guided专题

Learning Memory-guided Normality for Anomaly Detection——学习记忆引导的常态异常检测

又是一篇在自编码器框架中研究使用记忆模块的论文，可以看做19年的iccv的论文的衍生，在我的博客中对19年iccv这篇论文也做了简单介绍。韩国人写的，应该是吧，这名字听起来就像。摘要abstract 我们解决异常检测的问题，即检测视频序列中的异常事件。基于卷积神经网络的异常检测方法通常利用代理任务(如重建输入视频帧)来学习描述正常情况的模型，而在训练时看不到异常样本，并在测试时使用重建误

Detection简记3-Region Proposal by Guided Anchoring

创新点 1.新的anchor 分布策略：Guided Anchoring 2.feature adaption module，根据潜在的anchor精调特征总结 Guided Anchoring：流程如图所示特征图F1接两个分支：位置预测分支产生物体可能存在的位置的概率图，形状预测分支预测物体的形状，独立于位置。根据两个分支的输出，得到anchor。位置预测分支： 1X1的卷积+si

Clustering-Guided Class Activation for WeaklySupervised Semantic Segmentation

pdf：https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=10381698 code：https://github.com/DCVL-WSSS/ClusterCAM 摘要：基于transformer的弱监督语义分割(WSSS)方法利用其捕获全局上下文的强大能力得到了积极的研究。然而，由于激活函数在transformer的自注意

阅读笔记——《Large Language Model guided Protocol Fuzzing》

【参考文献】Meng R, Mirchev M, Böhme M, et al. Large language model guided protocol fuzzing[C]//Proceedings of the 31st Annual Network and Distributed System Security Symposium (NDSS). 2024.（CCF A类会议）【注】本

论文阅读笔记——StereoNet: Guided Hierarchical Renement for Real-Time Edge-Aware Depth Prediction

引言：谷歌实时端到端双目系统深度学习网络双目匹配可以得到环境中的三维深度信息，进而为机器人，无人车，VR等现实场景下的应用提供有力信息，在对安全验证比较高的人脸支付领域，三维人脸验证也正在逐渐取代安全性较低的二维人脸验证。近年来，深度学习双目系统匹配已经取得了很不错的进展，很多先进的网络性能已经超过传统方法。然而，深度学习双目系统匹配仍然在实用方面面临很多问题，其中一个问题便是无法做到推断

Follow Your Pose: Pose-Guided Text-to-Video Generation using Pose-Free Videos

清华深&港科&深先进&Tencent AAAI24https://github.com/mayuelala/FollowYourPose 问题引入本文的任务是根据文本来生成高质量的角色视频，并且可以通过pose来控制任务的姿势；当前缺少video-pose caption数据集，所以提出一个两阶段的训练，可以利用image-pose数据和pose free video数据；第一阶段首先使用p

Offline RL : Beyond Reward: Offline Preference-guided Policy Optimization

ICML 2023 paper code preference based offline RL，基于HIM，不依靠额外学习奖励函数 Intro 本研究聚焦于离线偏好引导的强化学习（Offline Preference-based Reinforcement Learning, PbRL），这是传统强化学习（RL）的一个变体，它不需要在线交互或指定奖励函数。在这个框架下，代理（agent）被提

Online RL + IL : TGRL: An Algorithm for Teacher Guided Reinforcement Learning

ICML 2023 Poster paper Intro 文章设定一个专家策略，给出两种优化目标。一个是基于专家策略正则的累计回报，一个是原始累计回报。通过比较二者动态的衡量专家策略对智能体在线学习的影响程度，进而实现在线引导过程。 Method 原始的RL目标是最大化累计奖励: π ∗ = arg ⁡ max ⁡ π J R ( π ) : = E [ ∑ t = 0 ∞ γ t r t

AGV(Automated Guided Vehicle)

