- 综合排序
- 最热优先
- 最新优先
- 来自专栏点云PCL
论文共读之点云匹配
论文：The Perfect Match: 3D Point Cloud Matching with Smoothed Densities 作者：Zan Gojcic Caifa Zhou Jan 通过计算兴趣点并与局部参考帧（LRF）对齐以实现旋转不变性，3D点云描述符在3DMatch基准数据集上实现了94：9％的平均召回率。 其中R属于SO(3),表示旋转矩阵，t属于R^3平移矢量。用点子集P^c和Q^c表示对应关系，映射函数可以 ? (e) 标准化的3D SDV体素网格用作我们的连体3DSmoothNet体系结构的输入。 注意（d）和（e）显示3D立方体的2D切片。 3. 有意者均可联系邮箱：dianyunpcl@163.com，或者评论文章留言， 目前微信交流群不断壮大，由于人数太多，目前有两个群，为了鼓励大家分享，我们希望大家能在学习的同时积极分享，将您的问题或者小总结投稿发到群主邮箱主邮箱
2.2K30发布于 2019-08-19 - 来自专栏橙光笔记
源码共读-Redux
3: getState：获取当前的状态。 4: replaceReducer：替换reducer。
60110编辑于 2024-07-11 - 来自专栏橙光笔记
源码共读-Koa
个中间件开始'); await next(); console.log('第2个中间件结束'); }); app.use(async(ctx, next) => { console.log('第3个中间件开始 '); await next(); console.log('第3个中间件结束'); }); app.listen(3000, () => { console.log("服务器启动成功!" ; }); 客户端打印: 第1个中间件开始 第2个中间件开始 第3个中间件开始 第3个中间件结束 第2个中间件结束 第1个中间件结束 这就是Koa中间件著名的洋葱模型。 '); await next(); console.log('第3个中间件结束'); } ]; const fn = compose(middleware); const ctx = {}; fn(ctx).then(() => { console.log('处理完成了'); }); 上面打印： 第1个中间件开始 第2个中间件开始 第3个中间件开始 第3个中间件结束 第2个中间件结束
42410编辑于 2024-07-11 - 来自专栏顶级程序员
源码共读项目说明
项目的阅读 您可以从 https://ymgd.github.io/codereader/ 看到我们最新发布的文章。 可以从 https://ymgd.github.io/codereader/ca
851110发布于 2018-04-26 - 来自专栏人工智能前沿讲习
本周精选共读论文《计算机视觉图像分割》六篇
关注文章公众号 回复"SFFAI23论文"获取本主题精选论文 ? 推荐理由来自：李夏 3 ? 推荐理由：斯坦福大学李飞飞组新文。其在图像语义分割问题上超越了很多业内最佳模型，甚至可以在未经过预训练的情况下达到预训练模型的表现。 推荐理由：Deeplabv3提出了ASPP模块来通过不同大小的带孔卷积进而获得不同感受野的context 信息, Deeplabv3+在v3的基础上增加了decoder端来融合low-level特征，进而进一步地提升性能
60231发布于 2020-05-11 - 来自专栏AI算法与图像处理
CVPR2022论文速递（2022.5.18）！共3篇！
整理：AI算法与图像处理 CVPR2022论文和代码整理：https://github.com/DWCTOD/CVPR2022-Papers-with-Code-Demo Updated on : 18 May 2022 total number : 3 Transformers - - 1 篇 MulT: An End-to-End Multitask Learning Transformer 标题 ：MulT：端到端多任务学习Transformer 论文/Paper: http://arxiv.org/pdf/2205.08303 代码/Code: None 其他/Other - 2 篇 Disentangling Visual Embeddings for Attributes and Objects 标题：解耦属性和对象的视觉嵌入 论文/Paper: http://arxiv.org/pdf/2205.08536 Self-supervised Neural Articulated Shape and Appearance Models 标题：自监督的神经表达形状和外观模型 论文/Paper: http://arxiv.org
