200+ML知识速查卡；『图解算法数据结构』配套代码；『剑指Offer』解题代码；『Python3』高频面试题目集；前沿论文 | ShowMeAI资讯日报

ShowMeAI ShowMeAI 博客等级 墨衍会员 · AI 创作全网分发 墨衍智能分发 本文由作者通过墨衍一键同步至各平台 1分发平台 1.1w累计阅读 1.2w+平均单平台 已同步平台 优快云 微信公众号 微博 知乎 掘金 百家号 博客园 抖音 小红书 你的文章也可以这样分发 墨衍会员 ¥399起/年，写一次发全网 我也要 码龄5年
关注
原创 最新推荐文章于 2026-03-31 04:11:49 发布 1.1w 阅读 AI 写同款· GEO 优化 ›
IsaacGym四足机器人sim to real全过程详细解析（walk these ways方法） 本文使用强化学习的方法运行到Aliengo机器人上完成从训练到部署的全过程。该方法使用的是GO1机器人提供了完整的sim to real代码和遥控器控制代码，所以我们只需要重新训练和部署健康就可以使用在Aliengo上。该方法使用lcm进行通讯首先程序通过UDP和机器人控制板进行通讯获取机器人状态并下达指令。然后又通过lcm进行机器人状态信息的发布和模型命令的获取。 阅读详情

ShowMeAI日报系列全新升级！覆盖AI人工智能 工具&框架 | 项目&代码 | 博文&分享 | 数据&资源 | 研究&论文 等方向。点击查看 历史文章列表，在公众号内订阅话题 #ShowMeAI资讯日报，可接收每日最新推送。点击 专题合辑&电子月刊 快速浏览各专题全集。点击 这里 回复关键字 日报 免费获取AI电子月刊与资料包。

工具&框架

🚧 『ML Logger』面向机器学习项目的日志、服务器与可视化面板

https://github.com/geyang/ml_logger

ML Logger 可以在本地和远程使用相同的日志记录代码，并且具有超快的、漂亮的可视化仪表板。

🚧 『Urho3D』跨平台 2D/3D 游戏引擎

https://github.com/urho3d/Urho3D

https://urho3d.io/

Urho3D 是一个免费的、轻量级、跨平台的2D与3D游戏引擎，用 C++ 实现。Urho3D 的诞生，受到了 OGRE 和 Horde3D 的极大启发。

🚧 『Zotero Tag』Zotero的 Tag 管理插件

https://github.com/windingwind/zotero-tag

Zotero Tag 是一个 Zotero 附加的标签管理插件，自动为新项目添加标签并在阅读后删除、支持带标签的批处理、支持自定义规则进行标签管理。简单安装插件后，右键单击集合中的任何项目，就可以批量添加/删除标签啦！

🚧 『nglview』交互式查看分子结构和轨迹的 Jupyter widget

https://github.com/nglviewer/nglview

nglview 是一个 IPython / Jupyter 小插件，用于交互式地查看分子结构和轨迹。

🚧 『Fairo』模块化『具身智能体 embodied agent』结构和平台，用于构建具身智能体

https://github.com/facebookresearch/fairo

Fairo 是由 Meta AI 研究人员开发的统一机器人平台，包括『Droidlet』『Polymetis』『Meta Robotics Platform』等一组项目。『Droidlet』是较早期的研究项目，围绕基础对话、交互式学习和人机界面，快速构建执行各类真实或虚拟的任务代理。『Polymetis』是一个基于 PyTorch 的实时控制器管理器，为机器人编写 PyTorch 控制器，模拟测试并无缝传输到实时硬件。『Meta Robotics Platform』部署、启动、管理和编排异构机器人。

博文&分享

👍 『GitHub City』根据GitHub贡献图生成的GitHub城市

https://github.com/honzaap/GithubCity

👍 机器学习 / 计算机视觉 / 计算机科学『速查卡片集』

https://github.com/b7leung/MLE-Flashcards

作者制作了 200 多张知识卡片，包括『计算机科学』『机器学习』『计算机视觉和深度学习基础』『计算机视觉和深度学习精选专题』4个主题，用以回顾多年的 ML 研究、课程和学习中的所有内容，并为机器学习工程师的面试做准备。作者在 2022 年拿到了谷歌、特斯拉、三星、Motional、UiPath 和 TikTok 等多家公司的Offer！如果你已经有较好的ML基础，需要系统复习和查漏补缺，那推荐学起来呀！