摘抄自《智能AGV视觉导航控制系统的研究及应用》刘朋飞华南理工硕士论文随着科学技术进步和产业升级改造的需求，智能 AGV(Automated Guided Vehicle，自动导航小车)的应用逐渐成为企业在柔性生产设备和仓储自动化升级的首选方案 ,具有自动化程度高、灵活性好、安全可靠等优点. 智能 AGV,即无人搬运车，通常指装备有自动导航装置，可通过驱动单元按

[Classifier-Guided] Diffusion Models Beat GANs on Image Synthesis

1、介绍针对diffusion models不如GAN的原因进行改进： 1）充分探索网络结构 2）在diversity和fidelity之间进行trade off 2、改进 1）在采样步数更少的情况下，方差设置为固定值并非最优。需要将表示为网络预测的v

Enriched Feature Guided Refinement Network for Object Detection（面向目标检测的丰富特征引导细化网络）

Jing Nie1∗ †, Rao Muhammad Anwer2∗, Hisham Cholakkal2, Fahad Shahbaz Khan2 Yanwei Pang1‡, Ling Shao2 1School of Electrical and Information Engineering, Tianjin University 2Inception Institute of Artif

Guided Filter算法详解

论文地址代码实现 def Guidedfilter(im,p,r,eps):mean_I = cv2.boxFilter(im,cv2.CV_64F,(r,r));mean_p = cv2.boxFilter(p, cv2.CV_64F,(r,r));mean_Ip = cv2.boxFilter(im*p,cv2.CV_64F,(r,r));cov_Ip = mean_Ip - mea

SAP BAS中Fiori开发的高阶功能(storyboard, navigation, guided development, variant)

1. 前言在之前的几篇文章中，我介绍了SAP BAS的一些基本功能，包括账户申请，创建工作区，git的使用以及如何step-by-step去创建出你的第一个Fiori项目等等。在本篇中，我将进一步介绍一些在开发Fiori应用程序时会用到的高阶功能。 2. 功能点 2.1 SAP Fiori View 在SAP Fiori视图活动中，我们可以访问应用程序建模器（Application Mo

[论文解析] Null-text Inversion for Editing Real Images using Guided Diffusion Models

使用引导扩散模型编辑真实图像的空文本反转 code links： https://null- textinversion.github.io/. Abstract 在本文中，我们引入了一种精确的反演技术，从而方便了直观的基于文本的图像修改。我们提出的反演包含两个新的关键组成部分： (i)扩散模型的关键反演。我们为每个时间戳使用单个关键噪声向量，并围绕它进行优化。我们证明了直接反演本

Enjoy a guided relaxation

Calm是一个神奇的网站，看到它，让你不得不感叹作者的想象力之丰富，它能让你在现在紧张的工作中提供一处放松身心的地方，calm提供了九组不同的场景，有自然风光，青山绿水，碧波长空，有夕阳晚霞，优美的风景配上清新的音乐。特别这两个雨天的场景，配上雷雨的背景音乐，让人瞬间觉得世界清净了，据说这是白噪音的作用。人类最好的心灵避难所有两个，一个是读书，一个是音乐，calm就是这样，一

图像修复_LaFIn_Generative Landmark Guided Face Inpainting

Abstract 提出了一个深度学习策略来修复人脸图像，这个网络由两个部分组成，一个是人脸关键点预测子网络，该网络的目的是给另一个网络提供人脸的结构信息（破损人脸图像的人脸拓扑信息，表情信息）。另一个是图像修复网络，该网络的目的是修复出符合真实外观的人脸图像。该人脸图像修复方法在数据集CelebA-HQ和CelebA上进行了实验。 Introduction 人脸图像相比较海洋、草地等自然

Guided Policy Search Ubuntu 18.04 + ROS melodic安装过程

Guided Policy Search Ubuntu 18.04 + ROS melodic安装过程一安装依赖二下载以及预编译源码三 ROS Setup四安装神经网络库五测试GPS示例PR2-example六总结前提已安装 ROS-melodic+gazebo 一安装依赖 python 使用Python 2.7版本。 pip install numpyp

