科研小白收集所-CSDN博客

原创 ICCV2023｜动态蛇形卷积（Dynamic Snake Convolution）

管状结构（例如血管、道路）是临床、自然界等各领域场景中十分重要的一种结构，其的精确分割可以保证下游任务的准确性与效率。然而这并不是一个简单的任务，主要的挑战源于细长微弱的局部结构特征与复杂多变的全局形态特征。本文关注到管状结构细长连续的特点，并利用这一信息在神经网络以下三个阶段特征提取特征融合和损失约束。分别设计了动态蛇形卷积（DynamicSnakeConvolution），多视角特征融合策略与连续性拓扑约束损失。我们同时给出了基于2D和3D的方法设计，通过实验证明了本文所提出的DSCNet。

2024-02-01 14:13:17 1829 1

原创恶劣天气下的天气点云去噪方法集

自动驾驶汽车依靠各种传感器来收集周围环境的信息。车辆的行为是根据环境感知进行规划的，因此出于安全考虑，其可靠性至关重要。有源激光雷达传感器能够创建场景的精确3D表示，使其成为自动驾驶汽车环境感知的宝贵补充。由于光散射和遮挡，激光雷达的性能在雾、雪或雨等恶劣天气条件下会发生变化。这种限制最近促进了大量关于缓解感知性能下降的方法的研究。本文收集、分析并讨论了基于激光雷达的环境感知中应对不利天气条件的不同方面。并讨论了适当数据的可用性、原始点云处理和去噪、鲁棒感知算法和传感器融合等主题，以缓解不利天气造成的缺陷。

2024-01-29 19:50:34 1738

原创浅谈雷达点云与机器视觉融合的深度学习自动驾驶

3D 语义分割的特征级融合是由 3DMV ，一种用于三维语义分割的多视图网络，融合了图像语义和体素化点云中的点特征。RegNet提取两个平行分支的图像和深度特征，并将它们连接在一起生成融合特征图，但是，RegNet对传感器的内在参数是不可知的，一旦这些内在参数发生变化，就需要重新训练，为了解决RegNet存在的问题CalibNet以一种自我监督的方式学习最小化校准深度和目标深度之间的几何和光度不一致，所以CalibNet可以用于任何内在校准的相机，但是基于深度学习的交叉传感器校准方法需要较高的算力。

2024-01-26 10:40:34 838 1

原创秒懂AI-深度学习五大模型：RNN、CNN、Transformer、BERT、GPT简介

BERT是一种基于Transformer的预训练语言模型，它的最大创新之处在于引入了双向Transformer编码器，这使得模型可以同时考虑输入序列的前后上下文信息。GPT也是一种基于Transformer的预训练语言模型，它的最大创新之处在于使用了单向Transformer编码器，这使得模型可以更好地捕捉输入序列的上下文信息。其中，RNN、CNN、Transformer、BERT和GPT是五种常用的深度学习模型，它们在计算机视觉、自然语言处理等领域都取得了重要的突破。4个维度来简要介绍这五种模型。

2024-01-25 19:30:08 1149

原创 [IJCAI]FedHGN: 异构图神经网络的联邦框架

异构图神经网络 (HGNNs) 比传统的图卷积神经网络 (GNNs) 更有效地从类型和关系图数据中学习。由于更大的参数空间，HGNNs 可能需要更多的训练数据，这在实际应用中常常受到限制，因为隐私法规 (例如 GDPR) 通常禁止共享本地数据。然而，现有的 FGL 方法主要关注同质 GNNs 或知识图嵌入，而很少考虑异构图和 HGNNs。在分布式异构图学习中，客户端拥有私有数据。在三个广泛使用的异构图数据集上，FedHGN 模型优于每个客户端单独训练的模型以及传统 FL 方法。

2024-01-25 19:26:51 181

原创 CVPR2023点云相关文献合集，重磅来袭！

此外，通过MVImgNet的密集重建，还得到了一个3D物体点云数据集MVPNet，它为真实世界的3D物体分类带来好处，同时对点云理解提出了新的挑战。本文通过广泛的实验，发现BEV模型相对于先前的方法更稳定，但更容易受到对抗性噪声的影响，这提醒着BEV检测器在应用中的安全问题，并有助于开发更具鲁棒性的模型。本文提出了一种名为NeuMap的端到端神经映射方法，它使用基于Transformer的自动解码器对查询点的3D坐标进行回归，并结合了特征匹配和坐标回归方法的优点，实现了对场景信息的高效压缩和更好的鲁棒性。

