表、file文件表、inode节点表。中断过程每个进程有一个用户栈和一个进程栈,中断调用导致用户栈切换到内核栈,中断返回导致内核栈切换到用户栈INT指令中调调用时,用户态运行状态被保存到内核栈中IRET指令中断返回时,恢复用户态运行状态信息,包括用户栈地址信息系统调用基于int80软中断实现,80中断程序根据系统调用号调用相应的函数,如

论文阅读笔记-DAGMapper: Learning to Map by Discovering Lane Topology

Title:DAGMapper:LearningtoMapbyDiscoveringLaneTopology题目:DAGMapper:通过发现车道拓扑学习制作地图DAG:有向无环图目标:通过车辆的一次通过获得的3D感官数据来绘制复杂高速公路的车道边界,这些车道由于分叉和合并而包含拓扑变化。方法:首先利用安装在自动驾驶汽车上的激光雷达来构建一个鸟瞰世界的视图(BEV)。然后,我们利用一个深度网络提取下一车道网络的精确几何和拓扑。输入:一个BEV聚合的激光雷达强度图像\(D\)输出:由深度神经网络参数化的车道边界的DAG(与车道边界相对应的结构化折线的集合)。难点:高速公路由于分叉和合并而包含复杂

论文阅读笔记-DAGMapper: Learning to Map by Discovering Lane Topology

Title:DAGMapper:LearningtoMapbyDiscoveringLaneTopology题目:DAGMapper:通过发现车道拓扑学习制作地图DAG:有向无环图目标:通过车辆的一次通过获得的3D感官数据来绘制复杂高速公路的车道边界,这些车道由于分叉和合并而包含拓扑变化。方法:首先利用安装在自动驾驶汽车上的激光雷达来构建一个鸟瞰世界的视图(BEV)。然后,我们利用一个深度网络提取下一车道网络的精确几何和拓扑。输入:一个BEV聚合的激光雷达强度图像\(D\)输出:由深度神经网络参数化的车道边界的DAG(与车道边界相对应的结构化折线的集合)。难点:高速公路由于分叉和合并而包含复杂

阅读openfoam框图

看完of的帮助文档,会非常怀念fluent的帮助文档或是matlab的帮助文档比如我要解决一个matlab问题,基本上看帮助文档一分钟就知道我要如何取用我想要的东西,of帮助文档不光做不到,还给你炫技真的,这东西谁看谁不懵啊这些框图怎么来的呢,是doxygen自动生成的,那doxygen是怎样生成的呢?以下面作为例子说下怎样生成的这个框图呢点击查看代码/*!Invisibleclassbecauseoftruncation*/classInvisible{};/*!Truncatedclass,inheritancerelationishidden*/classTruncated:public

阅读openfoam框图

看完of的帮助文档,会非常怀念fluent的帮助文档或是matlab的帮助文档比如我要解决一个matlab问题,基本上看帮助文档一分钟就知道我要如何取用我想要的东西,of帮助文档不光做不到,还给你炫技真的,这东西谁看谁不懵啊这些框图怎么来的呢,是doxygen自动生成的,那doxygen是怎样生成的呢?以下面作为例子说下怎样生成的这个框图呢点击查看代码/*!Invisibleclassbecauseoftruncation*/classInvisible{};/*!Truncatedclass,inheritancerelationishidden*/classTruncated:public

论文阅读—第一篇《ImageNet Classification with Deep Convolutional Neural Networks》

ImageNetClassificationwithDeepConvolutionalNeuralNetworks论文地址1.研究背景:在计算机视觉领域,识别大规模图像集合是一个重要的任务。然而,由于数据量大,多样性复杂,传统的机器学习方法在此任务上面临着许多挑战。深度学习方法的出现解决了这一问题,其中卷积神经网络(CNNs)被证明在大规模视觉识别任务中非常有效。2.研究内容:本文介绍了一个基于卷积神经网络的深度学习模型,名为AlexNet。该模型通过在大规模视觉识别挑战(ILSVRC)上获得了最好的成绩,使得深度学习在视觉识别领域受到了广泛的关注。3.研究方法:AlexNet是一个由8个神经

论文阅读—第一篇《ImageNet Classification with Deep Convolutional Neural Networks》

ImageNetClassificationwithDeepConvolutionalNeuralNetworks论文地址1.研究背景:在计算机视觉领域,识别大规模图像集合是一个重要的任务。然而,由于数据量大,多样性复杂,传统的机器学习方法在此任务上面临着许多挑战。深度学习方法的出现解决了这一问题,其中卷积神经网络(CNNs)被证明在大规模视觉识别任务中非常有效。2.研究内容:本文介绍了一个基于卷积神经网络的深度学习模型,名为AlexNet。该模型通过在大规模视觉识别挑战(ILSVRC)上获得了最好的成绩,使得深度学习在视觉识别领域受到了广泛的关注。3.研究方法:AlexNet是一个由8个神经