Title:LinkNet: Exploiting Encoder Representations for Efficient Semantic Segmentation 题目：LinkNet:利用编码器表示实现有效的语义分割 Abstract 视觉场景理解的像素级语义分割不仅需要准确，而且要高效，以便在实时应用中找到任何用途。现有的算法虽然精度很高，但并没有注重对神
R33：Market Organization & Structure Ⅰ、The Functions of the Financial System：金融系统的功能 1、The Functions of the Financial System：金融系统的功能 （1）Helping people achieve their purposes：帮助人们实现他们的目标 - Saving - 储蓄，投资 - Borrowing - 借款 - Raise equi
发表时间：2018（NIPS 2018） 文章要点：这篇文章提出了一个分层强化的算法HIRO: Hierarchical Reinforcement learning with Off-policy correction。主要的点在于不用人工设计具体的上层goal，同时用off-policy的方式提高样本效率。 具体的，通常的分层强化需要人为确定上层输出什么goal，然
Parameter-efficient Tuning
a 论文链接：https://arxiv.org/abs/2111.09881 代码链接：https://github.com/swz30/Restormer 1、研究动机 论文的 motivation 非常简单，就是认为CNN感受野有限，因此无法对长距离像素相关性进行建模。因此，想使用 Transformer 的思路来进行图像修复。 2、主要方法 论文整体框架如下图
0 摘要 针对图像目标检测中对象定位与分类问题，本文提出了一种基于区域的高效网络，用于图像中目标的精确检测。从以下两方面入手： 1.目标区域生成：首先，设计了一个框架来生成高质量的、独立于类别的、准确的候选框。然后，这些候选框，连同它们的输入图像，被输入到网络来学习卷积特征。
郑重声明：原文参见标题，如有侵权，请联系作者，将会撤销发布！ AAAI, pp.11270-11277, (2020)
B. McMahan, E. Moore, D. Ramage, S. Hampson, and B. A. y Arcas, “Communication-Efficient Learning of Deep Networks from Decentralized Data,” in Proceedings of the 20th International Conference on Artificial Intelligence and Statistics, Apr. 2017, pp. 1273
Highly Efficient Natural Image Matting 文章可用（可尝试）创新点 使用OCBlock代替传统卷积ENA结构（非局部注意、长短注意操作） 提出问题： 使用深度学习进行matting存在两个问题： 依靠用户提供的trimap。模型尺寸过大。 针对上述问题，提出了一个轻量级的trimap-free网络，该网络使用了
发表时间：2018 (NeurIPS 2018) 文章要点：这篇文章在model-based value expansion (MVE)的基础上提出了一个stochastic ensemble value expansion (STEVE)的model based算法，主要用来自适应选择不同horizon的rollout的权重，从而在target value和model error之间做trade off。 具体的，就
论文地址：https://doi.org/10.1007/978-3-030-87237-3_39 代码：https://github.com/cvbmi-research/AnnotationEfficient-CellCounting 发表于：MICCAI 21 Abstract 最近深度学习的进展在显微镜细胞计数任务上取得了令人印象深刻的结果。深度学习模型的成功通常需要足够的训练数
Abstract 和BigSpa一样https://www.cnblogs.com/xuesu/p/15760169.html 目的：large-scale 进程间分析 问题：计算代价和内存代价搞 本文：data-parallel, a join-process filter computation model 基于CFL可达性的进程间分析 面向云 效果：在百万行代码上能够进行准确进程间分析 I. Intr
这个是收录： GitHub - MarkMoHR/Awesome-Edge-Detection-Papers: A collection of edge/contour/boundary detection papers and toolbox. 这个模型比较小，效果还可以： GitHub - zhuoinoulu/pidinet: Code for the ICCV 2021 paper "Pixel Difference Networks for Efficient Ed
Efficient Inference in Fully Connected CRFs with Gaussian Edge Potentials Intro 回顾一下经典，文章是早期CNN直接做分割效果不好的情况下，利用条件随机场建模，解决细节分割问题的一篇文章，文章主要贡献是提出了Mean Field Approximation来近似原来的全连接条件随机场，同时提出一个
Abstraction 彻底的掌握难以捉摸的上下文语义信息是本文的目标。 提出一个名为DensePoint的通用框架去学习点云的密集的上下文表示。 Introduction 捕捉足够的上下文语义信息，以彻底掌握难以捉摸的形状信息。 贡献： 一种广义的卷积算子，他对点有排列不变性，尊重局部连通性和权值共
背景 Title Efficient Tool-Path Planning for Machining Free-Form Surfaces Authors Rong-Shine Lin, Y. Koren Webpage https://doi.org/10.1115/1.2803642 Problem and goal Free-form surfaces are widely used
Many Web applications serve a significant amount of static content, which amounts to reading data off of a disk and writing the exact same data back to the response socket. This activity might appear to require relatively little CPU activity, but it’s som
摘要 提出了一种FetchSGD算法来克服通信瓶颈，使用 Count Sketch 技术压缩模型更新，并且利用sketches的可并堆性的优点来合并模型更新。由于 Count Sketch 是线性的，动量和误差的累积计算可以从客户端迁移至中央聚合器，克服了稀疏客户端参与的挑战，同时保持了高压缩率和良好的收敛性。
创新： 传统的学习密集向量的模型的计算效率都比较低 提出了两种新的模型体系结构来计算从非常大的数据集的词的连续向量表示， 提出了新的“神经网络语言模型”，这里之所以打引号，是因为其实两个模型都没有隐藏层，只是看起来像是神经网络而已 简介： 许多当前的NLP系统和技术将单词视为
原文地址：https://arxiv.org/abs/2012.07436 源码地址：https://github.com/zhouhaoyi/Informer2020
AdderSR: Towards Energy Efficient Image Super-Resolution ** 加法网络：高能效的完成图像超分辨率！ 摘要 ** 该文主要研究使用加法神经网络（AdderNets）进行单张图超分辨率的问题。AdderNets在进行输出层计算时使用了加法运算，从而避免了传统的卷积神经网络卷积核相乘消耗的大量
写在前面 这篇文章配合原文食用效果更佳。作者资历尚浅，仍在学习中，欢迎讨论指正。 论文传送门：Rethinking Channel Dimension for Efficient Model Design 主要思路 通过研究channel数量的变化对网络的表达能力的影响，找到一种最优的配置channel数的方法，使轻量化网络（定义为限制
发表时间：2016（NIPS 2016） 文章要点：提出了一种新的在off-policy算法中修正behavior policy和target policy的方法：Retrace(λ)。最常见的修正当然是importance sampling，这个方式不仅用在value based方法中，在policy based方法中也最常用。除此之外，在value based 方法中还有Q（λ）和TB（λ）。
在MobileNet之前，提升模型推理效率常用的方法是模型压缩（量化、剪枝等）和知识蒸馏（Teacher-Student网络）。 核心概念： 深度可分离卷积（deep-wise separable convolution）:深度可分离卷积将标准卷积操作分解为一个深度卷积（deepwise convolution）和一个1x1的卷积（pointwise convolution）.对
Efficient Trajectory Optimization using a Sparse Model Christoph Rösmann1, Wendelin Feiten2, Thomas Wösch2, Frank Hoffmann1and Torsten Bertram1 摘要-“TEB”方法通过后续修改由全局规划器生成的初始轨迹来优化机器人轨迹。在轨迹优化中考虑的目标包括但不限于总
