代码 原文地址 预备知识：1.什么是元学习（MetaLearning）？元学习或者叫做“学会学习”（Learningtolearn），它是要“学会如何学习”，即利用以往的知识经验来指导新任务的学习，具有学会学习的能力。由于元学习可帮助模型在少量样本下快速学习，从元学习的使用角度看，人们也称之为少次学习（Few-ShotLearning）。 2.什么是基于度量的元学习（Metric-based meta-learning）？基于度量的元学习将相似性学习和元学习相结合，学习训练过的相似任务的经验，从而加快新任务的完成。Guo等人将注意机制与集成学习方法相结合，形成了基于度量的元学习模型。 标记文档

代码 原文地址 预备知识：1.什么是元学习（MetaLearning）？元学习或者叫做“学会学习”（Learningtolearn），它是要“学会如何学习”，即利用以往的知识经验来指导新任务的学习，具有学会学习的能力。由于元学习可帮助模型在少量样本下快速学习，从元学习的使用角度看，人们也称之为少次学习（Few-ShotLearning）。 2.什么是基于度量的元学习（Metric-based meta-learning）？基于度量的元学习将相似性学习和元学习相结合，学习训练过的相似任务的经验，从而加快新任务的完成。Guo等人将注意机制与集成学习方法相结合，形成了基于度量的元学习模型。 标记文档

今天读一篇WACV2024上MVS的文章，作者来自格拉茨技术大学。文章链接：点击前往Abstract为了减少在深度图融合点云参数调整上的实验负担，可以学习基于entropy的filteringmask进而根据两个视角的几何验证来重建三维模型。并且，提出的网络计算开销不大，训练只需要6GB，测试时，3.6GB即可处理1920*1024的图片，性能也和sota很接近。1IntroductionMVS问题当中，尽管输出首先是深度图，但当今最常见的基准测试是评估点云，即3D模型而不是深度图。虽然深度图的创建是由神经网络处理的，但点云仍然通过检查几何和光度一致性以经典方式生成。photometricma

RepresentationLearningwithContrastivePredictiveCoding摘要这段文字是论文的摘要，作者讨论了监督学习在许多应用中取得的巨大进展，然而无监督学习并没有得到如此广泛的应用，仍然是人工智能中一个重要且具有挑战性的任务。在这项工作中，作者提出了一种通用的无监督学习方法，用于从高维数据中提取有用的表示，被称为“对比预测编码”（ContrastivePredictiveCoding）。该模型的关键思想是通过使用强大的自回归模型在潜在空间中预测未来，从而学习这些表示。作者使用了一种概率对比损失，通过负采样使潜在空间捕获对预测未来样本最有用的信息。而大多数先前

文章目录1概述1.1要点1.2代码1.3引用2方法2.1问题定义2.2基于GAN的AF攻击2.3用于开集CAF的双GAN策略2.4方法架构2.4.1CAF-GAN2.4.2多示例三元网络2.4.3分类模型2.4.4使用CAF作为surrogate的迁移更新1概述1.1要点题目：用于防御数字图像中对抗攻击的稳健开集多示例学习(Arobustopen-setmulti-instancelearningfordefendingadversarialattacksindigitalimage)背景：数字图像取证在多媒体取证中应用广泛；已有的取证方法，通过公开操作指纹来确定数字图像的完整性；针对操纵图像

今天我们分享一个深度学习遥感相关的网站：「satellite-image-deep-learning」。这是一个github库，里面含有大量应用于卫星和航空图像的深度学习资源。主要包括以下几个方面：annotation：提供数据集注释信息，里面包含众多标注工具，有的可以自带坐标，有的可以生成geojson。既有针对遥感数据的标注工具，也有如labelme这些深度学习常用的工具。datasets：列出许多数据集。已经按来源和内容进行了分类model-training-and-deployment：列出有关深度学习模型的训练和部署的信息。包括正确处理数据，如何部署模型、跟踪模型等。software

0.简单总结Q-learning？最简单的强化学习算法！不需要深度学习网络的算法！带有概率性的穷举特性！（甚至还有一点点动态规划的感觉）1.Q-learning介绍Q-learning是一种基于强化学习的算法，用于解决Markov决策过程（MDP）中的问题。这类问题我们理解为一种可以用有限状态机表示的问题。它具有一些离散的状态state、每一个state可以通过动作action转移到另外一个state。每次采取action，这个action都会带有一些奖励reward（也可以是负数，这样就表示惩罚了）。在Q-learning中，我们有一个智能体（Agent）和一个环境（Environment）

论文链接：[2002.12416]LearningintheFrequencyDomain(arxiv.org)https://arxiv.org/abs/2002.12416论文代码：kaix90/DCTNet(github.com)https://github.com/kaix90/DCTNet1、研究背景a）在传统方法中，高分辨率的RGB图片通常在CPU上进行预处理，然后转移到GPU上进行推理。因为没有经过压缩的RGB图片很大，所以CPU和GPU之间的传输带宽（CB）要求很高。为减少计算代价和传输带宽，高分辨率的RGB图片被下采样至更小的图片，但是这通常导致信息丢失和更低的推理准确率。b

代码 原文地址 预备知识：1.什么是MIL？多示例学习（MIL）是一种机器学习的方法，它的特点是每个训练数据不是一个单独的实例，而是一个包含多个实例的集合（称为包）。每个包有一个标签，但是包中的实例没有标签。MIL的目的是根据包的标签来学习实例的特征和分类规则，或者根据实例的特征来预测包的标签。MIL的应用场景包括药物活性预测、图像分类、文本分类、关系抽取等。MIL的挑战在于如何处理实例之间的相关性、标签的不确定性和数据的不平衡性。MIL的常用算法有基于贝叶斯、KNN、决策树、规则归纳、神经网络等的方法，以及基于注意力机制、自编码器、变分推断等的方法。 2.什么是基于跨度（span）的命名实体

代码 原文地址 预备知识：1.什么是MIL？多示例学习（MIL）是一种机器学习的方法，它的特点是每个训练数据不是一个单独的实例，而是一个包含多个实例的集合（称为包）。每个包有一个标签，但是包中的实例没有标签。MIL的目的是根据包的标签来学习实例的特征和分类规则，或者根据实例的特征来预测包的标签。MIL的应用场景包括药物活性预测、图像分类、文本分类、关系抽取等。MIL的挑战在于如何处理实例之间的相关性、标签的不确定性和数据的不平衡性。MIL的常用算法有基于贝叶斯、KNN、决策树、规则归纳、神经网络等的方法，以及基于注意力机制、自编码器、变分推断等的方法。 2.什么是基于跨度（span）的命名实体