- 综合排序
- 最热优先
- 最新优先
- 来自专栏机器学习AI算法工程
深度学习论文精读
向AI转型的程序员都关注了这个号 机器学习AI算法工程 公众号：datayx 所有论文 包括已经录制完成和之后将要介绍的论文。 总论文数 67，录制完成数 32 全部 代码 ,预训练模型 获取方式： 关注微信公众号 datayx 然后回复 论文 即可获取。
69030编辑于 2022-08-26 - 来自专栏GAN&CV
值得精读的GAN论文推荐
前言 本文主要推荐一些生成对抗网络（GAN，generative adversarial networks）相关的值得精读的论文，主要涉及GAN的优化，图像翻译，视频预测三个领域，可以作为GAN 在损失函数的优化论文方面，效果比较突出且使用较多的主要有三篇论文，分别是：lsgan, wgan-gp, 谱归一化GAN： Improved training of Wasserstein GANs ： image synthesis and semantic manipulation with conditional GANs：https://arxiv.org/abs/1711.11585 这篇论文在 论文的推荐顺序既可以用来快速查找，也可以用来作为进阶的阅读顺序，人力有时穷，还有更多未提到的较好工作，欢迎补充。 ，就可以查找希望看到的论文。
76220发布于 2019-02-25 - 来自专栏全栈程序员必看
精读论文题目_in large part as a consequence
大家好，又见面了，我是你们的朋友全栈君 图像拼接系列相关论文精读 Seam Carving for Content-Aware Image Resizing As-Rigid-As-Possible Warps for Image Stitching Seam-Driven Image Stitching Parallax-tolerant Image Stitching 文章目录 图像拼接系列相关论文精读
27710编辑于 2022-09-29 Text to image论文精读PDF-GAN
论文地址：https://arxiv.org/abs/2210.15235本篇文章是阅读这篇论文的精读笔记。一、原文摘要从给定文本中生成一致且高质量的图像对于视觉语言理解至关重要。 htht再经过两组MLP分别学习由局部语义调节的尺度和偏差，变为ht+1′ht+1′(论文图中错误标注成了t-1)首先扩展到正确的形状，然后缩放并偏置。条件特征被平均并传递给后续处理器。
29900编辑于 2024-11-19- 来自专栏AI算法与图像处理
人脸算法系列（二）：RetinaFace论文精读
跟着我一起读这篇论文，希望论文的思路能够对你有所启发，如果觉得有用的，帮我分享出去，谢啦！ RetinaFace的主要贡献 ? END 参考文献： https://blog.csdn.net/weixin_40671425/article/details/97804981 论文地址：https://arxiv.org/pdf/1905.00641
8.8K62发布于 2020-04-15 - 来自专栏机器学习炼丹之旅
论文精读系列：rotated-binary-neural-network（RBNN）
本文为论文Rotated Binary Neural Network的精读总结，该论文发布于NeurIPS 2020，提出了RBNN，通过旋转来缩小二值化后的误差，效果较好。 文中部分表述为原文翻译，所有图片除非特别注明，都来自原论文。本文在多平台同步，进入主站获得更好体验。 并且，论文中指出，角度偏差 \theta 很大的情况出现的概率很大。 1.4 解决方案 论文中提出了 Rotated Binary Neural Network (RBNN) 来减少由角度偏差带来的量化误差。 此外，为了摆脱优化过程中陷入局部最优解的可能性，论文中在训练时，还会动态调整旋转矩阵的参数。
1.3K10编辑于 2022-09-19 - 来自专栏CSDN
论文精读（三）|智能合约漏洞检测技术综述
《智能合约漏洞检测技术综述》一文系统梳理了截至 2021 年 7 月的 84 篇相关研究，将漏洞检测技术分为六大类，从技术原理、实验数据到国内外研究差异进行全面分析，为我们绘制了智能合约安全防御的 “技术地图 篇会议论文, 1 篇期刊论文; 另有 3 篇文章分别发表在人工智能领域的会议 IJCAI、数据挖掘领域的期刊 IPM 和交叉领域的会议 FCS 上. 依据中国计算机学会 (CCF) 推荐的学术会议和期刊分类, A 类会议 24 篇、A 类期刊 2 篇、B 类会议 7 篇、B 类期刊 3 篇、C 类会议 7 篇. 论文首次从技术分类角度系统梳理这些防御手段，对比国内外研究差异，为后续研究指明方向。 开源工具的差异直接影响技术传播：国外 36 个开源工具形成了丰富的生态，Mythril、Slither 等被工业界广泛采用；国内仅 7 个开源工具，且影响力有限，仅 ContractFuzzer 等少数工具被国际论文引用
