- 综合排序
- 最热优先
- 最新优先
- 来自专栏有关SQL
带读 IBM 关系型数据库经典论文
而成本评估，就是考验对计算机内部结构的理解，随机读，顺序读，磁盘转速，字段密度（也就是统计信息）。 COST = PAGE IO + W*(RSI CALLS) 是多么经典的成本计算公式！ 当然现在慢慢演化了，更具体的要参考《数据库索引优化与设计》，一本讲评估的好书（我会在星球持续写写这本书的精华部分，也是带读）。 肆 查询路径 这篇论文最有意思的地方在于，他讲述的 access path 极为有用。 access path 的选择大方向有两种，一是全扫描，二是走索引。 伍 殊途同归 简单过了下这篇来自 IBM 的经典论文，虽然文章小，但信息量极大。达到可以用下面的脑图来扩展： ? 在阅读 MSDN 的 SQL Server 文档时，我尝试对一些基础知识点做汇总，整理成这份脑图后，发现与这篇论文所涉及的内容竟然 90% 的相似。目前为止我已经写了有 7-8 万字，藏在我们的星球。
1.5K20发布于 2019-12-25 - 来自专栏MixLab科技+设计实验室
人工智能辅助服装设计 | Mixlab论文带读
设计者从服装风格合并中选择生成的图像作为内容图像(A) 2、基于主题(B)选择喜欢的风格图像(C) 3、合并 image.png 多种风格变换 设计师可以选择多个流行的主题或款式来获得灵感，并组合出不同的变化 → 论文自
1.5K30发布于 2020-08-30 - 来自专栏后端/图像融合/机器学习/爬虫
【读论文】AttentionFGAN
论文： https://ieeexplore.ieee.org/document/9103116/ 如有侵权请联系博主 介绍 好久没有读过使用GAN来实现图像融合的论文了，正好看到一篇2021 年的论文，很感兴趣。 论文中介绍了一种基于多尺度和SE注意力用于可视图像与红外图像融合的方法，网络架构基于GAN，有点类似DDcGAN的结构，也是有两个辨别器。接下来咱们一起来看看吧。 因为毕竟是2021年的论文，没有考虑到可视图像中的显著目标信息，和我们现在经常看到的损失不是很一致。
33910编辑于 2024-06-19 - 来自专栏后端/图像融合/机器学习/爬虫
【读论文】GANMcC
论文：https://ieeexplore.ieee.org/document/9274337 如有侵权请联系博主 这几天又读了一篇关于GAN实现红外融合的论文，不出意外，还是FusionGAN作者团队的人写出的论文 ，相比之前的GAN实现红外图像融合的论文，这篇论文又提出了新的一些解决思路。 简单介绍 读过了几篇图像融合的论文，对这个领域稍微入门了一些，见到了各种各样的方法，不得不说，大佬们真的强。 今天要说的这篇论文是基于GAN来实现的，这篇论文提供给我的最重要的一个点就是在保存纹理细节和对比度上的处理。 之前我们读过的大部分论文在这方面的处理都只是保留可视图像的纹理信息和红外图像的对比度，但正如这篇论文的作者所说的那样，可视图像的对比度和红外图像的纹理信息同样也值得我们注意。
38010编辑于 2024-06-19 - 来自专栏笃信好学
如何读论文？
今天就不学习单片机了，找找b站上面如何读论文的视频，看了两个，感觉不咋合适我。还是再看下Dr Can的期刊审稿人手把手教你写一篇SCI论文，做下笔记。 我读论文的目的就是多看点东西，多了解一点知识，不是为了发表。所以笔记就按照我的目的来了。图片看了两期，觉得不对啊，大佬讲的是如何写，不是如何读。 感觉找到一篇好论文，引用多的，作者牛的，时间新点的把引言，研究方法，结果讨论，结论能复述出来，然后自己问自己几个问题，也就真的是读好一篇论文了
47730编辑于 2022-09-15 - 来自专栏后端/图像融合/机器学习/爬虫
【读论文】MUFusion
论文： https://www.sciencedirect.com/science/article/abs/pii/S1566253522002202 如有侵权请联系博主 介绍 这次介绍的还是发表在 imformation fusion的一篇论文，文中介绍的方法是一种可以用于多模态图像融合的统用融合算法。
33910编辑于 2024-06-19 - 来自专栏后端/图像融合/机器学习/爬虫
【读论文】THFuse
论文： https://www.sciencedirect.com/science/article/abs/pii/S0925231223000437 如有侵权请联系博主 介绍 一篇基于CNN 和VIT的关于红外可视图像融合的论文，论文中提出了两分支的CNN提取模块的方法以及常规VIT和跨通道的VIT相结合的方法来提取特征，接下来一起来看看吧。 损失函数 论文中使用的损失函数可以分为两部分，第一部分就是像素级的损失，另一方面就是特征级别的损失，总体损失函数如下图所示。 特征损失函数如下 总结 整篇文章读下来很顺畅，有以下几个点我觉得很惊艳 采用了两个分支的CNN，用于提取结构信息和细节信息 首先就是用于通道级transformer 采用vgg19来重新获取融合图像和原图像特征来进行比对
