一、对抗学习1.1 ADV-标准对抗主要思想：防止鉴别器识别受保护的属性。以对抗性方法训练模型，并明确掩盖受保护信息。损失函数：1.2 EADV-优化对抗ADV存在的问题：在某些情况下，即使对抗性组件似乎做得很完美，仍有相当数量的受保护信息，并且可以从编码的表

一、基础知识PyTorch提供简单的计算误差方法。最简单的均方误差：先计算每个输出节点的实际输出和预期输出之差的平方，再计算平均值。nn.MSELoss()误差函数&&损失函数误差是指预期输出与实际输出之间的差值。损失是指根据误差计算得到的，要考虑实际情况。1、构建和训练G

背景对于工业场景上的异常检测和定位任务,由于零件的异常情况具有多样性和随机性,所以很难用有监督的方式来解决;目前用的最多的是用无监督的方式,在训练过程中只使用正常样本进行训练,目前无监督解决异常检测任务的三个趋势是基于重建的方法,基于合成的方法以及基于嵌入的

SqlSugarORMSqlSugar是一款老牌.NET开源多库架构ORM框架，一套代码能支持多种数据库像Admin.net、Blog.Core、CoreShop等知名开源项目都采用了SqlSugar作为底层特色1：超级简单在不用任何设计模式，任何框架的情况下都可以拥有最佳体验，SqlSugar做到了保姆一样的服务，直接用不需

原创|文BFT机器人01 背景从激光雷达等设备中获取的点云往往有所缺失（反光、遮挡等），这给点云的后续处理带来了一定的困难，也凸显出点云补全作为点云预处理方法的重要性。点云补全（PointCloudCompletion）用于修补有所缺失的点云（PointCloud），从缺失点云出发估计完整点云，从而获得更高质

论文信息论文标题：AdversarialDiscriminativeDomainAdaptation论文作者：EricTzeng,JudyHoffman,KateSaenko,TrevorDarrell论文来源：CVPR2017论文地址：download 

在特定的情况下使用不同的pojo进行关联，鉴别器元素就是被设计来处理这个情况的。鉴别器非常容易理解,因为它的表现很像Java语言中的switch语句discriminator标签常用的

作者：桔了个仔，南洋理工大学，Datawhale成员身临其境的图像复原之前看《你好李焕英》里，有一个表现手法非常让我印象深刻。就是一开始场景是黑白的，然后慢慢变成彩色的，从黑白到彩

作者：Edison_G人群计数是计算机视觉中的一项核心任务，旨在估计静止图像或视频帧中的行人数量。在过去的几十年中，研究人员在该领域投入了大量精力，并在提升现有主流基准数据集的

 ​​欢迎关注我的公众号[极智视界]，获取我的更多笔记分享​​ 大家好，我是极智视界，本文解读一下MGADA用于目标检测的多粒度对齐域自适应。 由于源域和目标域之间的

ISCL（2021-TMI）ISCL:InterdependentSelf-CooperativeLearningforUnpairedImageDenoising论文下载地址：https://arxiv.org/abs/2102.09858代码：ISCL:OfficialTenso

Deep-Energy（2021-IEEE）Unsupervisedsingleimagedehazingwithgenerativeadversarialnetwork摘要最新的单幅图像去模糊学习算法被设计为使用成对的模糊图像和相应的

摘要文章提出了一种多对抗域自适应（MADAMulti-AdversarialDomainAdaptation）方法，它能够捕捉多模式结构以基于多个域鉴别器实现不同数据的细粒度对齐。ps：其实就