异构信息网络的领域自适应分类摘要异构信息网络（heterogeneousinformationnetworks，HINs）是一种普遍存在的结构，它能够描述复杂的关系数据。由于HINs的复杂性，很难获得足够的标记数据，阻碍了HINs的分类。领域自适应技术在图像和文本中得到了广泛的应用，但其异构性和复杂的语义特性给基于HINs的领域自适应分类带来了特殊的挑战。一方面，HINs涉及多个层次的语义，这就要
文章信息论文题目为《Bidirectional Spatial-Temporal Adaptive Transformer for Urban Traffic Flow Forecasting》的一篇2022年发表在IEEE TRANSACTIONS ON NEURAL NETWORKS AND LEARNING SYSTEMS的基于双向时空适应Transformer的城市交通流预测文章。摘要城市
无监督领域自适应（Unsupervised domain adaptation, UDA）任务描述现有两个数据集，\[\mathcal{D}_s=\{(x^s_i,y^s_i)\}_{i=1}^{m}
\]\[\mathcal{D}_t=\{x^t_j\}_{j=1}^{n}
\]源域（Source Domain）\(\mathcal{D}_s\)和目标域（Target Domain）\(\mat
转载
2024-04-22 21:50:11
142阅读
最*调研了不少迁移学*的工作，分享给大家。因为我感觉迁移学*在NLP领域的很多任务中有很大的利用价值，毕竟高质量的标注数据是很少的，而人工标注费时费力，而且质量不一定好。 1. Domain Adaptation 领域自适应1.1 动机领域自适应是一种迁移学*，它将不同源领域的数据或特征映射到同一个特征空间，以便于利用其源领域数据或特征来增强目标领域的训练，进而达到更好的训练效果。领域自
转载
2024-05-06 12:44:41
253阅读
目录子结构学习的引言相关工作的回顾药物的表示DDI预测方法问题描述门限消息传递网络提取子结构DDI预测的过程结果 子结构学习的引言药物化学的理论表明，药物是一个简单的实体，其由不同的官能团（或者化学子结构）组成，这些子结构决定了药代动力学特性（生物体如何处理它）和药效学特性（它如何影响生物体），以及最终的交互反应。为此，研究人员提出了基于子结构学习的DDI预测方法。首先，药物在分子图表示的基础上
©作者 | 徐超单位 | 微软亚洲研究院研究方向 | 文本相关性、多语言扩展机器学习尤其是深度学习将 NLP 推向了前所未有的高度，近几年出现的预训练模型更是绽放异彩。在训练机器学习模型时一般假设训练数据与测试数据（或者目标领域中的数据）的分布一致，然而这种假设经常不成立。这时候我们就面临着 dataset shift 的问题，在 NLP 中经常被称为 d
本篇博客简要介绍Goodwin控制方案，并进行了Matlab实现。 博主在完成自适应控制小课程设计时需要用到Goodwin MRAC控制方案，但是在国内外网站上均没有找到简单易懂的参考资料，而学校用到的教材中也只是简要介绍甚至还有错误。因此，仔细拜读了Goodwin大牛编写的教材《自适应滤波预测与控制》明白了一二，故写下本篇博客进行记录。 &nb
转载
2024-09-03 09:51:09
42阅读
本文是东京大学发表于 CVPR 2018 的工作，论文提出了基于域适应的弱监督学习策略，在源域拥有充足的实例级标注的数据，但目标域仅有少量图像级标注的数据的情况下，尽可能准确地实现对目标域数据的物体检测。一、引出主题 虽然深度学习技术在物体检测方面取得了巨大的成功，但目前的物体检测技术主要面向的对象是真实场景下的图像，而对于像水彩画这种非真实场景下的物体检测任务来说，一般很难获取大量带有标注的数据
计算机自适应测验(Computerized AdapTIve TesTIng，简称CAT)是近年来发展起来的一种新的测验形式。计算机自适应测验不同于传统的纸笔测验，它的测验试题的呈现和被试对试题的解答都是通过计算机完成的。计算机自适应测验也不同于一般的计算机化测验，计算机在测验过程中不光是呈现题目，输入答案、自动评分、得出结果，而且根据被试对试题的不同回答，它能自动选择最适宜的试题让被试回答，最终
转载
2024-07-08 20:08:33
72阅读
