Semantic

1 Feature Generating Networks for Zero-Shot Learning Suffering from the extreme training data imbalance between seen and unseen classes, most ofexisting state-of-the- art approaches fail to achieve satisfactory results for the challenging generalized zero-shot learning task. To circum- vent the need for labeled examples of unseen classes, we propose a novel generative adversarial network (GAN) that synthesizes CNN features conditioned on class-level semantic information, offering a shortcut directly from a semantic descriptor ofa class to a class-conditional feature distribution. Our proposed

Zero-shot Learning / One-shot Learning / Few-shot Learning Learning类型：Zero-shot Learning、One-shot Learning、Few-shot Learning、Traditional Learning Zero-shot Learning（零次学习ZSL）：训练集中没有出现过的类别，就能自动创造出相应的映射： X --> Y。ZSL问题的定义：利用训练集数据训练模型，使得模型能够对测试集的对象进行分类，但是训练集类别和测试集类别之间没有交集；期间需要借助类别的描述，来建立训练集和测试集之间的联系，从而使得模型有效。 例如：假设小明和爸爸，到了动物园，看到了马，然后爸爸告诉他，这就是马；之后，又看到了老虎，告诉他：“看，这种身上有条纹的动物就是老虎。”；最后，又带他去看了熊猫，对他说：“你看这熊猫是黑白色的。”然后，爸爸给小明安排了一个任务，让他在动物园里找一种他从没见过的动物，叫斑马，并告诉了小明有关于斑马的信息：“斑马有着马的轮廓，身上有像老虎一样的条纹，而且它像熊猫一样是黑白色的。”最后，小明根据爸爸的提示，在动物园里找到了斑马【意料之中】。例子中包含了一个人类的推理过程，就是利用过去的知识（马，老虎，熊猫和斑马的描述），在脑海中推理出新对象的具体形态，从而能对新对象进行辨认。

Learning to Predict Context-adaptive Convolution for Semantic Segmentation 2020-04-20 17:41:35 Paper : https://arxiv.org/pdf/2004.08222.pdf Code : 1. Background and Motivation : 本文提出一种新的方法来学习背景信息，以辅助语义分割。不同于常规的 channel attention的思路，本文利用动态卷积核的做法来搞。但是不同于最基本的卷积核方法（即 Dynamic Filter Network），因为这种方法有太多 FC layer，从而导致参数量过大。而是通过一种 matrix multiplication 的方法来得到 kernel parameters。这种 kernel 不但完全编码了输入特征图的全局内容，而且通过 depth-wise convolution 在 输入特征上， 对每一个空间位置都产生了 context-aware spatially-varying feature weighting factors。此外，我们利用了一系列的空洞卷积，以及不同空洞率的方法，来有效地捕获多尺寸的信息。 本文的主要创新点如下： 1). 为了更好的利用全局场景信息来正则化语义分割，作者提出通过预测

今天早上遇到一个Angular的编译的时候的错误 具体信息： There are multiple modules with names that only differ in casing. This can lead to unexpected behavior when compiling on a filesystem with other case-semantic. 自己查了一下翻译意思是说“有多个模块使用同一个名字....” 试着用关键字找一下解决方案才发现原来这个错误的提示信息说你所引用的module跟你实际上的物理路径上的module的名字不一样。 回头看看才发现自己引用的路径的Component 的名字大小写错了。（因为项目上使用了小写字母开头，然后改了物理文件名，但是引用那边却漏了.....） 本地文件的命名是：./xx/ updatePicture.component.ts 错误的引用： 修改后正确的引用： 然后在重新 ng serve 就没问题了。 总结：Angular中的所有文件或者module的引用都是有大小写敏感的，所以这个要很小心。 简单问题记录一下以防自己再次犯错。 来源： oschina 链接： https://my.oschina.net/u/4280696/blog/3287633

AD摘要 Active Directory™ 服务以及保证其顺利运行所需的系统是 Windows® 2000 Server 操作系统的核心。系统管理员必须了解如何使这些关键的系统保持正常运行，以及在出现故障时如何采取应对措施。 在 Active Directory 基础结构中，域控制器可以充当多种角色 — 全局编录 (GC)、操作主机 (OM) 以及单一域控制器。本文中介绍了在出现故障后恢复 Active Directory 数据库的步骤，而且还介绍了将服务器还原为特定角色所必需的特殊要求。 本文档中介绍的步骤已经经过了 Compaq QTEST Windows 2000 机构进行的恢复操作的验证。QTEST 是基于 Windows 2000 的服务器的全球部署，Compaq 顾问用它来验证和测试不同的部署方案。 引言 本文讨论将域控制器从灾难状态（例如由于硬件或软件故障引起的数据库故障）进行恢复的步骤。此类灾难通常会导致域控制器失效，而且会使计算机无法正常引导。导致灾难的另一个原因是人为因素，例如将包含错误的数据复制到公司的其它域控制器上。 本文提供有关对运行 Active Directory 的域控制器（不运行其它服务）进行恢复的信息。如果该计算机上还安装有其它服务，例如域名系统 (DNS) 或 Internet 信息服务 (IIS)，则可能还需要其它步骤