34010编辑于 2022-05-19 - 来自专栏后端/图像融合/机器学习/爬虫
【读论文】GANMcC
，相比之前的GAN实现红外图像融合的论文，这篇论文又提出了新的一些解决思路。 和上面的公式相同，就是计算梯度的对象变成了红外图像，计算强度（对比度信息）的变成了可视图像 最终一个大汇总 其中β1 > β4, β2 > β3, {β2, β3} > {β1, β4} 那么为什么要这么设置 β2 > β3。 那么为什么要设置{β2, β3} > {β1, β4}？ 作者在论文中提到梯度损失项的值往往小于对比度损失项，为了在训练过程中可以保证可以保留纹理信息和对比度信息相平衡，这里就要设置{β2, β3} > {β1, β4}，即将纹理损失的参数设置的比对比度的参数要大
32910编辑于 2024-06-19 - 来自专栏后端/图像融合/机器学习/爬虫
【读论文】AttentionFGAN
论文： https://ieeexplore.ieee.org/document/9103116/ 如有侵权请联系博主 介绍 好久没有读过使用GAN来实现图像融合的论文了，正好看到一篇2021 年的论文，很感兴趣。 论文中介绍了一种基于多尺度和SE注意力用于可视图像与红外图像融合的方法，网络架构基于GAN，有点类似DDcGAN的结构，也是有两个辨别器。接下来咱们一起来看看吧。 因为毕竟是2021年的论文，没有考虑到可视图像中的显著目标信息，和我们现在经常看到的损失不是很一致。
30510编辑于 2024-06-19 - 来自专栏笃信好学
如何读论文？
今天就不学习单片机了，找找b站上面如何读论文的视频，看了两个，感觉不咋合适我。还是再看下Dr Can的期刊审稿人手把手教你写一篇SCI论文，做下笔记。 我读论文的目的就是多看点东西，多了解一点知识，不是为了发表。所以笔记就按照我的目的来了。图片看了两期，觉得不对啊，大佬讲的是如何写，不是如何读。 感觉找到一篇好论文，引用多的，作者牛的，时间新点的把引言，研究方法，结果讨论，结论能复述出来，然后自己问自己几个问题，也就真的是读好一篇论文了
44030编辑于 2022-09-15 - 来自专栏后端/图像融合/机器学习/爬虫
【读论文】MUFusion
论文： https://www.sciencedirect.com/science/article/abs/pii/S1566253522002202 如有侵权请联系博主 介绍 这次介绍的还是发表在 imformation fusion的一篇论文，文中介绍的方法是一种可以用于多模态图像融合的统用融合算法。 **来看个更迷的 决策图的计算方式如上图所示，是不是有点迷，这个3是啥。。。。 在C3这里作者做了一个很有趣的操作，**就是将步长设成了2，**而后再通过设置其他的参数，就可以生成另一个尺度的特征了，这样的好处就是避免了直接下采样导致的信息丢失问题。
31810编辑于 2024-06-19 - 来自专栏后端/图像融合/机器学习/爬虫
【读论文】PSFusion
论文： https://www.sciencedirect.com/science/article/pii/S1566253523001860 如有侵权请联系博主 更多红外与可见光图像融合的论文的具体的解读欢迎大家来到红外与可见光图像融合专栏 介绍 好久没看过论文，今天刚好有空，又找了一篇information fusion的论文，咱们一起看看吧。 这篇论文和我们之前见到的论文不大一样，至于有啥不一样，咱们来看看吧。 然后看一下这个网络架构，如果看文章参考的论文来说的话，其实二者存在一定的不一致，参考的网络如下图 可以看到的是，这篇论文中最深层的特征用于预测语义分割掩码，次深层特征用于提取二进制分割掩码，最后浅层特征用于预测边界分割结果 **至于是怎么消除差异的，这里我就不献丑了，大家可以看看原论文。 图像还原部分就比较简单了，一方面使用下面这个路径来确保两类源图像中的信息得以充分提取。 另一方面就是下面这个路径来生成我们需要的融合图像了 总结 损失函数这里就不说了，原论文介绍的很清晰，整个文章读下来，最惊艳的就是网络结构，很巧妙的将分割所需要的语义信息注入到融合图像中，同时也为图像融合正名
