论文阅读22：Mobile-Former: Bridging MobileNet and Transformer 2021

实验： 代码论文中有，这里只是解读部分代码： # -*- coding: utf-8 -*- # author: cuihu # time : 2021/4/10 15:07 # task: 本文图神经网络网的使用，详细请看论文 # 《Convolutional Neural Networks on Graphs with Fast Localized Spectral Filtering》 import sys sys.path.append("./lib") from ...

​ ​ 介绍两篇图像分类的论文：ResMLP（arXiv2305），MetaFormer（CVPR2022），两者都与Transformer有关系，前者基于transformer结构的特点设计ResMLP，后者认为宏观架构才是Transformer成功的原因并设计一个简单的PoolFormer结构。 ​ ​

RGB-D语义分割在过去几年中引起了越来越多的关注。现有的方法大多使用同质卷积算子来消耗RGB和深度特征，而忽略了它们的内在差异。事实上，RGB值捕获投影图像空间中的光度外观属性，而深度特征在更大的上下文中编码局部几何体的形状以及其基础（其周围）。与基础相比，形状可能更固有，与语义的联系更强，因此对分割精度更为关键。受此观察的启发，我们引入了一个用于处理深度特征的形状感知卷积层（ShapeConv），其中深度特征首先被分解为形状分量和基础分量，然后引入两个可学习权重以独立地与它们协作，最后对这两个分量的重新

首先一定要注意杂志的发表范围, 超出范围的千万别投,要不就是浪费时间;另外，每个杂志都有他们的具体格式要求，一定要按照他们的要求把论文写好，免得浪费时间，前些时候，我的一个同事向一个著名的英文杂志投稿，由于格式问题，人家过两个星期就退回来了，而且说了很多难听的话，说投稿前首先就应该看清楚他们的格式要求。 论文写作一定要言简意赅,特别是摘要,引言和结论部分,特别是摘要和结论不能重复,发现有很多论文这两部分没有差别, 个人认为, 摘要是引人入胜的"药引子",要留悬念;而结论是你论文得出的有证据的东西,要简单明.

SCI 投稿全过程信件模板一览（出处不详，仅供参考）： 一、最初投稿Cover letter Dear Editors: We would like to submit the enclosed manuscript entitled “Paper Title”, which we wish to be considered for publication in “Journal Name”. No conflict of interest exits in the submission of this m

亲测好使！！！（想想还有点小激动呢） 旧电脑上操作： 原来是这个样子噢 这样设置选项去那个路径看看发生了什么 发现我们的文件都复制了一份到这里来了 create backup 选一个自己可以找的到的路径，然后随便起一个文件名字 将相关文件拷贝到新电脑 将backup文件以及第2步中设置的那个文件夹“Mendeley Deskto...

ddd

aa

代码： 参考：链接 pytorch git hub: 链接 # -*- coding: utf-8 -*- # time : 2021/4/19 19:52 # task: gcn 代码解读 import torch import numpy as np import scipy.sparse as sp import sys from sklearn.preprocessing import OneHotEncoder import sklearn import pandas as p...

问题：how to learn multi-scale feature representation in transformer models for image classification. 解决：propose a dual-branch transformer to combine image patches of diffrent sizes to produce stronger image features. reduce the computation, do .....

【有向图】DGCN-Skeleton-Based Action Recognition WithFocusing-Diffusion Graph Convolutional Networks

IGFormer: Interaction Graph Transformer for Skeleton-based Human Interaction Recognition_ECCV2022

论文阅读14：DSTA-Net: Decoupled SpatialTemporal Attention Network for Skeletonbased Action Recognition

阅读笔记11

论文阅读17：Skeleton-Based Action Recognition With Focusing-Diffusion Graph Convolutional Networks

BLIP-2提出了一种视觉-语言预训练框架，通过冻结现成的图像编码器（如CLIP）和大语言模型，仅训练轻量级Querying Transformer来桥接模态鸿沟。

本文提出了一种基于深度强化学习的双臂机器人推抓协同策略，用于在密集杂乱环境中完成目标导向的抓取任务。针对单臂系统在高度杂乱场景中效率不足的问题，作者开发了一个分层DRL框架，通过预训练的深度学习骨干网络和定制CNN模型处理视觉输入，使用近端策略优化（PPO）训练双臂协同策略。创新点包括：1）自适应双臂推动动作生成方法，支持单/双路径灵活操作；2）6自由度抓取位姿输出，突破传统平面抓取限制；3）基于模糊逻辑的新型奖励函数设计，有效指导策略学习；4）在Isaac Gym中构建训练-测试双版本系统，实现仿真到现实

训练集中可能混入异常样本。为了解决传统方法过度相信训练集干净的问题，作者提出 SoftPatch，在构建 memory bank 之前先进行patch 级别去噪，并在推理阶段使用降低可疑训练 patch 对异常分数的影响。工业异常通常只占据图像中的一小块区域。例如划痕、污点、裂纹等缺陷往往是局部的。一张异常图像中大部分区域可能仍然是正常的；删除整张图会浪费大量正常 patch 信息。异常 patch 被删除；正常 patch 仍然可以被利用；数据利用率更高；对局部缺陷更友好。