2024-01-24 21:19:51 390

原创科研小白们建议收藏干货满满！！！

投稿流程和论文撰写技巧

2024-01-24 21:05:58 351

原创机器学习最全知识汇总

对样本进行分类时采用投票的方法，依次用每个二分类器进行预测，如果判定为第m类，则m类的投票数加1，得票最多的那个类作为最终的判定结果。训练样本带有权重值，初始时所有样本的权重相等，在训练过程中，被前面的弱分类器错分的样本会加大权重，反之会减小权重，这样接下来的弱分类器会更加关注这些难分的样本。另外，随着层数的增加，会导致梯度消失问题，这是因为每次计算误差项时都需要乘以激活函数的导数值，如果其绝对值小于1，多次连乘之后导致误差项趋向于0，从而使得计算出来的参数梯度值接近于0，参数无法有效的更新。

2024-01-23 18:41:11 806

原创 Information Science 2023 | 缓解满足差分隐私的联邦学习设定中的性能下降

上图所示即为本位所提出框架的大概工作流程：下载云端模型至本地设备上；往图数据中引入噪声实现差分隐私；通过训练来更新本地设备的模型参数；上传本地设备的模型参数至语段服务器；通过联邦学习算法更新云端模型。本文提出了一种新颖的联邦图对比学习方法FGCL，这是第一个在联邦学习设定中关于隐私感知的图对比学习。受到对图上差分隐私和图对比学习中的图增强（Graph Augmentation）技术之间相似性的观察和启发，本文作者创新性地采用图对比学习方法来帮助模型缓解差分隐私机制引入的噪声所带来的影响。

2024-01-23 18:33:03 933

原创自监督学习论文解读|TimesURL:用于通用时间序列表示学习的自监督对比学习

学习适用于各种下游任务的通用时间序列表示具有挑战性，但在实际应用中很有价值。最近，研究人员试图利用计算机视觉(CV)和自然语言处理(NLP)中自我监督对比学习(SSCL)的成功来解决时间序列表示问题。然而，由于特殊的时间特征，仅仅依靠其他领域的经验指导可能对时间序列无效，并且难以适应多个下游任务。1)设计正对增广方法，2)构造(难)负对，3)设计SSCL损耗。对于1)和2)，我们发现不适当的正负对构建可能会引入不适当的归纳偏差，这既不能保持时间性质，也不能提供足够的判别特征。

2024-01-21 12:20:39 839 1

原创恶劣天气下的点云去噪方法

可靠的点云数据对于感知任务至关重要，例如在机器人技术和自动驾驶应用中。恶劣天气会对光探测和测距（LiDAR）传感器数据产生特定类型的噪声，从而显著降低点云的质量。为了解决这一问题，本信提出了一种新的点云不利天气去噪深度学习算法（4义网）。我们的算法利用了时间维度不同于深度学习不利天气去噪方法。与之前的工作相比，它在相交方面比联合度量好了约10%，计算效率也更高。这些结果是在我们的新SnonyKITTI数据集上实现的，该数据集有超过4万个不利天气标注的点云。

2024-01-19 21:27:10 829

原创 2024年.....你还在改网络结构吗？？看看顶刊大佬关注问题的创新点

所以，我们在写一篇论文之前，一定要想清楚论文的主题是什么，想要达到的目的是什么，倘若这些问题没有想清楚，那么写出来的论文一定逻辑很混乱，自己很懵，读者更是不知道你想表达什么。最后，我们看一下作者的总结4和标亮的部分这篇论文最终的目的是如何利用PDM模型来生成接近真实场景配对数据集，从而用于网络模型训练，最后重建出质量更高的清晰图像。今天给大家解析这篇2022年发表在CVPR上的篇论文，重点讲解大佬的关注点在哪里，他是如何敏锐的提出新的问题，我们一起来学习。我们接着解析作者的总结2和标亮的部分。

2024-01-19 20:28:11 352

原创基于点云数据的雨天条件下的目标检测方法

然而，并没有提出明确的解决方案来处理喷水引起的不希望的测量噪声。然而，这需要重新训练目标检测器，这可能在商业可用的检测器的情况下是昂贵的或甚至不可行的。作者在SemanticSpray数据集上测试了作者的框架，该数据集包含雨天条件下类似高速公路的场景，并展示了它提高了评估的目标检测器对喷水的抗干扰性。通过使用来过滤点云中的噪声，目标检测器ψ更不太可能返回由车辆尾气引起的不需要的幽灵目标检测，从而实现对环境的更鲁棒感知。对真实世界数据的测试显示，作者的方法提高了几种常用的3D目标检测器对道路喷水的抗干扰性。

2024-01-19 19:42:47 1460 1

m0_73333808的博客