AD摘要 Active Directory™ 服务以及保证其顺利运行所需的系统是 Windows® 2000 Server 操作系统的核心。系统管理员必须了解如何使这些关键的系统保持正常运行，以及在出现故障时如何采取应对措施。 在 Active Directory 基础结构中，域控制器可以充当多种角色 — 全局编录 (GC)、操作主机 (OM) 以及单一域控制器。本文中介绍了在出现故障后恢复 Active Directory 数据库的步骤，而且还介绍了将服务器还原为特定角色所必需的特殊要求。 本文档中介绍的步骤已经经过了 Compaq QTEST Windows 2000 机构进行的恢复操作的验证。QTEST 是基于 Windows 2000 的服务器的全球部署，Compaq 顾问用它来验证和测试不同的部署方案。 引言 本文讨论将域控制器从灾难状态（例如由于硬件或软件故障引起的数据库故障）进行恢复的步骤。此类灾难通常会导致域控制器失效，而且会使计算机无法正常引导。导致灾难的另一个原因是人为因素，例如将包含错误的数据复制到公司的其它域控制器上。 本文提供有关对运行 Active Directory 的域控制器（不运行其它服务）进行恢复的信息。如果该计算机上还安装有其它服务，例如域名系统 (DNS) 或 Internet 信息服务 (IIS)，则可能还需要其它步骤

【推荐阅读】微服务还能火多久？>>> 文章目录 一、背景 二、本文方法 三、本文方法的具体做法 3.1 问题定义 3.1.1 Semantic category 3.1.2 Instance Mask 3.2 Network Architecture 3.3 SOLO learning 3.3.1 Label Assignment 3.3.2 Loss Function 3.4 Inference 四、实验 4.1 主要结果 4.2 How SOLO works？ 4.3 Ablation Experiments 4.4 SOLO-512 五、Decoupled SOLO 七、Conclusion 论文： https://arxiv.org/abs/1912.04488 代码： https://github.com/WXinlong/SOLO 一、背景 实例分割具有很大的挑战性，因为它需要正确分离图像中的所有对象，同时还需要在像素级对每个实例进行语义分割。图像中的对象属于一组固定的语义类别，但是实例的个数是未知的，所以，语义分割可以被看做是一个密集的分类问题（对每个像素进行分类），直接利用分类的方法来预测每个像素的类别是一个很大的挑战。 现有的方法是怎么做的： top-down：也就是“先检测，后分割”，先检测 bbox，后在每个bbox中进行mask的分割 bottom-up

今天，我为大家整理了在平时推广中会用到的9大类不同功能的工具，覆盖第三方监测工具、信息流广告追踪、APP推广工具、搜索指数工具……话不多说，一起来看看你用过几个？ ====================================================== 第三方监测工具 1、shareinstall 官网： http://www.shareinstall.com 特性：免费/付费，数据统计类产品比较成熟全面 ShareinstallSDK其实是一款APP的推广辅助工具。APP开发者可以通过ShareinstallSDK更精准的进行产品的推广。在用户安装过程中简化用户安装流程，改善用户安装使用体验。另外，ShareinstallSDK还是一款渠道统计工具，能够全方位的分析渠道推广效果。 2、百度统计 官网： https://tongji.baidu.com 特性：免费，技术相对成熟，与百度SEM/信息流推广完美结合 这个是我们在推广中运用的最多的统计工具之一，尤其是SEM。 3、GoogleAnalytics（GA） 官网： http://www.google.cn/analytics/ 特性：内什么，全球最大的统计分析工具之一，目前国内用的比较少了，想学习的同学，是需要×××的。 买一些软件即可，例如多态，或者plex等等（多态的会有流量限制，plex的没有

fork本项目, 运行后, 可以看到全部代码及相关方见多文件 项目简介： Image Cascade Network（ICNet)主要用于图像实时语义分割。相较于其它压缩计算的方法，ICNet即考虑了速度，也考虑了准确性。 ICNet的主要思想是将输入图像变换为不同的分辨率，然后用不同计算复杂度的子网络计算不同分辨率的输入，然后将结果合并。ICNet由三个子网络组成，计算复杂度高的网络处理低分辨率输入，计算复杂度低的网络处理分辨率高的网络，通过这种方式在高分辨率图像的准确性和低复杂度网络的效率之间获得平衡。 整个网络结构如下： 阅读本项目时可以参考一下链接来帮助理解 论文链接： ICNet for Real-Time Semantic Segmentation on High-Resolution Images 博客链接： ICNet for Real-Time Semantic Segmentation on High-Resolution Images 文件结构： root/ 根目录 |--data/ 数据目录 |--|--iccv09Data/ 数据集 |--|--|--images/ 数据集中的图像 |--|--|--|- -1. jpg |--|--|--labels/ 数据集中的标签 |--|--|--|- -1. regions.txt |--|--train

> 论文提出了实时的超轻量级two-stage detector ThunderNet，靠着精心设计的主干网络以及提高特征表达能力的CEM和SAM模块，使用很少的计算量就能超越目前的one-stage detectors，在ARM平台也达到了实时性，GPU的速度更是达到267fps   来源：【晓飞的算法工程笔记】 公众号 论文: ThunderNet: Towards Real-time Generic Object Detection 论文地址： https://arxiv.org/abs/1903.11752 Introduction   one-stage detector和two-stage detector分别有着实时优势和准确率优势。two-stage detector实时性较差，几乎不能在移动设备上运行，尽管已经有了light-head版本，但对于小主干网络而言，这依然是过度设计的。而one-stage由于缺少ROI-wise的特征提取，准确率一直较差   为此，论文提出TunderNet，一个超轻量级的two-stage detector。在综合考虑输入分辨率，主干网络和detection head后，整体架构如图2，主要有两部分创新： Backbone part，提出轻量级主干网络SNet Detection part，参考Light-Head R-CNN的设计