提出了一种简单而有效的自我引导学习方法，即挖掘丢失的关键信息。具体来说，通过对标注的支持图像进行初始预测，将覆盖和未覆盖的前景区域分别用掩码GAP编码为主支持向量和辅助支持向量。通过主支持向量和辅助支持向量的融合，对查询图像获得了较好的分割性能。在我们的1 shot 分割自我引导模块的启发下，我们提出了一个多次分割的交叉引导模块，其中最终混合使用来自多个带注释的样本的预测，高质量的支持向量贡献更多，反之亦然。该模块改进了推理阶段的最终预测，无需再训练。大量实验表明，我们的方法在pascal -5i和coco -20i数据集上都实现了新的最先进的性能。

一种新的联合训练框架：传统框架+额外的挖掘分支。 挖掘潜在的新类，并在背景和前景类别上引入了一种新的校正技术。 利用额外的未标记数据进行进一步的特征增强

具有共同注意和共同激励的一站式目标检测 介绍 谢婷一，罗以晨，陈焕宗，刘廷- 神经信息处理系统（NeurIPS），2019年， 该项目是One-Shot Object Detection的纯pytorch实现。 大多数代码是从。 我们正在做和将要做的 支持tensorboardX 上载ImageNet预训练模型。 提供参考图片。 提供检查点模型。 训练PASCAL_VOC数据集 准备 首先，克隆代码 git clone https://github.com/timy90022/One-Shot-Object-Detection.git 1.先决条件 Ubuntu 16.04 Python或3.6 火炬1.0 2.数据准备 可可：也请按照中的说明准备数据。 请参阅此存储库中提供的脚本。 3.预训练模型 我们在实验中使用ResNet50作为预训练模型。 通过排除所有与COCO

针对目前三维点云关键点检测方法检测的关键点的可描述性和再现性不强，且检测的关键点数量较少的问题，提出了一种新颖的关键点检测算法。首先为提高算法的效率，利用均匀采样方法减少三维点云中点的数量，降低三维点云的复杂度。然后利用具有良好描述性的方向直方图签名(SHOT)描述子对均匀采样的点进行多尺度描述，分析每个点多尺度SHOT描述子的独特性，选取SHOT描述子离散程度较大的点作为关键点。本文方法利用描述性较强的SHOT描述子对关键点的邻域进行描述，增强了关键点的可描述性。实验结果表明，本文方法的均匀采样时间效率高，满足关键点检测的时间要求，且本文检测关键点的方法比Harris3D、尺度不变特征变换（SIFT）、内部形状签名（ISS）关键点检测算法具有更好的再现性。因此，本文方法可以有效、快速地在三维点云模型和场景中检测出高质量的关键点。

Siamese Neural Networks for One-shot Image Recognition，关于用于一次性图像识别的连体神经网络的论文，方便深入图像深度学习

omniglot数据集官方整理完整版

unity3d 源代码 Bottle Shot (iPhone.Android) 移动版 酒吧砸瓶子.zip

unity3d 源代码 Bottle Shot (iPhone.Android) 移动版 酒吧砸瓶子.zip

一种单次相机-投影仪校准方法，用于处理校准目标的不完美平面性。 强调： 1. 提供图形用户界面，使用更方便。 2. 所提出的方法仅用单次拍摄来执行相机-投影仪对校准，使其在许多应用中非常方便。 即使是手持板，它也能提供灵活和准确的结果。 3. 开发了一种束调整 (BA) 算法来联合优化估计的相机/投影仪模型和模型空间中的特征点。 4. 与许多现有方法不同，为了校准系统，我们应用来自结构光 (SL) 图案而不是棋盘格的点。 这种策略不仅增加了特征点的数量，还增加了它们的空间分布，从而提高了校准鲁棒性。

零DCE 零参考深曲线估计的Pytorch实施以实现低光图像增强（ ）。 使用活页夹访问笔记本： 在Wandb上找到培训日志： ://wandb.ai/19soumik-rakshit96/zero-dce 结果 嘈杂结果示例 引文 @article{2001.06826, Author = {Chunle Guo and Chongyi Li and Jichang Guo and Chen Change Loy and Junhui Hou and Sam Kwong and Runmin Cong}, Title = {Zero-Reference Deep Curve Estimation for Low-Light Image Enhancement}, Year = {2020}, Eprint = {arXiv:2001