数据&资源

🔥 LeetBook『图解算法数据结构』配套代码 &『剑指 Offer』Python / Java / C++ 解题代码

https://github.com/krahets/LeetCode-Book

LeetBook《图解算法数据结构》面向算法初学者、互联网求职者设计，主要内容包括『剑指 Offer 图文题解』『数据结构与算法专栏』两部分内容，为互联网算法/软件求职者、学习者等提供一份比较完整的学习和打卡资料。

🔥 『Python3 面试』准备参考

https://github.com/peterlamar/python-cp-cheatsheet

作者在自学 Python3 进行各种面试和有趣的 leetcoding 时，构建了这个备忘单。这份小抄不求全而是抓重点，是一个 Python 高频问题子集。

🔥 『Awesome Face Generation』人脸生成相关文献资源列表

https://github.com/zhangzjn/awesome-face-generation

研究&论文

可以点击 这里 回复关键字日报，免费获取整理好的论文合辑。

科研进展

  • 2022.07.13 『计算机视觉』 Open High-Resolution Satellite Imagery: The WorldStrat Dataset – With Application to Super-Resolution
  • 2022.07.15 『机器学习』 Registration based Few-Shot Anomaly Detection
  • 2022.07.17 『医疗』 MetaFed: Federated Learning among Federations with Cyclic Knowledge Distillation for Personalized Healthcare
  • 2021.12.18 『自然语言处理』 The Web Is Your Oyster – Knowledge-Intensive NLP against a Very Large Web Corpus

⚡ 论文：Open High-Resolution Satellite Imagery: The WorldStrat Dataset – With Application to Super-Resolution

论文标题：Open High-Resolution Satellite Imagery: The WorldStrat Dataset – With Application to Super-Resolution

论文时间：13 Jul 2022

所属领域：计算机视觉

对应任务：Humanitarian，Multi-Frame Super-Resolution，Super-Resolution，多帧超分辨率，超分辨率

论文地址：https://arxiv.org/abs/2207.06418

代码实现：https://github.com/worldstrat/worldstrat

论文作者：Julien Cornebise, Ivan Oršolić, Freddie Kalaitzis

论文简介：We hereby hope to foster broad-spectrum applications of ML to satellite imagery, and possibly develop from free public low-resolution Sentinel2 imagery the same power of analysis allowed by costly private high-resolution imagery./我们在此希望促进ML在卫星图像上的广泛应用，并可能从免费的公共低分辨率Sentinel2图像中开发出与昂贵的私人高分辨率图像相同的分析能力。

论文摘要：用卫星图像和机器学习大规模地分析地球是一个大梦想，但它一直被难以获得的高度代表性的高分辨率图像的成本所阻挠。为了解决这个问题，我们在此介绍WorldStrat数据集。在空客SPOT 6/7卫星高达1.5米/像素的高分辨率下，作为欧空局资助的QueryPlanet项目的一部分，我们策划了近1万平方公里的独特地点，以确保分层代表世界各地的所有类型的土地使用：从农业到冰盖，从森林到多种城市化密度。我们还充实了那些在ML数据集中通常代表性不足的地点：具有人道主义意义的地点、非法采矿点和处境危险者的定居点。我们在时间上将每张高分辨率图像与来自免费获取的低分辨率Sentinel-2卫星的多张10米/像素的低分辨率图像进行匹配。我们为这个数据集提供了一个开源的Python软件包，用于重建或扩展WorldStrat数据集，训练和推断基线算法，并通过丰富的教程进行学习，这些都与流行的EO-learn工具箱兼容。因此，我们希望促进ML在卫星图像上的广泛应用，并可能从免费的公共低分辨率Sentinel2图像中开发出与昂贵的私人高分辨率图像所允许的相同的分析能力。我们通过在多帧超分辨率任务上训练和发布几个高计算效率的基线来说明这一具体观点。数据集可在https://zenodo.org/record/6810792获取，软件包可在https://github.com/worldstrat/worldstrat获取。