HTML 图像 标签在 HTML 中，通过 标签来定义显示一副图像。是一个非成对标签。基本语法：<img src="url" /> 标签 通过 src 属性来确定图像来源，url 是一个相对或者绝对的图像地址。 图像标签属性：
属性功能说明src图片源，必需。指定显示的图像来源地址，可以是相对地址或者绝对地址。alt可替换文本，可省略。用于图像无法显示或者浏览器屏蔽
转载
2024-03-22 19:40:22
82阅读
文章目录一、检测相关(11篇)1.1 OccupancyDETR: Making Semantic Scene Completion as Straightforward as Object Detection1.2 An Efficient Wide-Range Pseudo-3D Vehicle Detection Using A Single Camera1.3 M
恶劣天气诸如：光线昏暗、大雾、沙尘、降雨雪等天气状况下，目标检测模型的开发是一个通用挑战，在我之前的实践经验中对于大雾天气下的目标检测模型开发有过实际的开发经历，这里主要是学习研究应用一篇论文中的方法，提出来图像自适应的YOLO检测模型，首先看下效果图： 这是去年发表的一篇来自于浙江大学研究团队的成果，文章在这里，如下： 尽
转载
2023-08-01 18:20:58
114阅读
菜单浏览(menu tour) 。遍历GUI产品中的所有菜单和对话框,使用每个可用的选项。 等价类分析(equivalence class analysis) 。等价类是测试员认为是等价的一组变量取值。如果相信一组测试用例:(a)测试的都是相同的东西;(b)如果其中一个捕获到一个程序错误,其他测试用例也可能捕获到;(c)如果其中一个不能捕获到某个程序错误,其他测试用例可能也不能捕获到,则这些
转载
2024-07-07 21:24:49
31阅读
论文信息题目：Source-Free Domain Adaptation for YOLO Object Detection无源域自适应YOLO目标检测作者：Simo
TGRS2020/遥感：Multisource Domain Adaptation for Remote Sensing Using Deep Neural Networks基于深度神经网络的遥感多源域自适应0.摘要1.概述2.方法2.1.基于像素到基于面片的预测2.2.架构2.3.通过知识扩展网络进行适应2.3.1.LwF2.3.2.LFL2.4.AMDA参考文献 0.摘要在将机器学习应用于遥
GCT解读浙江大学等机构发布的一篇收录于CVPR2021的文章，提出了一种新的通道注意力结构，在几乎不引入参数的前提下优于大多SOTA通道注意力模型，如SE、ECA等。这篇文章虽然叫Gaussian Context Transformer，但是和Transformer并无太多联系，这里可以理解为高斯上下文变换器。简介此前，大量的通道注意力模块被提出用于增强卷积神经网络（CNN）的表示能力，这些方法
大家好，我是极智视界，本文解读一下 MGADA 用于目标检测的多粒度对齐域自适应。
原创
2022-10-03 12:01:09
1045阅读
Domain Adaptation 1. 源域与目标域区别在哪？ 2. 不同的域自适应方法 Reference 含义：在经典的机器学习中，当 源域 和 目标域 数据分布不同，但是两者的任务相同时，这种 特殊 的迁移学习就是域自适应（Domain Adaptation）  
转载
2024-05-14 17:35:30
53阅读
随着 CVPR 2020和ICCV 2020的结束，一大批目标检测的论文在arXiv上争先恐后地露面，更多的论文都可以直接下载。下面几篇paper有异曲同工之妙，开启了anchor-based和anchor-free的轮回。1. Feature Selective Anchor-Free Module for Single-Shot Object Detection2. FCO
性能优于PDA、MDA和SWDA等网络。作者团队：北京航空航天大学1引言近年来，在基于深度学习的目标检测中见证了巨大的进步。但是，由于domain shift问题，将现成的检测器应用于未知的域会导致性能显著下降。为了解决这个问题，本文提出了一种新颖的从粗到精的特征自适应方法来进行跨域目标检测。在粗粒度阶段，与文献中使用的粗糙图像级或实例级特征对齐不同，采用注意力机制提取前景区域，并通过多层对抗学习
