前言 第一次发SCI文章，内心还是激动的。文章内容是关于FY-4A号卫星识别积雪的算法。主要是针对去云的研究，也算是为之前静止星的研究画一个句号，也不能这么说，后续如果顺利可能还有一篇应用的文章。文章发表在IEEE-JSTARS，编辑和审稿人都很认真负责，导师和小导师都对我帮助很大，再次
直接上论文survey：https://arxiv.org/pdf/2006.05525v6.pdf 开局提到有数种模型加速的方法： 1、权重共享和剪枝 2、低秩分解 3、转移的紧凑卷积滤波器：这些方法通过转移去除无关紧要的参数或压缩卷积滤波器 4、KD 然后摘要里面说明kd的key problem是如何将teacher模型里面的knowl
点击上方 订阅话题 第一时间了解漏洞威胁 0x01 漏洞描述 Windows Print Spooler是Windows的打印机后台处理程序，广泛的应用于各种内网中。 微软在2021年6月的安全更新中修复了一处 Windows Print Spooler 远程代码执行漏洞（CVE-2021-1675）。今天，360漏洞云监测到安全
2021202210011 王占坤 摘要 本论文重新讨论了写前日志，然后去掉了两个核心假设: 页面是恢复单元 时间戳(lns)应该存储在每个页面上。 恢复单个应用程序级对象(而不是页面)简化了对对象大小与页面大小不同的系统的处理。我们将展示如何在页面上消除对lsn的需要，从而为大型对象启用D
4.2 Fine-Grained Classification 细粒度分类问题提出了一个非常特殊的挑战：区分两类的信息通常隐藏在图像的很小一部分中，有时在低分辨率下无法解析。在这种情况下，显着性采样器可以发挥重要作用：放大图像的重要部分以尽可能多地保留它们的像素并帮助最终决策网络。在这个实验中
Triple Context-Based Knowledge Graph Embedding 基于三重上下文的知识图嵌入 发表时间：Received September 10, 2018, accepted October 4, 2018, date of publication October 12, 2018, date of current version October 31, 2018. Digital Object Identifier 10.1 109/AC
目录概主要内容 Wang Z., Zhang W., Liu N. and Wang J. Scalable rule-based representation learning for interpretable classification. In Advances in Neural Information Processing Systems (NIPS), 2021. 概 传统的诸如决策树之类的机器学习方法具有很强的结构性, 也因
Mining infuential genes based on deep learning 摘要 背景： 目前，大规模的基因表达谱已经成功应用于去发现：疾病、遗传扰动和药物作用之间的功能联系。为了解决基因表达谱不断扩大的成本，作者提出了一种新的、低成本，低高通量表示的表达谱分析方称为L1000，该方法产生了100万个谱。
Problem - A - Codeforces 题目大意：给定u，v，求x，y。要满足x/u + y/v =( x+y) / (u+v) input 4 1 1 2 3 3 5 6 9 output -1 1 -4 9 -18 50 -4 9 u*u *y=-x *v*v so y=-x*v*v/u*u 开longlong即可 #include<iostream> #include<cmath> #include<algorithm> using
本次学习主要是为了深入漏洞和渗透原理。 Less-1 GET - Error based - Single quotes - String(基于错误的GET单引号字符型注入) 先按照提示输入 ?id=1
分布式存储-ShardingSphere 分布式治理 （based on zookeeper） 其实前面几篇，关于shardingSphere的我知道的功能点已经聊得差不多了，但是现在多节点集群部署的方式已经成为了一种趋势，而如果每个节点中的配置文件都需要手动一个个修改的话，那将为运维工作带来了很大的不愉快，所有Shard
现在一看这A-C真的太水了，本来真不用写的，奈何我被骗的跟个傻子一样，写出来当个教训吧… 上来直接暴力枚举A题，超时了两次我又蹦到C去了，结果C题做了一小时我也不知道哪里错的（读错题了），折回了A推了下公式几分钟就做出来了（不知道我刚开始为啥要暴力…），然后去做B，我压根没注意到题里说
A recurrent neural network based microscopic car following model to predict traffic oscillation 这又是一篇老文章，发表在《transportation research part c》上。同样是用基于微观交通流模型的深度学习方法去预测交通震荡。同我之前一段关注的基于物理交通流模型的深度学