⚡ 论文：Registration based Few-Shot Anomaly Detection

论文标题：Registration based Few-Shot Anomaly Detection

论文时间：15 Jul 2022

所属领域：机器学习

对应任务：Anomaly Detection，Few Shot Anomaly Detection，异常检测，少样本异常检测

论文地址：https://arxiv.org/abs/2207.07361

代码实现：https://github.com/mediabrain-sjtu/regad

论文作者：Chaoqin Huang, Haoyan Guan, Aofan Jiang, Ya zhang, Michael Spratling, Yan-Feng Wang

论文简介：Inspired by how humans detect anomalies, i. e., comparing an image in question to normal images, we here leverage registration, an image alignment task that is inherently generalizable across categories, as the proxy task, to train a category-agnostic anomaly detection model./受人类检测异常情况的启发，即把有问题的图像与正常图像进行比较，我们在此利用一个可跨类别通用的图像对齐任务，作为代理任务，来训练一个类别无关的异常检测模型。

论文摘要：本文考虑了少数照片的异常检测（FSAD），这是一个实用但研究不足的异常检测（AD）环境，在训练时每个类别只提供有限数量的正常图像。到目前为止，现有的FSAD研究遵循标准AD使用的每个类别一个模型的学习范式，而类别间的共性还没有被探索。受人类检测异常的启发，即把有问题的图像与正常的图像进行比较，我们在这里利用一种内在的可跨类别通用的图像对齐任务，作为代理任务，来训练一个不分类别的异常检测模型。在测试过程中，通过比较测试图像和其相应的支持（正常）图像的注册特征来识别异常情况。据我们所知，这是第一种训练单一通用模型的FSAD方法，不需要针对新的类别进行重新训练或参数微调。实验结果表明，所提出的方法在MVTec和MPDD基准上的AUC比最先进的FSAD方法高出3%-8%。

⚡ 论文：MetaFed: Federated Learning among Federations with Cyclic Knowledge Distillation for Personalized Healthcare

论文标题：MetaFed: Federated Learning among Federations with Cyclic Knowledge Distillation for Personalized Healthcare

论文时间：17 Jun 2022

所属领域：医疗

对应任务：Federated Learning，Knowledge Distillation，联邦学习，知识蒸馏

论文地址：https://arxiv.org/abs/2206.08516

代码实现：https://github.com/microsoft/personalizedfl

论文作者：Yiqiang Chen, Wang Lu, Xin Qin, Jindong Wang, Xing Xie

论文简介：Federated learning has attracted increasing attention to building models without accessing the raw user data, especially in healthcare./联邦学习已经吸引了越来越多的注意力，在不访问原始用户数据的情况下建立模型，特别是在医疗保健方面。

论文摘要：联邦学习已经吸引了越来越多的关注，在不访问原始用户数据的情况下建立模型，特别是在医疗保健领域。在实际应用中，由于数据的异质性和中央服务器的不信任/不存在等可能的原因，不同的联邦很少能一起工作。在本文中，我们提出了一个名为MetaFed的新框架，以促进不同联邦之间的可信任的FL。MetaFed通过提议的循环知识蒸馏法为每个联邦获得一个没有中央服务器的个性化模型。具体来说，MetaFed将每个联邦视为一个元分布，并以循环的方式聚合每个联邦的知识。训练分为两部分：共同知识的积累和个性化。在三个基准上的综合实验表明，与最先进的方法相比，没有服务器的MetaFed实现了更好的准确性（例如，与PAMAP2的基线相比，准确性提高了10%以上），而且通信成本更低。

⚡ 论文：The Web Is Your Oyster – Knowledge-Intensive NLP against a Very Large Web Corpus

论文标题：The Web Is Your Oyster – Knowledge-Intensive NLP against a Very Large Web Corpus

论文时间：18 Dec 2021

所属领域：自然语言处理

对应任务：Common Sense Reasoning，常识推理

论文地址：https://arxiv.org/abs/2112.09924

代码实现：https://github.com/facebookresearch/sphere,https://github.com/facebookresearch/distributed-faiss

论文作者：Aleksandra Piktus, Fabio Petroni, Vladimir Karpukhin, Dmytro Okhonko, Samuel Broscheit, Gautier Izacard, Patrick Lewis, Barlas Oğuz, Edouard Grave, Wen-tau Yih, Sebastian Riedel

