- 博客(4)
- 收藏
- 关注
RSS订阅原创 Soft Prompt Generation for DomainGeneralization
采用的模型为：class CustomCLI，将提示学习送入clip已有的text_encoder和image_encoder网络中基于已有的权重值来进行编码。ctx为预先设定好的提示词例如‘a photo of'，suffix为类别’dog,cat,bird'等类别信息。self.token_prefix为嵌入的开始标志，self.token_suffix为句子的分类和结束表示，随后得到了提示向量，然后送入clip_model中的预先训练好的参数层进行text_econder，对分词文本进行词编码。
2025-07-01 13:57:41
332
原创 Soft Prompt Generation for DomainGeneralization
这篇文章西安交通大学发表，关于计算机视觉的软提示学习问题。软提示学习作当前领域的热门话题受到越来越多人的关注。文章指出现有提示学习方法主要从训练样本中学习固定提示或残差提示，但所学到的提示缺乏多样性，且忽视了未见领域的信息。基于此问题进行改进构建了一个针对域生成任务的基于生成学习的提示学习模型框架，简单来说就是已有的提示学习是直接生成一个提示向量，现在就是生成了一个提示向量生成器。源码地址h二、论文主题结构1.论文创新点首个将生成模型引入视觉语言模型提示学习的研究团队，也即训练了一。
2025-06-26 21:16:32
305
原创 Dynamic Graph Representation Learning forSpatio-Temporal Neuroimaging Analysis
2025年发表于EEE TRANSACTIONS ON CYBERNETICS上的期刊这篇文章针对现有图神经网络的发展认为现有图神经网络过多的聚焦神经影像中的非欧几里得结构数据也即空间数据，忽略了在空间信息中的时间动态特征，基于该问题构建了一个动态自适应领域图卷积网络来捕捉时空关系。并且在EEG，fNIRS以及MRI三种类型的数据集中进行验证。该篇论文的主要创新即将时间段进行细粒度划分，捕捉不同电极之间邻近时间段之间的相关关系。
2025-06-25 10:54:01
485
原创 FoME: A Foundation Model for EEG using Adaptive Temporal-Lateral Attention Scaling
ICLR 2025 相关，提出了 FoME（脑电图基础模型），采用时间 - 频率融合嵌入技术和自适应时间 - 横向注意力缩放（ATLAS）机制处理 EEG 信号，能捕捉其复杂的时空动态，适应不同数据集，促进稳健的多通道建模。提示：以下是本篇文章正文内容，下面案例可供参考脑机接口技术朝着大模型开始发展，本篇论文公开了源码。
2025-06-24 15:05:51
981
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人