代码：https://github.com/Borelset/MFDedup/ 演讲：https://www.youtube.com/watch?v=3oozoXYE9SQ 目录 论文总结 论文详读 0. Abstract 1. Introduction 2. Background 2.1 Background of Data Deduplication 2.2 Deduplic

Locality-aware subgraphs for inductive link prediction in knowledge graphs a b s t r a c t 最近的知识图（KG）归纳推理方法将链接预测问题转化为图分类任务。 他们首先根据目标实体的 k 跳邻域提取每个目标链接周围的子图，使用图神经网络 (GNN) 对子图进行编码，然后学习将子图结构模式映射到链接存在的函

&原文信息 原文题目：《From Contexts to Locality: Ultra-high Resolution Image Segmentation via Locality-aware Contextual Correlation》 原文引用：Li Q, Yang W, Liu W, et al. From contexts to locality: Ultra-high reso

极高图像语义分割。 作者使用了一个高分辨率分割的pipeline，将原始的超高分辨率图像分成一块一块的用于局部分割，然后将局部的分割结果融合形成最终的高分辨率分割。 方法：1：作者引入了一个局部感知上下文融合（LCF）用于处理局部块:2：作者提出了交替局部增强模块（ALE）去完善产生的结果。 其中LCF模块用于研究局部快和上下文区域之间的关系，LCF块包含两步，局部感知上下文关系(LCC)，和多尺