论文简介：In order to address increasing demands of real-world applications, the research for knowledge-intensive NLP (KI-NLP) should advance by capturing the challenges of a truly open-domain environment: web-scale knowledge, lack of structure, inconsistent quality and noise./为了解决现实世界应用中日益增长的需求，知识密集型NLP（KI-NLP）的研究应该通过捕捉真正的开放领域环境的挑战来推进：网络规模的知识、缺乏结构、不一致的质量和噪音。

论文摘要：为了解决现实世界应用中日益增长的需求，知识密集型NLP（KI-NLP）的研究应该通过捕捉真正的开放领域环境的挑战来推进：网络规模的知识、缺乏结构、不一致的质量和噪音。为此，我们提出了一个评估现有知识密集型任务的新设置，其中我们将背景语料库概括为一个通用的网络快照。我们研究了一系列依赖知识的NLP任务–无论是事实还是常识，并要求系统使用CCNet的一个子集–Sphere语料库–作为知识源。与维基百科（KI-NLP中常见的背景语料库）相比，Sphere的规模要大得多，能更好地反映网络上知识的全部多样性。尽管在覆盖面上存在潜在的差距、规模上的挑战、缺乏结构和较低的质量，我们发现从Sphere中检索能够使一个先进的系统在一些任务上与基于维基百科的模型相匹配，甚至超过后者。我们还观察到，虽然密集索引可以在维基百科上胜过稀疏的BM25基线，但在Sphere上还不行。为了促进进一步的研究，并尽量减少社区对专有的黑盒搜索引擎的依赖，我们分享了我们的指数、评估指标和基础设施。

我们是 ShowMeAI，致力于传播AI优质内容，分享行业解决方案，用知识加速每一次技术成长！点击查看 历史文章列表，在公众号内订阅话题 #ShowMeAI资讯日报，可接收每日最新推送。点击 专题合辑&电子月刊 快速浏览各专题全集。点击 这里 回复关键字 日报 免费获取AI电子月刊与资料包。

收录于
ShowMeAI日报 ⛽ 用知识加速每一次技术进步

当前文章被收录于：

ShowMeAI日报 ⛽ 用知识加速每一次技术进步
373 篇文章 115 人学习

ShowMeAI带你一览领域发展前沿，抓住最新发展机会！📬 订阅专栏，第一时间接收推送。 🎡 关注 ShowMeAI，获取结构化成长路径和全套资料库，用知识加速每一次技术进步~

订阅专栏 查看详情
标签
#人工智能 #数据结构 #机器学习 #深度学习 #面试
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
ml-logger:ML 实验的日志记录实用程序 毫升记录器 ML 实验的日志记录实用程序 为什么 人们使用不同的工具来记录实验结果 - 、 等等。 与不同的合作者一起工作，我将不得不在每个新项目中切换我的日志工具。 所以我制作了这个简单的工具，它提供了一个通用接口来将结果记录到不同的记录器。 安装 pip install "mllogger[all]" 如果您只想使用文件系统记录器，请使用pip install "mllogger" 从源安装 git clone git@github.com:shagunsodhani/ml-logger.git cd ml-logger pip install ".[all]" 或者， pip install "git+https://git@github.com/shagunsodhani/ml-logger.git@master#egg=ml_logger[all]" 如果您只想使用 立即下载

相关推荐

量子计算入门指南：密度算符的核心概念与应用解析

本文深入解析了量子计算中密度算符的核心概念与应用。作为描述量子系统“状态的状态”的关键数学工具，密度算符能有效处理混合态与子系统描述，是理解量子噪声、量子纠错和开放系统演化的基石。文章通过对比纯态与混合态，阐释了密度矩阵的数学定义与物理意义，并结合代码示例演示了其在实际量子计算问题中的强大威力。

day7的博客 469

推荐一款强大的日志工具：ML-Logger，让机器学习记录更简单、更高效

推荐一款强大的日志工具：ML-Logger，让机器学习记录更简单、更高效 ML-Logger 是一个精心设计的、可扩展的日志工具，它提供了简洁的API，无论是在本地还是远程环境，都能轻松实现数据的保存和可视化。此项目旨在简化机器学习项目的日志管理，便于团队协作和项目复用。 1、项目介绍 ML-Logger 主要功能包括： 以二进制格式本地和远程存储数据，无需复杂配置。 支持500多个并发容器向单...

