SAM优化器 锐度感知最小化可有效提高泛化能力 〜在Pytorch中〜 SAM同时将损耗值和损耗锐度最小化。特别地，它寻找位于具有均匀低损耗的邻域中的参数。 SAM改进了模型的通用性，并。此外，它提供了强大的鲁棒性，可与专门针对带有噪声标签的学习的SoTA程序所提供的噪声相提并论。 这是的非官方存储库，。在实现方面，SAM类是一个轻量级包装器，用于计算正则化的“清晰度感知”渐变，该渐变由基础优化器（例如带有动量的SGD）使用。该存储库还包括一个的简单 ;作为概念验证，它在此数据集上以强劲的势头击败了SGD的表现。 在使用和不使用SAM的情况下，培训结束时的ResNet损失情况。锐度感知更新导致最小值明显变宽，从而导致更好的泛化属性。 用法 在您的培训管道中使用SAM应该很简单。只需记住，训练的速度将慢一倍，因为SAM需要两次向前-向后的传递才能使“清晰感”梯度变准。如果您使用渐变剪切，请

上下文感知CF跟踪 作者：马蒂亚斯·穆勒（Matthias Mueller），尼尔·史密斯（Neil Smith）和伯纳德·加纳姆（Bernard Ghanem） 项目网站： ： 个人网站： 许可：请参阅许可文件 如果您使用其中任何一项，请引用： 马蒂亚斯·穆勒（Matthias Mueller），尼尔·史密斯（Neil Smith），伯纳德·加纳姆（Bernard Ghanem） “上下文感知关联过滤器跟踪” 计算机视觉和模式识别会议（CVPR 2017）[口服] 在测试序列上运行跟踪器 每个跟踪器都带有OTB100的一个序列。 只需运行功能run_tracker即可。 如果要运行其他序列，请将其文件夹复制到sequence文件夹。 然后在run_tracker函数中更改视频名称。 在OTB基准上运行跟踪器 将跟踪器复制到基准的文件夹跟踪器中。 将以下内容添加到config_

这是CVPR 2017会议录用的一篇视频目标跟踪的论文，基于相关滤波改进，进入了背景上下文信息。资源中包含官方的源码（MATLAB）、论文原文以及官方的补充材料

基于CAN总线的实时分布式汽车系统的安全映射

Uncertainty-aware Joint Salient Object and Camouflaged Object Detection论文试读ppt，适合略读梳理头绪

2016-Convolutional Matrix Factorization for Document Context-Aware Recommendation

NULL 博文链接：https://lbingkuai.iteye.com/blog/1447219

2007年Shai Avidan 和Ariel Shamir论文《Seam Carving for Content-Aware Image Resizing》所提出方法的Matlab代码实现和作者的论文。 效果非常炫，而且代码不长

具有全局能量迁移的太阳能非易失性传感器节点的最后期限感知任务调度

包含片上缓存和暂存器（SPM）的混合存储体系结构已经过广泛用于嵌入式系统。 在本文中，我们将共同探讨这种混合内存架构为带有回路的嵌入式系统优化时间性能和温度。 我们的基本思想是适应性地根据当前温度调整缓存和SPM之间的工作负载分配。 为一个可以先验地估计工作量的问题，我们提出了一种非线性规划公式以在SPM大小和温度的约束下最佳地最小化循环的总执行时间。 为了解决先验工作量未知的问题，我们提出了一种温度感知自适应称为TALS的循环调度算法可在运行时动态地将数据分配给缓存和SPM。 这实验结果表明，我们的算法可以有效地实现性能和温度。 使用缓存和SPM对嵌入式系统进行优化。