1.1K10编辑于 2025-08-24 - 来自专栏CSDN
论文精读（二）| 开源软件漏洞感知技术综述
笔者链接：扑克中的黑桃A 专栏链接：论文精读 本文关键词：开源软件; 漏洞感知; 软件安 引 诸位技术同仁： 本系列将系统精读的方式，深入剖析计算机科学顶级期刊/会议论文，聚焦前沿突破的核心机理与工程实现 从图 2 可以看出，漏洞感知领域的研究论文数量逐年递增，尤其是 2018 年后增速明显，说明该领域受到越来越多关注。而基于社区讨论和补丁的研究起步较晚（如图 3 所示），仍是待探索的蓝海。 论文整理了近年来的主流工具和数据集，为研究者提供 “弹药”。 1. 论文揭示的方法论范式对跨领域技术实践具有普适参考价值。下期将聚焦其他前沿成果，深入剖析其的突破路径。
42910编辑于 2025-08-09 - 来自专栏论文精读
【论文精读】模型驱动的遗留系统逆向工程综述
总结这篇综述通过对 83 篇学术论文的系统性回顾，让我们得以一窥软件逆向工程领域的真实面貌。
28210编辑于 2026-01-06 - 来自专栏CSDN
论文精读（一）| 量子计算系统软件研究综述
笔者链接：扑克中的黑桃A 专栏链接：论文精读 引 诸位技术同仁： 本系列将系统精读的方式，深入剖析计算机科学顶级期刊/会议论文，聚焦前沿突破的核心机理与工程实现。 分解分两步： 先把任意 n 比特门拆成 “单比特门 + CNOT 门”（硬件无关的通用门集，方便统一比较）； 示例：Toffoli门 → 6个CNOT + 7个单比特门* 再把这些门转换成硬件实际支持的门 4.3 量子电路变换优化：给代码 “瘦个身” 就像经典编译器会删除冗余代码，量子编译器也能通过 “等价性规则” 优化电路（如图 7），核心是减少门数量和深度，降低错误概率。 第六章：量子计算调试器（论文 4 节解析） 经典调试器能打印变量值，但量子态一测量就变，没法直接看 —— 这让量子调试成了难题。论文 4 节聚焦 “状态断言”：判断量子态是否符合预期（类型或值）。 第八章：可以延伸的邻域 此章节是我自己思考的想法，与论文无关。
49310编辑于 2025-07-11 - 来自专栏时空探索之旅
论文精读 | 【综述】POI推荐：模型、架构、安全性
论文标题：A Survey on Point-of-Interest Recommendation: Models, Architectures, and Security 作者：Qianru Zhang Wang（汪海昕）, Xingwei He（贺星伟）, Siu-Ming Yiu（姚兆明）, Hongzhi Yin（阴红志） 机构：香港大学（HKU），加州大学洛杉矶分校（UCLA），昆士兰大学 论文链接
1.2K10编辑于 2024-11-19 - 来自专栏决策智能与机器学习
论文精读|3rd|ICLR 2018最佳论文|全文下载|meta-learning in nonstationary
论文PDF全文下载，公众号回复：20180425 作者简介 ? 本科研究助理 作者个人网址：https://www.cs.cmu.edu/~mshediva/ Github地址：https://github.com/alshedivat 特别说明 本论文是深度学习顶会 “无冕之王”之称的ICLR 2018三篇最佳论文之一。 本论文重点关注于元学习方向，提出了一种基于梯度的简单元学习算法，适用于动态变化和对抗性的场景，并获得显著高效的适应性智能体。 在本论文中，我们将持续适应问题交给了“learning-to-learn”的框架。我们开发了一种简单的基于梯度学习的元学习算法，适用于动态变化和对抗场景下的适应。
56530发布于 2020-08-04 - 来自专栏时空探索之旅
论文精读 | 使用异质图学习地理空间区域嵌入表示
这篇论文试图解决以下问题 高效地表示区域内部特征：现有的研究在学习地理空间表示时通常使用卫星图像，但由于卫星图像与自然图像之间存在差异，现有方法的视觉编码器在卫星图像上的表现不佳。 因此，论文提出了一种基于语义分割的新的方法，旨在有效地捕捉区域内部特征。 全面建模复杂的高阶区域关系：在地理空间中，区域之间的关系不仅限于二元邻接关系，还包括三元和更高阶的依赖关系。 为了解决这个问题，论文提出了一种新的地理空间异质图结构，名为GeoHG，它能够有效地捕捉和建模高阶区域关系。 全面超越现有方法的性能：论文通过在多个数据集上进行实验证明，GeoHG相比现有方法在各种下游任务中具有更优越的性能。即使在数据稀缺的情况下，GeoHG仍能取得竞争性的表现。 实验 实验设置 在论文中，研究者们进行了广泛的实验，涵盖了多个数据集和多个任务。他们选择了北京、上海、广州等城市作为实验地点，并使用了各种下游任务，如人口预测、GDP预测、夜间光照预测等。
42610编辑于 2024-11-19 - 来自专栏登神长阶
【论文复现】YOLOv7论文讲解