31810编辑于 2024-06-19 - 来自专栏后端/图像融合/机器学习/爬虫
【读论文】PSFusion
论文： https://www.sciencedirect.com/science/article/pii/S1566253523001860 如有侵权请联系博主 更多红外与可见光图像融合的论文的具体的解读欢迎大家来到红外与可见光图像融合专栏 介绍 好久没看过论文，今天刚好有空，又找了一篇information fusion的论文，咱们一起看看吧。 这篇论文和我们之前见到的论文不大一样，至于有啥不一样，咱们来看看吧。 然后看一下这个网络架构，如果看文章参考的论文来说的话，其实二者存在一定的不一致，参考的网络如下图 可以看到的是，这篇论文中最深层的特征用于预测语义分割掩码，次深层特征用于提取二进制分割掩码，最后浅层特征用于预测边界分割结果 **至于是怎么消除差异的，这里我就不献丑了，大家可以看看原论文。 图像还原部分就比较简单了，一方面使用下面这个路径来确保两类源图像中的信息得以充分提取。 另一方面就是下面这个路径来生成我们需要的融合图像了 总结 损失函数这里就不说了，原论文介绍的很清晰，整个文章读下来，最惊艳的就是网络结构，很巧妙的将分割所需要的语义信息注入到融合图像中，同时也为图像融合正名
59110编辑于 2024-06-19 - 来自专栏后端/图像融合/机器学习/爬虫
【读论文】TCPMFNet
论文：https://www.sciencedirect.com/science/article/pii/S1350449522003863 如有侵权请联系博主 简单介绍 今天要介绍的是TCPMFNet ，这篇论文中提出的红外图像融合方法结合了vision transformer，这也是我第一次接触到这个知识，接下来，我们一起看看这篇论文吧。 稍后我们就会与论文内容相结合一起说说这个点。 那么多头又是什么意思呢？ 这个的答案就是为什么要使用多头注意力 先看下transformer原论文中多头注意力的公式 可以很清晰的看到QKV都是乘了一个W，这个W是可以学习的，也就可以应对不同的工作。 讲了这么多接下来我们就可以开始看论文的内容了。
31110编辑于 2024-06-19 - 来自专栏后端/图像融合/机器学习/爬虫
【读论文】PIAFusion
论文： https://doi.org/10.1016/j.inffus.2022.03.007 如有侵权请联系博主 介绍 最近在information fusion上又看到了一篇关于红外可视图像融合的论文 ，相对于之前的最大值和平均损失函数而言，这篇论文中提出了一种基于照明感知来确定损失函数权重的方法，我们一起来康康吧 网络架构 整体的网络架构如上图所示，整个网络架构并不是很复杂，可以简单的把网络分为特征提取 在介绍中我们已经提到了该篇论文采用照明感知来确定损失函数的权重，那么什么是照明感知？ 在这篇论文中照明感知其实就是图像属于白天还是黑夜的概率，这个有什么用呢？
35010编辑于 2024-06-19 - 来自专栏后端/图像融合/机器学习/爬虫
【读论文】DDcGAN
）和融合图像，这个过程中不需要自己设计特定的融合机制，同时也不需要ground truth图像；论文中提出的方法还可以应用到医学图像融合问题。 因为红外图像的分辨率往往不如可视图像，因此论文中提到的方法可以融合不同分辨率的红外以及可视图像。 贡献 论文中提出的方法可以使多模态的图像融合的更好，而不是仅仅与一种源图像有着很高的相似性。 论文中的训练与这里有点小出入，当辨别器未完成k次训练，但损失已经到一个阈值之后，就会停止训练，转而训练生成器k次，同样，若生成器也到了一个阈值，也会提前停止。 解码器在论文中没有介绍，但是看图的话也可以大致了解，五层cnn，每个层的卷积核都是3x3，最终的输出就是融合图像。 以下是论文中给出的图像融合的效果，可见DDcGAN的融合效果有很大的提升。
44510编辑于 2024-06-19 - 来自专栏AI启蒙研究院
读AlphaZero论文随想
这个双十一我读博实验室的师弟们不是抢衣服抢电器，而是在抢购GPU，学生命苦啊，做点实验太寒碜了。 未来Alpha还会继续在哪里发力？ 我个人看好游戏，因为尤其的动作参数序列化，与围棋完全一致。
78440发布于 2018-07-20 ResNet 论文简读
当我们试图搭建一个非常深的神经网络时，会发现一个让人抓狂的问题：训练误差反而越来越高！这就像是你越往上爬，越发现路越来越陡，步子不稳，最后还可能摔下来。理论上，更深的网络应该能学习到更复杂、更抽象的特征，但实际上，由于梯度在反向传播过程中不断变小（或者反而爆炸），网络很难学习到有效的信息，导致模型表现反而比浅层网络还差。