54210编辑于 2024-06-19 - 来自专栏后端/图像融合/机器学习/爬虫
【读论文】THFuse
论文： https://www.sciencedirect.com/science/article/abs/pii/S0925231223000437 如有侵权请联系博主 介绍 一篇基于CNN 和VIT的关于红外可视图像融合的论文，论文中提出了两分支的CNN提取模块的方法以及常规VIT和跨通道的VIT相结合的方法来提取特征，接下来一起来看看吧。 损失函数 论文中使用的损失函数可以分为两部分，第一部分就是像素级的损失，另一方面就是特征级别的损失，总体损失函数如下图所示。 特征损失函数如下 总结 整篇文章读下来很顺畅，有以下几个点我觉得很惊艳 采用了两个分支的CNN，用于提取结构信息和细节信息 首先就是用于通道级transformer 采用vgg19来重新获取融合图像和原图像特征来进行比对
27210编辑于 2024-06-19 - 来自专栏后端/图像融合/机器学习/爬虫
【读论文】DDcGAN
因为红外图像的分辨率往往不如可视图像，因此论文中提到的方法可以融合不同分辨率的红外以及可视图像。 贡献 论文中提出的方法可以使多模态的图像融合的更好，而不是仅仅与一种源图像有着很高的相似性。 损失函数 ψ指的是下采样，两个层的卷积核都是3x3大小，步长为2。 解码器在论文中没有介绍，但是看图的话也可以大致了解，五层cnn，每个层的卷积核都是3x3，最终的输出就是融合图像。 每一层都是3x3的卷积核，步长为2，最后一层是一个全连接层，最终的激活函数是tanh，生成一个标量，即是源图像的概率。 以下是论文中给出的图像融合的效果，可见DDcGAN的融合效果有很大的提升。
38610编辑于 2024-06-19 - 来自专栏后端/图像融合/机器学习/爬虫
【读论文】TCPMFNet
，这篇论文中提出的红外图像融合方法结合了vision transformer，这也是我第一次接触到这个知识，接下来，我们一起看看这篇论文吧。 我们可以直接使用卷积操作来实现上面这一个复杂的过程，这里拿一个尺寸比较小的图片来举例，我们有一个9x9x3的图像数据（只是举例，一般不会这么小），此时我们只需要设置卷积核大小为3，步长为3，卷积核数量为 9，在整个图像中进行卷积即可，卷积之后就会得到3x3x9的数据，这时再将3x3平铺为维数为9的向量即可，这样我们就得到了长度为9，维数也为9的一组token，就成功的将2D的图像数据转换位1D的数据。 稍后我们就会与论文内容相结合一起说说这个点。 那么多头又是什么意思呢？ 讲了这么多接下来我们就可以开始看论文的内容了。
27710编辑于 2024-06-19 - 来自专栏后端/图像融合/机器学习/爬虫
【读论文】PIAFusion
论文： https://doi.org/10.1016/j.inffus.2022.03.007 如有侵权请联系博主 介绍 最近在information fusion上又看到了一篇关于红外可视图像融合的论文 ，相对于之前的最大值和平均损失函数而言，这篇论文中提出了一种基于照明感知来确定损失函数权重的方法，我们一起来康康吧 网络架构 整体的网络架构如上图所示，整个网络架构并不是很复杂，可以简单的把网络分为特征提取 在介绍中我们已经提到了该篇论文采用照明感知来确定损失函数的权重，那么什么是照明感知？ 在这篇论文中照明感知其实就是图像属于白天还是黑夜的概率，这个有什么用呢？ 大佬们帮解答下 而后的的四层卷积都是3x3的并且是共享权重的，那么问题来了，为啥要是共享权重的？ 因为前面我们已经提过了，第一层的作用就是尽可能减少两种模态之间的特征的差异。 这个过程在第2，3和4层卷积之后才会进行。 图像还原 图像还原这个部分就非常的友好了，就是简单的卷积层。
