导读 我们对电商场景兴趣建模的理解愈发清晰：1. 通过预估目标item的信息对用户过去的行为做search提取和item相关的信息是一个很核心有效的技术。2. 更长的用户行为序列信息对CTR建模是非常有效且珍贵的。从用户的角度思考，我们也希望能关注用户长期的兴趣。但是当前的search方法无论是DIN和DIEN都不允许我们在线对一个超长的行为序列比如1000以上做有效搜索。所以我们的目标就比较明

Bank Interest 时间限制: 1000ms 内存限制: 65535KB 通过次数: 1总提交次数: 1 问题描述 Farmer John made a profit last year! He would like to invest it well but wonders how much money he will make. He knows the interes

文章目录 《SuperPoint: Self-Supervised Interest Point Detection and Description》笔记文章解决了什么问题用了什么方法效果如何结论存在什么不足Future Work细节过程构建合成数据集训练MagicPointMagicPoint + Homographic Adaption生成pseudo ground truth选择Hom

标题：根据用户产生的视觉内容（图像）分析用户兴趣 一、背景 1）准确地辨识出用户的特质和兴趣对私人定制和推荐系统都很重要。 2）目前大多数工作都集中在用户产生的文本内容上，用户产生的视觉内容（图像）相对却很少受到关注，而图像现在非常普遍，且图像还不受语言障碍，所以这个课题值得研究。 二、idea 1）假设用户上传的图片是反映了自己的兴趣点，那么我们就可以根据分析这些图片内容，然后利用图片

文章目录 0. 前言1. ROI池化的提出背景2. RoI池化的结构与工作原理3. RoI池化的作用及意义4. RoI使用示例 0. 前言 按照国际惯例，首先声明：本文只是我自己学习的理解，虽然参考了他人的宝贵见解及成果，但是内容可能存在不准确的地方。如果发现文中错误，希望批评指正，共同进步。 本文基于Ross Girshick在2015年发表的论文Fast R-CN

论文解读见【推荐算法】深度学习推荐算法综述 Deep Learning based Recommender System: A Survey and New Perspectives第6.2小节。 一、数据处理 1.1 基础数据 论文中用的是Amazon Product Data数据，包含两个文件：reviews_Electronics_5.json, meta_Electronics.js

预备知识： opencv读取彩色图像格式为bgr,并非rgb. OpenCV使用BGR而非RGB格式 - pluviophile - 博客园 OpenCV与Python之图像的读入与显示以及利用Numpy的图像转换 - Dean-Feng - 博客园 1.截取三通道彩色图像的部分区域复制到其他区域： (前两天看了一篇文章是关于小目标检测的，文中提到，神经网络进行小目标检测的一大挑战是图片

UnSuperPoint:End-to-End Unsupervised Interest Point Detector And Descriptor 论文解读 简介 特征点的语义信息并不明确难以用人工标注特征点位置的方法得到一个巨大的数据集，是深度学习方法用在特征点提取上的最大问题。 之前工作： TILDE 用类似于sift的特征点作为真实值Quad-network 基于图片单应变换结果

SuperPoint：Self-Supervised Interest Point Detection and Description 论文阅读 简介 监督学习从图像中提取点的方法被广泛研究 物体检测人体关节位置检测等等 特征点的语义信息不明确，难以进行人工标注，如何进行网络训练？ 文中的思路为 自动标注得到伪真实值 生成特征点位置无歧义的虚拟数据集训练得到特征提取网络MagicPoi