显然有 \(F_n = f_{n - 1}a + f_{n}b = km\)，转化一下得 \(-\dfrac{a}{b}\equiv \dfrac{f_{n}}{f_{n - 1}}\pmod m\)。 如果 \(m\) 是质数，我们直接预处理将等式右边塞到桶里，对于询问直接在桶里查询即可。 但是 \(m\) 不是质数，等式左右可能不存在逆元，所以我们想办法让 \(b,f_{n - 1}
本文对开放世界目标检测任务进行重新梳理，并提出了两种新的衡量指标 针对CEC模块存在理解问题（文中红色问号处） Revisiting Open World Object Detection 发表于 Computer Vision and Pattern Recognition 2022/01/04 Introduction (1) 概要 领域：目标检测行文目的：OWOD的实
平面图大坑啊，我不打算填了 qwq 目录基本内容基本定义欧拉公式光速证明欧拉公式正片扩展阅读Reference 基本内容 如果知道了就可以直接跳过了 . 基本定义 平面图 定义 若图 \(G\) 能被画在平面上且不同的边仅在端点处相交，则称图 \(G\) 为平面图 . 画出的没有边相交的图称为 \(G\)
论文地址：https://aclanthology.org/2021.acl-long.19/ 代码地址：https://github.com/Receiling/UniRE 关键模型：LSTM,BERT,ALBERT,SciBERT 数据集： 作者认为实体与关系联合处理会比较好，设计了统一的标签空间中提取实体和关系，以便更好地挖掘两个子任务之间的交互。提出新颖的表格，将实
之前做过的：[BJOI2019] 排兵布阵、[BJOI2019]删数 就懒得更了 [BJOI2019]勘破神机 已经弃疗了。 [BJOI2019]送别 还在咕咕咕咕。 Luogu5323 [BJOI2019]光线 当一束光打到一层玻璃上时，有一定比例的光会穿过这层玻璃，一定比例的光会被反射回去，剩下的光被玻璃吸收。 设对于任
1.概念 拟合能力强的模型一般复杂度会比较高，容易过拟合。 如果限制模型复杂度，降低拟合能力，可能会欠拟合。 2.如何选择模型? 模型越复杂,迅雷错误越低 不能根据训练错误最低来选择模型 在选择模型时,测试集不可见 3.模型选择 引入验证集 将训练集分为两部分 训练集 验证集 如何选择
SAGEConv 论文名称：Inductive Representation Learning on Large Graphs 论文链接：https://arxiv.org/pdf/1706.02216.pdf 现在存在方法具有内在transductive，不能generalize未见到的节点,。我们提出GraphSAGE是基于inductive开发的，对于未见到数据具备泛化能力。在训练的过程中，
计算安全性 (computational security) 达不到完美安全（无信息泄露），安全性基于计算的复杂性。对于一个高效的敌手（计算的时间不很长），其攻击成功的概率很低。具体来说，有以下两种正式定义： 具体方法 如果一个加密方案，对任意至多计算时间为 t
♥ 第一印象 Rank & Sort Loss for Object Detection and Instance Segmentation 这篇文章算是我读的 detection 文章里面比较难理解的，原因可能在于：创新的点跟普通的也不太一样；文章里面比较多公式。但之前也有跟这方面的工作如 AP Loss、aLRPLoss 等。它们都是为了解决一个问题：单
总结 利用生成对抗网络实现无监督的二部图嵌入方法，聚合时先聚合二跳邻居到一跳再聚合到自己身上以规避不同类型的问题 二部图嵌入方式 随机游走法重构法，包含协同过滤和特征聚合 本文的重点 以前的算法都只停留在比较局部的范围内处理信息，这篇提出的模型可以提取整体的属
Few-shot Object Detecion via Feature Reweighting 最近入坑小样本检测，所以会更新一些论文解读，调研一下 本文使用元学习的方法进行训练，基础框架为单阶段目标检测框架（作者提供的代码使用的是yolov2） 建议先了解小样本学习的形式化定义，这里不细讲，由于我最近要写中文论文，所以
抱歉来晚了。 上午状态很差，睡了两个多小时，最后没啥时间了就写了个 T1。 T1 「SDWC2018 Day2」优秀 首先考虑一个单调不降的序列能生成多少“良好序列”，这是个线头 DP，记录缺口数即可。从值域从小到大放，每次要把缺口全填满，每多放一个就多产生一个缺口。 然后就是经典的 DP 套 DP，把生