发表时间：2020（NeurIPS 2020） 文章要点：这篇文章用model based方法去做offline RL。主要分为两步，第一步是用offline data学一个pessimistic MDP (P-MDP)，第二步就是用这个P-MDP去学一个near-optimal policy。P-MDP的性质保证了这个near-optimal policy是真实环境里的performance的lowe
仅作学习交流~包含重点翻译，要点归纳，部分扩展 论文地址 GitHub - ygjwd12345/TransDepth: Code for Transformers Solve Limited Receptive Field for Monocular Depth Prediction 目录 1 摘要 2 介绍 3 相关工作 4 核心 TransDepth AGD 5 实验结果-数据集 6.实验结果评估
发表时间：2019（NeurIPS 2019 Deep Reinforcement Learning Workshop） 文章要点：这篇文章想说model based方法里面通常model都是imperfect的，就是这个model一般只在局部是准确的，放到全局上看误差会越来越大，所以如果用这个model去planning很多个step的话就会有问题。作者提出了一种基于m
调研内容 (natural pictures, scanned documents) 1. state-of-the-art on digital image manipulation 2. Evaluation criteria (quantitative / qualitative) 一、image types 1、pictures(图片，绘画作品) / natural images（自然图像） 2、scanned documents（扫描文件） 二、met
1、StyleGAN，提出了一个新的 generator architecture，号称能够控制所生成图像的高层级属性(high-level attributes)，如 发型、雀斑等；并且生成的图像在一些评价标准上得分更好；同时随论文开源了一个高质量数据集：FFHQ， 包含 7W 张 高清人脸照。 2、开门见山，直说论文所提出的 style-bas
IMG使用了基于块的渲染管线，而且是更进一步，名为TBDR, 在这之前，我们先来了解一下TBR, 这些都是移动端GPU常用到的技术。 Q1：什么是TBR, 以及为什么要用TBR? 我觉得要回答这个问题，前提是要先了解一下，GPU的显存、GPU内部的on-chip color buffer, 以及系统内存之间的关系； 显存，类似于系统
论文阅读 一、重要性评判准则：1.Magnitude-based measures:2.Loss-preservation based measures3.Increase in gradient-norm based measures: 二、论文第四节1.GRADIENT FLOW AND MAGNITUDE-BASED PRUNING 总结 一、重要性评判准则： 变量说明：Θ(t)代表t时刻的参数； g(Θ(t)
摘要 本文提出了一种利用传感器数据进行康复训练识别的多路径卷积神经网络(MP-CNN)。将D-CNN和S-CNN相结合，形成MP-CNN。为了对康复训练进行评价，提出了一个特殊的评价矩阵，并结合深度学习分类器来学习不同层次的各类康复训练的一般特征表示。 1. Introduction（完全翻译，可忽略） 康
Traceroute是一个非常便利的网络诊断工具。它可以输出以下三个内容： 1 网络数据包的从源地址到目的地址的整个传输路径。 2 传输路径上的路由设备的信息（IP地址或者hostname） 3 网络数据包在路由设备间的延时（Latency） 从这些功能可以看出，traceroute通常可以用于判断网络故障，检测
- Maintenance-Related Concerns for Post-deployed Ethereum Smar Contract Development: Issues, Techniques, and Future Challenges (EMSE 21). - Automating User Notice Generation for Smart Contract Functions (ASE 21) - Empirical Evaluation of Smart Contract Te
这篇文章发布2015年，关于Attention的应用。 现在看来可能价值没那么大了，但是由于没读过还是要读一遍。 简介 Introduce In parallel, the concept of “attention” has gained popularity recently in training neural networks, allowing models to learn alignments betwe
基于多级反馈环形振荡器的真随机数发生器设计 摘要 真随机数生成器(trng)在加密系统中起着重要的作用。本文提出了一种在现场可编程门阵列(FPGA)上生成真随机数的新方法，该方法以 多级反馈环形振荡器(MSFRO) 的随机抖动为熵源。在传统环形振荡器的基础上，增加了多级反馈结构，扩大了时