论文讲解 YOLO v7论文（YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors 由论文中图示，在5 FPS 到 160 FPS 范围内，YOLOv7 在 speed 和 accuracy 上都超过了所有已知的目标检测器，并且在 GPU V100 上 30 FPS 或更高的实时目标检测器中 论文方法 论文聚焦如何在目标检测中取得更快的速度、更高的精度。 它为什么具备如此好的效果，论文分两个方面给出了答案。 为了区分辅助头和原来的头，给他们分别命名为lead head和AUX head，这种使用辅助头，深度监督训练模型的方式在其他论文中也都已经使用过。 YOLO v7论文 链接 YOLO v7博客 编程未来，从这里启航！
1.3K10编辑于 2024-12-09 - 来自专栏论文精读
【论文精读 | Locate and Verify: A Two-Stream Network for Improved Deepfake Detection】
作者提取定位流的中层特征图，并通过线性变换 （论文中是通过一个 1 \times 1 的卷积核实现） 和Softmax激活函数计算注意力值，最后将注意力值作用于分类特征上，具体公式为：F'_c = \text
87321编辑于 2025-07-10 - 来自专栏论文精读
【论文精读】CodeWMBench 揭示 AI 生成代码水印的残酷真相
论文地址：# CodeWMBench: An Automated Benchmark for Code Watermarking Evaluation在 GitHub Copilot、ChatGPT 和 读前先问读论文之前首先要问几个问题：这篇论文大方向的目标是什么？ 这篇论文要解决什么问题？论文主要解决代码水印评估标准不够全面和自动化的缺陷。 3️⃣鲁棒性（Robustness）： 首次引入了基于大语言模型（LLM）的水印擦除技术，利用CodeLlama-7b模型设计了“基于重写的擦除（Rewrite-based Removal）”和“跨语言重翻译擦除 论文精读核心发现一：告别“盲盒检测”，主动水印成为版权防线的唯一选择长期以来，检测 AI 生成内容主要依赖于 ZeroGPT 等“被动检测”工具。但在代码领域，这类工具的表现只能用“灾难”来形容。
16500编辑于 2026-03-16 - 来自专栏文本生成图像
Text to image论文精读 StackGAN++: Realistic Image Synthesis with Stacked GAN
论文地址： https://arxiv.org/pdf/1710.10916v3.pdf代码地址： https://github.com/hanzhanggit/StackGAN-v2本博客是精读这篇论文的报告 这篇文章介绍了StackGAN-v1，其在上篇博客Text to image论文精读：StackGAN中已经进行讲解，本篇博客只对StackGAN-v2的内容进行总结。 相关阅读Text to image（T2I）论文整理 阅读路线和阅读指南我正在参与2024腾讯技术创作特训营最新征文，快来和我瓜分大奖！
40610编辑于 2024-04-30 - 来自专栏全栈程序员必看
【论文精读】Parallax-Tolerant Image Stitching Based on Robust Elastic Warping
图像拼接系列相关论文精读 Seam Carving for Content-Aware Image Resizing As-Rigid-As-Possible Shape Manipulation Warps for Image Stitching Seam-Driven Image Stitching Parallax-tolerant Image Stitching 文章目录 图像拼接系列相关论文精读
54830编辑于 2022-11-16 - 来自专栏文本生成图像
Text to image论文精读 AttnGAN: Fine-Grained TexttoImage Generation with Attention
论文地址： https://arxiv.org/pdf/1711.10485.pdf代码地址： https://github.com/taoxugit/AttnGAN本博客是精读这篇论文的报告，包含一些个人理解 没看StackGAN++可以点击->：Text to image论文精读 StackGAN++而损失函数的第二项LDAMSM是由DAMSM计算的字符级细粒度图像-文本匹配损失，这部分在本博文的第七节中介绍
81110编辑于 2024-05-02 - 来自专栏前端精读评论
7. 精读《请停止 css-in-js 的行为》
本周精读文章：请停止 css-in-js 的行为 1 引言 这篇文章表面是在讲 CSS in JS，实际上是 CSS Modules 支持者与 styled-components 拥趸之间的唇枪舌剑、 /table-custom-styles.css';
; 文章内容 3 精读 参与本次精读的同学有 黄子毅，杨森 和 camsong。
2.5K50编辑于 2022-03-14
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