31510编辑于 2024-06-19 - 来自专栏释然IT杂谈
【共读】Web渗透攻防实战(一)
1.1.1信息收集： 1.基本信息收集： 基本信息收集主要真的目标进行各种信息收集，收集越多，在制定渗透计划是越完善，主要收集以下信息： 1）服务器情况 2）服务器IP归属地 3）网站情况 4）网站防护情况 3.目标网站信息收集： 通过一些公开漏洞渠道来收集目标已经公开的漏洞信息，有助于后期的扫描和渗透。 1.1.4Web漏洞基本概念： 1.通用漏洞评分系统 2.通用漏洞披露 3.OVAL 4.CWE 5.SCAP 1.1.5网上公开的漏洞测试站点： 1.Acunetix web Vulnerability Scanner测试站点： 1）html5类型：http://testhtml5.vulnweb.com2) php类型：http://testphp.vulnweb.com3) asp类型：http 1.2.2扫描器的功能： 1）发现一个主机或网络 2）发现该主机正在运行何种服务（如开放了那些端口） 3）通过测试这些服务，发现其内在的漏洞 1.2.3扫描器的工作原理： 扫描器通过远程检测目标主机TCP
1.1K30发布于 2021-11-16 - 来自专栏释然IT杂谈
【共读】Web渗透攻防实战(一)
1.1.1信息收集： 1.基本信息收集： 基本信息收集主要真的目标进行各种信息收集，收集越多，在制定渗透计划是越完善，主要收集以下信息： 1）服务器情况 2）服务器IP归属地 3）网站情况 4）网站防护情况 3.目标网站信息收集： 通过一些公开漏洞渠道来收集目标已经公开的漏洞信息，有助于后期的扫描和渗透。 1.1.4Web漏洞基本概念： 1.通用漏洞评分系统 2.通用漏洞披露 3.OVAL 4.CWE 5.SCAP 1.1.5网上公开的漏洞测试站点： 1.Acunetix web Vulnerability Scanner测试站点： 1）html5类型：http://testhtml5.vulnweb.com 2) php类型：http://testphp.vulnweb.com 3) asp类型：http 1.2.2扫描器的功能： 1）发现一个主机或网络 2）发现该主机正在运行何种服务（如开放了那些端口） 3）通过测试这些服务，发现其内在的漏洞 1.2.3扫描器的工作原理： 扫描器通过远程检测目标主机TCP
99730编辑于 2022-10-27 - 来自专栏AI启蒙研究院
读AlphaZero论文随想
这个双十一我读博实验室的师弟们不是抢衣服抢电器，而是在抢购GPU，学生命苦啊，做点实验太寒碜了。 未来Alpha还会继续在哪里发力？ 我个人看好游戏，因为尤其的动作参数序列化，与围棋完全一致。
75140发布于 2018-07-20 - 来自专栏后端/图像融合/机器学习/爬虫
【读论文】AT-GAN
论文：https://www.sciencedirect.com/science/article/pii/S156625352200255X 如有侵权请联系博主 介绍 大概是刚开学的时候就读到一篇文章 这次要介绍的文章仍然是我们熟悉的Imformation Fusion中一篇论文，论文中将图像质量评价引入到图像融合领域，并且根据红外图像和可见光图像的不同，分别设置了IAM和STM两个模块。
27210编辑于 2024-06-19 ResNet 论文简读
3. 快捷连接那么如何实现这种“残差学习”呢？答案就是使用“快捷连接”！在每个需要学习残差的地方，我们在输入与经过几层非线性变换后的输出之间直接相加。 3. 深层残差网络的架构设计ResNet 有多个不同的版本，如 ResNet-18、ResNet-34、ResNet-50、ResNet-101、ResNet-152 等。 所谓瓶颈结构，就是在一个残差块中，先通过 1×1 卷积将通道数降低，然后用 3×3 卷积进行处理，最后再用 1×1 卷积恢复通道数。这样可以大幅减少参数量和计算量，同时保持网络的表达能力。
28800编辑于 2025-03-25
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号