gitblog_00001的博客 691

Oracle数据库安装图文教程 附百度云oracle Database 11g 安装包

一，Oracle数据库安装包下载 1.从Oracle官网下载所需的数据库安装包【下载需要注册登录Oracle账户】     http://www.oracle.com/technetwork/database/enterprise-edition/downloads/index.html 2.此处有下载好的Oracle Database 11g Release 2  百度云网盘  提取码：z...

向来如此，就一定是对的吗 6万+

ML-Logger 使用教程

ML-Logger 使用教程 1. 项目介绍 ML-Logger 是一个简单且可扩展的日志记录工具，带有美观的可视化仪表板。它旨在帮助机器学习项目中的数据记录和可视化，支持本地和远程数据存储，并且具有高性能的异步写入功能，不会拖慢训练进程。 主要特点 简单易用：零配置即可开始使用。 高性能：异步写入，支持多进程并发。 可视化：支持 Matplotlib 图表的远程可视化。 可扩展：适用于各种机器...

gitblog_00009的博客 1218

osg3.6.5---osgEarth3.2 实现数字地球的加载

目前我在网上找得比较多的是osgearth2.10及以下的版本及加载数字地球的方法，但是我使用的是osg3.6.5和osgEarth3.。但是3.x版本和2.x版本差别很大，主要区别在于2.x有7个主要库，而3.x版本只有osgEarth这一个库。所以，特别记录一下。后面我讲他集成到qt的窗体在上传更新新的代码。1.直接上源码pro文件和cpp文件。

枫影竹韵的博客 1008

Zemax单模光纤耦合仿真避坑指南：数值孔径、模式匹配与镀膜影响详解

本文详细解析了Zemax单模光纤耦合仿真中的关键避坑要点，包括数值孔径的多重定义与换算、模式匹配度评估及镀膜影响分析。通过实际案例和技术公式，帮助工程师避免常见仿真误差，提升激光通信和光纤传感系统的设计精度。特别针对OpticStudio用户提供了实用的参数设置建议和优化策略。

weixin_30836759的博客 465

ML 系统的日志记录

Intuition 日志记录是跟踪和记录应用程序中发生的关键事件的过程，用于检查、调试等。它们比print语句更强大，因为它们允许将特定的信息片段发送到具有自定义功能的特定位置格式化、共享接口等。这使得日志记录成为能够从应用程序的内部流程中发现有洞察力的信息的关键支持者。 成分 有几个总体概念需要注意： Logger: 从应用程序发出日志消息。Handler：将日志记录发送到特定位置。Formatter: 格式化和样式化日志记录。 日志记录还有很多，例如过滤器、异常日志记录等，但这些基础知识将使能够为应用

hengfanz的专栏 623

高通thermal-engine.conf配置详解：从虚拟传感器到CPU频率控制的完整指南

本文深入解析了高通thermal-engine.conf配置文件的架构与调优方法。从虚拟传感器的加权融合原理，到监控算法与CPU频率控制的多级策略，提供了完整的配置详解与实战调试指南。文章旨在帮助开发者与高级用户掌握底层温控逻辑，在性能与散热间实现精准平衡，并详细介绍了日志调试与场景化配置等高级技巧。

weixin_28327051的博客 494

cannot import name ‘logger‘ logbook

cannot import name ‘logger’ 解决办法： https://github.com/shagunsodhani/ml-logger

Enabler 2426

【MIT-BEVFusion代码解读】第四篇：融合特征fuser和解码特征decoder

的大小，实际上源代码也是这么做的。最后将得到两个分支的特征进行。，第一个特征使用卷积降低通道数即可，第二个则需要反卷积来提升。所以backbone只有两个分支，都是5个卷积模块组成。的长和宽都减半至90，然后在经过5个相同的。将通道降至128，后面再接5个相同的。，将通道数128上至256，并且将。特征进行融合，这里使用的。部分由两部分组成，分别是。，这个分支首先经过第一个。，然后再卷积得到 =>提取特征，最后得到特征。得到了两个大小不同的。

