【导读】Transformer是当下流行的模型。牛津大学等学者发布首篇《Transformer多模态学习》综述论文，23页pdf涵盖310篇文献全面阐述MMT的理论与应用。 Transformer是一种很有前途的神经网络学习器，在各种机器学习任务中都取得了很大的成功。随着近年来多模态应用和大数据的普及，基于Transformer 的多模态学习已成为人工智能研究的热点。本文介绍了面向多模态数据

MFT导弹飞行工具是MMT模块中的核心部分，它提供多级导弹飞行轨迹，易于在STK中分析和可视化。对于一个特定的导弹模型，可通过定义发射点和打击点及轨迹类型，生成飞行轨迹和飞行数据。 MFT提供代表多种导弹类型和性能参数的导弹数据库。可导出轨迹和相关联的对象飞行数据，并直接用到STK场景的地图和可视化。 MFT用户界面设计将所有任务、选项和MFT参数直接放下窗口前，用于快速浏览和简化性能。用户界面

Mutual Mean-Teaching: Pseudo Label Refinery for Unsupervised Domain Adaptation on Person Re-identification 知乎讲解：https://zhuanlan.zhihu.com/p/116074945 代码地址：https://github.com/t20134297/MMT

原文链接 小样本学习与智能前沿 。 在这个公众号后台回复“200708”，即可获得课件电子资源。 为了减轻噪音伪标签的影响，文章提出了一种无监督的MMT（Mutual Mean-Teaching）方法，通过在迭代训练的方式中使用离线精炼硬伪标签和在线精炼软伪标签，来学习更佳的目标域中的特征。同时，还提出了可以让Traplet loss支持软标签的soft softmax-triplet lo