DFormer: Diffusion-guided Transformer for UniversalImage Segmentation

DFormer:用于通用图像分割的扩散引导transformer 摘要：本文介绍了一种通用的图像分割方法DFormer。所提出的DFormer将通用图像分割任务视为一个使用扩散模型的去噪过程。DFormer首先将不同级别的高斯噪声添加到地面真实掩码中，然后学习一个模型来预测从损坏的掩码中去除噪声的掩码。具体地说，我们将深度像素级特征和噪声掩码作为输入来生成掩码特征和注意掩码，并使用基于扩散的解码

读Shape-Guided代码①预处理

有时候debug就会爆编码错还是加个前缀保险吧,但其实还是要稍等一会刷个新更好 # -*- coding: UTF-8 -*- preprocessing预处理首先遍历所有tiff路径读取点云数据、rgb图像，以及可能有的gt掩码图像例如首先读到的是babel测试集combined 第一组中，点云pc是800,800,3的ndarray，rgb同样大小，gt就是800,800的灰度图

读Shape-Guided代码①预处理

有时候debug就会爆编码错还是加个前缀保险吧,但其实还是要稍等一会刷个新更好 # -*- coding: UTF-8 -*- preprocessing预处理首先遍历所有tiff路径读取点云数据、rgb图像，以及可能有的gt掩码图像例如首先读到的是babel测试集combined 第一组中，点云pc是800,800,3的ndarray，rgb同样大小，gt就是800,800的灰度图

Synthetic Temporal Anomaly Guided End-to-End Video Anomaly Detection 论文阅读

Synthetic Temporal Anomaly Guided End-to-End Video Anomaly Detection 论文阅读 Abstract1. Introduction2. Related Work3. Methodology3.1. Architecture3.1.1 Autoencoder3.1.2 Temporal Pseudo Anomaly Synthes

A Robust and Simple Measure for Quality-Guided 2 D Phase Unwrapping Algorithms

A Robust and Simple Measure for Quality-Guided 2 D Phase Unwrapping Algorithms 论文总共分为六个部分，分别是：介绍，质量引导求解相位，残差点，载波信号的影响，本文建议的求解质量方法，实验与结论。质量引导解包本节中介绍的质量引导解包是2002年的一篇文章：Fast two dimensional phase-unw

读Shape-Guided代码①

有时候debug就会爆编码错还是加个前缀保险吧,但其实还是要稍等一会刷个新更好 # -*- coding: UTF-8 -*- preprocessing预处理首先遍历所有tiff路径读取点云数据、rgb图像，以及可能有的gt掩码图像例如首先读到的是babel测试集combined 第一组中，点云pc是800,800,3的ndarray，rgb同样大小，gt就是800,800的灰度图

Guided Filter 引导滤波

双边滤波双边滤波很有名，使用广泛，简单的说就是一种同时考虑了像素空间差异与强度差异的滤波器，因此具有保持图像边缘的特性。先看看我们熟悉的高斯滤波器其中W是权重，i和j是像素索引，K是归一化常量。公式中可以看出，权重只和像素之间的空间距离有关系，无论图像的内容是什么，都有相同的滤波效果。再来看看双边滤波器，它只是在原有高斯函数的基础上加了一项，如下其中 I 是像素的强

guided-pix2pix 代码略解

《Guided Image-to-Image Translation with Bi-Directional Feature Transformation》 train.py model.set_input(data)model.optimize_parameters() 开始训练 models/guided_pix2pix_model.py def se

读《Shape-Guided: Shape-Guided Dual-Memory Learning for 3D Anomaly Detection》

Chu Y M, Chieh L, Hsieh T I, et al. Shape-Guided Dual-Memory Learning for 3D Anomaly Detection[J]. 2023.（为毛paperwithcode上面曾经的榜一引用却只有1）摘要专家学习无监督第一个专家：局部几何，距离建模第二个专家：2DRGB，局部颜色外观引言虽然在大多数情况下，