非晚非晚的博客 2957

STK传感器配置全攻略：从光学到雷达的7种视场类型详解（附避坑指南）

本文详细解析了STK软件中传感器的7种视场类型，从基础的Simple Conic、Complex Conic到高级的SAR与EOIR，提供了完整的配置步骤与实战避坑指南。重点阐述了雷达、光学等不同物理设备的建模选择逻辑，并针对常见的“No Access”等报错问题给出了系统性的排查方案，帮助工程师高效完成卫星系统设计与任务分析。

weixin_29232507的博客 228

ML-Logger：简单高效的机器学习日志管理工具

ML-Logger：简单高效的机器学习日志管理工具 ML-Logger 是一个开源项目，旨在为机器学习项目提供简单、高效的日志记录和可视化服务。该项目主要使用 Python 编程语言开发。 核心功能 ML-Logger 的核心功能包括： 日志记录：支持将数据本地和远程保存，采用透明pickle文件格式，实现零配置。 可视化仪表盘：提供了一个可视化仪表盘，能够快速查看和展示项目进度。 性能优化：异...

gitblog_01001的博客 491

24届数字IC设计/验证秋招总结贴——先看这个

为方便快速进行查找该专栏的内容，将所有内容链接均放在此篇博客中整理不易，欢迎订阅~~

qq_42135020的博客 8415

【亲测免费】 worldstrat：全球高分辨率卫星图像数据集与超分辨率基准

worldstrat：全球高分辨率卫星图像数据集与超分辨率基准 项目介绍 worldstrat是一个开源的Python软件包，它是worldstrat数据集及其相关文章的伴随代码库。该软件包用于生成数据集并在此数据集上训练多个超分辨率基准。worldstrat数据集包含了近10,000平方公里免费的高分辨率卫星图像，覆盖了世界上各种土地利用类型，从农业到冰帽，从森林到不同密度的城市化地区。此外，数...

gitblog_01143的博客 738

霍尼韦尔SoftMaster使用说明

霍尼韦尔SoftMaster使用说明

迈瑞BS系列全自动生化分析仪LIS协议接口手册(内含HL7和ASTM)

迈瑞BS系列全自动生化分析仪LIS协议接口手册，内含HL7和ASTM)

can‘t import ‘RUN‘ from ml-logger

卸载ml-logger0.10.21版本，安装ml-logger0.8.83版本。

weixin_45419344的博客 238

温度PID控制PLC程序

温度PID稳定控制程序，适用于欧姆龙PLC，对其他PLC也具有很大参考价值

ML-Logger开源项目使用常见问题解决方案

ML-Logger开源项目使用常见问题解决方案 项目介绍 ML-Logger 是一个为机器学习项目设计的日志服务器和可视化仪表板。它允许用户轻松地在本地和远程保存数据，支持将数据以二进制格式存储，无需额外配置即可从多个工作容器向单一仪表板服务器写入数据。ML-Logger的主要优势在于其高度的可配置性和性能，特别适合处理大量的度量指标（metric keys）而不会拖慢训练速度。 主要编程语言 M...

gitblog_00011的博客 964

pscad IEEE标准系统搭建说明

pscad IEEE标准系统搭建说明，包含典型的IEEE 9节点、14节点、30节点、39节点和118节点系统。内含标准测试系统的原始数据和潮流结果。

ModuleNotFoundError: No module named ‘ml_logger.logbook‘

ModuleNotFoundError: No module named 'ml_logger.logbook'

weixin_44628096的博客 825

ML-Logger 项目使用教程

ML-Logger 项目使用教程 1. 项目目录结构及介绍 ML-Logger 项目的目录结构如下： ml_logger/ ├── docs/ ├── figures/ ├── ml_logger/ │ ├── __init__.py │ ├── logger.py │ └── ... ├── ml_logger_tests/ ├── notes/ ├── old_readmes/ ├...

