简读专题
RISCV指令集体系简读之RV32M
RV32M向RV32I中添加了整数乘法和除法指令； RV32M具有有符号和无符号整数的除法指令：divide(div)和divide unsigned(divu)，它们将 商放入目标寄存器。在少数情况下，程序员需要余数而不是商，因此RV32M提供 remainder(rem)和 remainder unsigned(remu)，它们在目标寄存器写入余数，而不是商。要测试除数是否为零，只需要在
Paper - Neural Discrete Representation Learning (VQ-VAE) 论文简读
欢迎关注我的CSDN：https://spike.blog.csdn.net/ 本文地址：https://spike.blog.csdn.net/article/details/133992971 问题1：训练完成之后，如何判断 VQ-VAE 的效果? 输入一张训练样本之外的图像，经过编码器，与EmbeddingTable计算最近邻的向量，再把向量输入解码器中，获得重构之后的图像，判断图像
机器学习笔记 YOLOv9模型相关论文简读
一、YOLOv9简述 自 2015 年 Yolov1 推出以来，已经出现了多个版本。 基于Darknet的YOLOv2、YOLOv3和YOLOv4 YOLOv5 YOLOv8 基于 Ultralytics。 SCALED-YOLOv4 使用 Pytorch 而不是 Darknet。 YOLOR是YOLOv4的
HashMap代码简读
put方法 /*** 将value与map中的key相关联。* 如果map中之前有这个key，以前的value将被替换.** @param key 要与指定值关联的键* @param value 与指定键关联的值* @return 旧value值,如果没有这个key，返回null.* (返回null也可能是key关联的value就是null)*/public V put(K ke
ES6 语法精粹简读
本文旨在记录 ES6 的核心常用语法，略去一些细节。 文章目录 1 var 函数作用域与 let/const 块作用域2 解构赋值数组结构赋值对象结构赋值 3 ES6 中字符串的新语法模板字符串模板编译标签模板 4 ES6 中的函数默认值rest 参数箭头函数this 指向问题部署管道机制 尾调用优化
ES6 语法精粹简读
本文旨在记录 ES6 的核心常用语法，略去一些细节。 文章目录 1 var 函数作用域与 let/const 块作用域2 解构赋值数组结构赋值对象结构赋值 3 ES6 中字符串的新语法模板字符串模板编译标签模板 4 ES6 中的函数默认值rest 参数箭头函数this 指向问题部署管道机制 尾调用优化
【tph-yolov5】论文简读
论文名称： TPH-YOLOv5: Improved YOLOv5 Based on Transformer Prediction Head for Object Detection on Drone-captured Scenarios 论文下载地址：https://arxiv.org/abs/2108.11539 代码运行参考博客：https://blog.csdn.net/zztjl/art
PolyMapper论文简读
文章目录 1 摘要2 方法2.1 Polygon Representation2.2 Multiple Targets2.3 From Graphs to Polygons2.4 PipelineCNN PartRNN Part 2.5 Implementation Details 3 结果 1 摘要 我们提出了一种新的方法，名为PolyMapper，以绕过传统的（空中）图像的
Tiny Object Detection in Aerial Images论文简读
code: https://github.com/jwwangchn/AI-TOD 文章目录 摘要论文的贡献 摘要 近年来，地球视觉中的目标探测取得了很大的进展。然而，航空图像中的微小物体检测仍然是一个非常具有挑战性的问题，因为微小物体包含的像素很小，很容易与背景混淆。为了推进航空图像中的微小物体检测研究，我们提出了一种新的航空图像中的微小物体检测数据集(AI-TOD)。具体
论文简读 MetNet: A Neural Weather Model for Precipitation Forecasting
摘要： 天气预报是一项长期的科学挑战，具有直接的社会和经济影响。 该任务适合于连续存储的大量数据和具有长期依赖关系的丰富时空结构。 我们引入了MetNet，这是一个神经网络，它以1 km2的高空间分辨率和2分钟的时间分辨率（以秒为单位）预测未来8小时的降水。 MetNet将雷达和卫星数据作为输入并预测提前期，并生成概率降水图。 该体系结构使用轴向自我关注来聚集来自对应于一百万平方公里的大型输入
机器学习笔记 - EANet 外部注意论文简读及代码实现
一、论文简述 论文作者提出了一种新的轻量级注意力机制，称之为外部注意力。如图所示，计算自注意力需要首先通过计算自查询向量和自关键字向量之间的仿射关系来计算注意力图，然后通过用该注意力图加权自值向量来生成新的特征图。外部关注的作用不同。我们首先通过计算自查询向量和外部可学习密钥存储器之间的亲和力来计算注意力图，然后通过将该注意力图乘以另一个外部可学习值存储器来生成细化的特征图