机器学习概述 机器学习中的损失函数平方损失函数交叉熵损失函数Hinge 损失函数最大似然估计与平方损失函数最大似然估计与交叉熵最大似然估计与最大后验估计 正则化关于L2正则化的两点思考 机器学习中评价指标精确率和召回率交叉验证 本文是邱锡鹏教授撰写的《神经网络
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
动机 图数据于图像或者文本数据不同, 图像或者文本时属于欧式数据且都是服从独立同分布; 而对于图数据而言, 它是非欧式数据, 并且图中的节点相互连接表示着他们独立同分布的 贡献 探究了图上的自监督任务, 具体来说, 图有多种潜在的代理任务; 因此, 了解 SSL 在什么时候和为什
原文链接 介绍 在图像识别和目标分类领域往往存在一些关于图像中虚假相关性的问题，最典型的如将图像中识别的主体（object）和背景（background）之间的相关性考虑成为识别主题类别的一个主要特征。如下图所示，注意力模型将ground作为一个判断为鸟类的标签，在预测地上的熊的时候就做出了错误
计数场。 T1 AGC036F. Square Constraints zzz 哥哥搬的 nb 题，还不会。 T2 「LibreOJ NOI Round #2」不等关系 zrq 学长讲过的题诶。 只满足 \(\texttt <\) 关系的话，答案是个多重集排列 \(\dfrac{n!}{\prod a_i!}\)。 这样算会让一些 \(\texttt >\) 不满足，考虑容斥，枚举 \(\texttt
Introduction 这篇文章设计了一种自监督网络框架，能够同时提取特征点的位置以及描述子。相比于patch-based方法，本文提出的算法能够在原始图像提取到像素级精度的特征点的位置及其描述子。本文提出了一种单映性适应（Homographic Adaptation）的策略以增强特征点的复检率以及跨域的实用
[洛谷T205310] practiceZ 给定两个长为 \(n\) 的序列 \(a,b\)，支持三种操作： 1 l r x：将 \(a\) 序列中区间 \([l,r]\) 的数赋值为 \(x\)； 2 l r y：将 \(b\) 序列中区间 \([l,r]\) 的数赋值为 \(y\)； 3 l r：求 \(\sum\limits_{i=l}^{r} \sum\limits_{j=1}^{b_i}a_j\)，答案对 \(2^{32}\)
《好多题的题解》 「洛谷 P5408」第一类斯特林数·行 根据结论 \[x^{\overline{n}}=\sum_i{n\brack i}x^i, \]我们只需要求出 \(x^{\overline{n}}\) 的各项系数。显然的 \(\mathcal O(n\log^2n)\) 做法就足够过掉洛谷上的原题了，但是我们 OJ 比较卓越，所以得用 \(\math
前置芝士：拟阵交 如果你会，请跳过。 一切证明都略去了……如果需要的话我以后整理一个详细点的吧…… 拟阵的定义 我们记一个拟阵（Matroid） \(\mathcal M = \langle S,\mathcal I\rangle\)。 其中，我们称 \(S\) 为 Ground Set，\(\mathcal I\) 为 Family of Sets。 请注意此处的 \mathcal
【模板】Runs 题解 润s！ By zghtyarecrenj 本文包括：Lyndon Words & Lyndon Array & Runs & Three Squares Lemma。 禁止转载全文，转载部分需要注明出处。 实在太长，已尽量删减（ 哇，你古md排版是不是出了点问题 Lyndon tree 是一个非常有趣的东西，但是我现在还没有发现应用，所以先咕着。
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
概率
前言 由于本文作者时咕咕是只鸽子，并且收到了一周之后（\(\tt 2021/12/01\)）月考的压迫，所以这篇游记直到现在（\(\tt 2021/11/23\)）才写好。 由于在写游记过程中，被教练拉去谈了话，所以前后的感情基调会有所不同 考前准备 \(\mathcal{Day}\ \tt {-14}\) ~ \(\mathcal{Day}\ \tt {-1}\) 停