gitblog_00485的博客 592

ML-Logger：一款简单可扩展的日志工具，搭配美观的可视化仪表盘

ML-Logger：一款简单可扩展的日志工具，搭配美观的可视化仪表盘 项目介绍 ML-Logger 是一款专为机器学习（ML）项目设计的日志工具，旨在简化数据记录和可视化的过程。它不仅支持本地和远程数据存储，还提供了一个美观且高效的仪表盘，帮助用户实时监控实验进度和结果。ML-Logger 的设计理念是让用户能够在不同的项目中使用相同的日志代码，从而减少配置和迁移的复杂性。 项目技术分析 ML-L...

gitblog_00304的博客 767

异常检测 RegAD-Registration based Few-Shot Anomaly Detection 论文学习

异常检测、缺陷检测、RegAD论文解读

小白不白 5214

Registration based Few-Shot Anomaly Detection

目前为止，现有的FSAD研究遵循标准AD使用的每类别一个模型的学习范式，并且尚未探索类别间的共性。受人类如何检测异常的启发，通常将图像与正常图像进行比较，利用配准来训练类别无关的异常检测模型。测试时通过比较测试图像的配准特征和正常图像来识别异常。本文是第一个FSAD方法，训练单个可推广模型，不需要对新类别进行重新训练或微调。比目前方法AUC高3%~8%。异常检测具有广泛的应用，由于异常的定义不明确，不可能用一组详尽的异常样本进行训练。大多数现有的AD方法都集中于为每个类别训练专用模型。......

Joeyshaw的博客 4297

Registration based Few-Shot Anomaly Detection阅读笔记

本文考虑了少镜头异常检测（FSAD），这是一种实用但研究不足的异常检测（AD）设置，其中在训练时仅为每个类别提供有限数量的正常图像。到目前为止，现有的FSAD研究遵循用于标准AD的每类学习范式的一个模型，并且尚未探索类别间的共性。受人类如何检测异常（即将有问题的图像与正常图像进行比较）的启发，我们在这里利用配准，这是一种在类别间具有普遍性的图像对齐任务，作为代理任务，来训练一种类别无关的异常检测模型。在测试过程中，通过比较测试图像及其相应支持（正常）图像的注册特征来识别异常。

qq_43428929的博客 3034

推荐开源项目：NGL Viewer——新一代分子可视化神器

推荐开源项目：NGL Viewer——新一代分子可视化神器 去发现同类优质开源项目:https://gitcode.com/ 1、项目介绍 NGL Viewer 是一款基于WebGL的在线分子可视化工具，它能以丰富的形式展示蛋白质、DNA/RNA等分子结构，并支持密度体积数据的渲染。用户无需安装任何软件，只需在浏览器中打开，即可轻松查看和交互复杂的生物大分子模型。 2、项目技术分析 NGL Vie...

gitblog_00076的博客 1201

NGLView 安装与配置-交互式分子结构和轨迹查看

NGLView NGLview 是Jupyter Notebook的小插件, 可用于交互地可视化分子结构, 可以查看分子动力学轨迹数据. 支持读取文件数据。 程序的源代码可以在网上Github里查看, 同时也可以在PyPI和bioconda内获取. NGLview在服务器端采用python, 而在客户端则采用JS来实现, 与Jupyter的整合则通过ipywidgets包实现. 客户端采用N...

DrugOne 6375

探索分子世界的利器：NGLView

# 探索分子世界的利器：NGLView ## 项目介绍 NGLView 是一个强大的 [IPython/Jupyter](http://jupyter.org/) 小部件，专为交互式查看分子结构和轨迹而设计。它利用了嵌入式的 [NGL Viewer](https://github.com/nglviewer/ngl) 渲染引擎，为用户提供了一个直观且功能丰富的界面来探索分子世界。无论是从文件系

gitblog_00513的博客 758
上一篇： 102个Python练手项目；『机器学习』优质内容社区；『基于事件的机器人视觉』课程推荐；『迁移学习导论』书籍代码；前沿论文 | ShowMeAI资讯日报
下一篇： 给LaTeX公式添加优美的注解；日更『数据科学』面试题集锦；大学生『计算机』自学指南；个人防火墙；前沿资料/论文 | ShowMeAI资讯日报
点赞 0
评论 0
书签 书签 1
ShowMeAI
ShowMeAI
博客等级 码龄5年 6514粉丝 672原创
+ 关注 专栏目录 订阅专栏
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
表情包 插入表情
表情包 代码片
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

ShowMeAI

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值