1.基础 1.1Random Walks 在图中，通过Random Walks处理，可以找到数据在哪里聚集，或者聚簇在哪。 图中的Random Walks是使用马尔可夫链计算求出。 1.2马尔可夫链（Markov Chain） 先看一个简单的例子： 第一步，结点1的Random Walker有33%的概率到达结点2、3和4，且有0%的概率到达结点5、6和7。 对于结点2，

MCAL之MCL模块 一、MCL模块简介二、MCL模块配置 一、MCL模块简介 在MCAL编译及调试章节中，在编译的时候遇到编译问题，需要增加MCL模块，今天在这里和大家分享下，改模块主要用于DAM配置的，在调试SPI的时候用到了异步传输数据，所以接触了该模块。 二、MCL模块配置

论文链接：https://arxiv.org/abs/2204.00442 摘要 基于范例的图像翻译在来自于不同域的条件输入和范例图像之间建立密集的对应关系，旨在使用详细的范例风格实现真实的图像翻译。现有的研究通过最小化两个域的特征集距离，隐式的建立跨域对应。然而，这些方法由于没有明确利用域不变特征，因此可能不能有效减小域间隔，从而导致经常出现次优的对应和图像翻译。我们设计了一个边缘对比学习网

序言 首先先review一篇师兄最近看的CVPR23的文章，这歌内容很有意思，通过Bert进行推理来构建类Masked Language，然后对其进行学习。 ViLEM: Visual-Language Error Modeling for Image-Text Retrieval（CVPR 23） 序言 ViLEM：是指视觉语言的错误建模。这个工作是基于ITC的基础上的。 Motiva