35000编辑于 2025-03-25- 来自专栏后端/图像融合/机器学习/爬虫
【读论文】AT-GAN
论文：https://www.sciencedirect.com/science/article/pii/S156625352200255X 如有侵权请联系博主 介绍 大概是刚开学的时候就读到一篇文章 这次要介绍的文章仍然是我们熟悉的Imformation Fusion中一篇论文，论文中将图像质量评价引入到图像融合领域，并且根据红外图像和可见光图像的不同，分别设置了IAM和STM两个模块。
30310编辑于 2024-06-19 - 来自专栏企鹅号快讯
读AlphaZero论文随想
这个双十一我读博实验室的师弟们不是抢衣服抢电器，而是在抢购GPU，学生命苦啊，做点实验太寒碜了。 未来Alpha还会继续在哪里发力？ 我个人看好游戏，因为尤其的动作参数序列化，与围棋完全一致。
1K70发布于 2018-01-04 - 来自专栏玉树芝兰
如何高效读论文？
痛苦 做研究，少不得要读论文。 如果你不了解一个领域已经被研究成了什么样子，又如何找到自己研究的切入点呢？ 可是，对许多初学者来说，读论文是件痛苦的事儿。 赶紧抓紧时间读论文去吧。 选择 从许多相关论文里，选择哪些值得读，甚至是该优先阅读，不是一件容易的事情。 你要了解如何找到相关的论文。 你还应该纵览领域的全景，看哪些论文更受同行青睐。 大多数情况下，前两轮筛选后的论文，你依然不应该全都读。 千万不要误以为印成铅字的，都是宝贵的知识。 我给学生的建议，是依据论文载体的“靠谱”程度，区分优先级。 我的解读是，读论文一样要遵守经济规律，不要试图去打捞沉没成本，在已经不看好、或者不感兴趣的论文上投入更多时间。 许多文章都会告诉你，读过上述内容后，应该去看引言。 用合适的笔记工具来记录和整理笔记，不仅会让你的记录事半功倍，而且写论文的时候文思泉涌。 讨论 你平时是如何读论文的？你在论文阅读中，遇到过什么困难吗？你是如何解决的？你有更好的论文阅读方法与技巧吗？
93521发布于 2018-08-22 - 来自专栏后端/图像融合/机器学习/爬虫
【读论文】Swin Transformer
论文：https://arxiv.org/abs/2103.14030 如有侵权请联系博主 介绍 前几天读TCPMFNet时了解到了Transformer还可以应用到图像领域，这就激起了我的兴趣，刚好有了解到了
67110编辑于 2024-06-19 - 来自专栏目标检测和深度学习
牛人教你高效读论文
二、有针对地选择文献 针对你自己的方向找相近的论文来读，从中理解文章中回答什么问题，通过哪些技术手段来证明，有哪些结论？从这些文章中了解研究思路、逻辑推论、学习技术方法。 2.通读全文：读第一遍的时候一定要认真，争取明白每句的大意，能不查字典最好先不查字典。因为读论文的目的并不是学英语，而是获取信息，查了字典以后思维会非常混乱，往往读完全文不知所谓。 读每一段落都要找到他的主题，往往是很容易的，大量的无用信息可以一带而过，节约你大量的宝贵时间和精力。 5.增加阅读量：由于刚刚接触这一领域，对许多问题还没有什么概念，读起来十分吃力，许多内容也读不懂。 2.如何读标题：不要忽视一篇论文的标题，看完标题以后想想要是让你写你怎么用一句话来表达这个标题，根据标题推测一下作者论文可能是什么内容。有时候一句比较长的标题让你写，你可能还不会表达。 9.把下载的论文打印出来，根据与自己课题的相关性分三类，一类要精读，二类要泛读，三类要选择性的读。分别装订在一起。
86920发布于 2018-07-20 - 来自专栏ml
读RCNN论文笔记
图片在经过CNN卷积网络需要将图片统一成固定大小，论文中给出了三种方法的对比Ａ为原始图片 一方法： 在原始区域目标周围去一块区域进行等比缩放到CNN需要的图片大小,结果图Ｂ 二方法： 去除原始目标区域然后对目标区域进行填充
1.1K60发布于 2018-03-27 - 来自专栏杨熹的专栏
读论文：《Correlated-Q Learning》
今天要读一篇 Amy Greenwald 的论文《Correlated-Q Learning》，先记一下论文中的基础概念，然后再去深入解读。 这篇论文的目标是：在 general-sum 马尔可夫博弈中学习均衡策略 纳什均衡： 不同的 action 服从独立概率分布 所有的 agents 都针对另一个概率进行优化 相关均衡： agents 的概率分布之间存在依赖
75320发布于 2020-04-02
腾讯云开发者
Copyright © 2013 - 2026 Tencent Cloud. All Rights Reserved. 腾讯云 版权所有
深圳市腾讯计算机系统有限公司 ICP备案/许可证号：粤B2-20090059 
粤公网安备44030502008569号
腾讯云计算（北京）有限责任公司 京ICP证150476号 | 京ICP备11018762号