Novel

前戏 最近出了真的很多论文，各种SOTA。比如前天po的商汤等提出：统一多目标跟踪框架，今天po的人群计数（Crowd Counting），又称人群密度估计。下次应该会po一篇目标检测方向的SOTA论文。 注意最新的论文，Amusi就不详细解读了（可能自己也不会）。更主要的是论文这玩意，还是要自己去品才有滋味。或许过两天，论文的作者团队会解读一番，对照着作者的解答来理解，这才原滋原味。 正文 《Scale-Aware Attention Network for Crowd Counting》 arXiv： https://arxiv.org/abs/1901.06026 作者团队：Amazon 注：2019年01月21日刚出炉的paper Abstract：In crowd counting datasets, people appear at different scales, depending on their distance to the camera. To address this issue, we propose a novel multi-branch scale-aware attention network that exploits the hierarchical structure of convolutional neural networks

CNGBdb下属的CNSA板块不仅是数据管理助手，还是文章发表助手，截止到2019年12月31日，CNSA已支持论文发表105篇，发表期刊包括Science、Cell、Nature子刊等。 IF ≥20 1 Niu Y, Sun N, Li C, et al. Dissecting primate early post-implantation development using long-term in vitro embryo culture[J]. Science , 2019, 366(6467). IF：41.037 CNSA编号：CNP0000231 2 Cheng S, Xian W, Fu Y, et al. Genomes of Subaerial Zygnematophyceae Provide Insights into Land Plant Evolution[J]. Cell , 2019, 179(5): 1057-1067. e14. IF： 36.216 CNSA编号： CNP0000746 3 Zou Y, Xue W, Luo G, et al. 1,520 reference genomes from cultivated human gut bacteria enable functional microbiome analyses[J].

CNGBdb下属的CNSA板块不仅是数据管理助手，还是文章发表助手，截至2019年12月31日，CNSA已支持论文发表106篇，发表期刊包括Science、Cell、Nature子刊等。 IF ≥20 1 Niu Y, Sun N, Li C, et al. Dissecting primate early post-implantation development using long-term in vitro embryo culture[J]. Science , 2019, 366(6467). IF：41.037 CNSA编号：CNP0000231 2 Cheng S, Xian W, Fu Y, et al. Genomes of Subaerial Zygnematophyceae Provide Insights into Land Plant Evolution[J]. Cell , 2019, 179(5): 1057-1067. e14. IF： 36.216 CNSA编号： CNP0000746 3 Zou Y, Xue W, Luo G, et al. 1,520 reference genomes from cultivated human gut bacteria enable functional microbiome analyses[J].

相关文章： A Unified Framework for Association Analysis with Multiple Related Phenotypes 太重要了，不得不单独拿出来分析一下。本review高度总结了GWAS这10年的成绩、以及现在的局限性。每个搞统计遗传的都必须要好好看看。 第一篇GWAS是什么时候？谁提出的？The first successful GWAS published in 2002 studied myocardial infarction. Ozaki trans-ethnic和meta analysis的区别？不同人种和整合分析，概念不一样，目的不一样 Twin study是什么？优势是什么？用于估计heritability。本质就是控制变量，同卵双胞胎share了同样的遗传物质，所以他们的表型差异完全可以归结为非genetic的环境变异。"identical" or monozygotic (MZ) twins share essentially 100% of their genes, which means that most differences between the twins (such as height, susceptibility to boredom, intelligence, depression,

https: // www.zhihu.com/question/369630554/answer/998649507 知乎 dr.李的文章 跟自己一开始的理解很相似.. 个人也认为死亡率会高于2 % 武汉地区的发病率也会比较高.. 预计1 %+ 被感染率(日美韩法撤侨的比率) 今天2.6的武汉的发病率是千分之一 以上(武汉一万病例, 总人口1000万) 任重道远.. 死亡率你要看怎么算了。 题干：已知某病毒从出现症状到死亡的中位数是14.0天，2月3日与2月4日世界卫生组织统计如下数据（见图）： 2月3日世界卫生组织WHO公布数据 2月4日世界卫生组织WHO公布数据 请估算该病毒死亡率？ 首先，不难看到在冠状病毒的死亡率下标注着很显眼的2%，但是请不要忽略2%旁边的“*”，以及下面的一行字：very early estimate by WHO，也就是说该数据是世界卫生组织非常早期的简单核算，very这个词用的好啊~ 接下来，我们仔细分析一下这些数据到底代表着什么意思。任何一种病，比如SARS，在最后计算死亡率的时候都是用以下公式： 死亡率=死亡病例数/发病病例数 很浅显对不对？但是请不要忽略，这个数据是在疫情结束后才有意义。也就是说，除了死亡病例就是痊愈病例的情况下，才真实有效。 那么，我们应该对以上数据怎么分析才更符合当前情况呢？这里我用高亮黄色在第一幅图片中标注出了两个数据

警告：本文代码仅供学习，禁止违法使用或商用。 这里拿人气小说《黎明之剑》来举个栗子，喜欢小说《黎明之剑》的朋友们请支持正版阅读。 笔趣阁网站上的其他书籍基本上的都可以套用，其他盗版网站也基本上是差不多的思路就可以解决。 稍微改改就能很轻松的通过小说目录页下载全本，我这里就懒得弄了，有兴趣的朋友可以试一试。 # -*- coding:UTF-8 -*- # 作者博客：https://www.cnblogs.com/Raine/ # 2019-06-20 import requests from bs4 import BeautifulSoup class TheLatest(object): # 测试爬取笔趣阁《黎明之剑》最新章节 def __init__(self): self.url_dir = 'https://www.biqiuge.com/book/36438/' self.bookname = "" # 存放书籍名 self.chaptername = "" # 存放章节名 self.url_latest = "" # 存放最新章节链接 self.get_download_url() def get_download_url(self): # 直接从网页head标签内获取想要的内容 r1 = requests.get(self.url_dir) # 网页是GBK编码

前言 　　最近老板有一个需求，做单样本检测，也就是说只有一个类别的数据集与标签，因为在工厂设备中，控制系统的任务是判断是是否有意外情况出现，例如产品质量过低，机器产生奇怪的震动或者机器零件脱落等。相对来说容易得到正常场景下的训练数据，但故障系统状态的收集示例数据可能相当昂贵，或者根本不可能。如果可以模拟一个错误的系统状态，问题就好解决多了，但无法保证所有的错误状态都被模拟到，所以只能寻找单样本检测相关的算法。 　　所幸了解到一些单样本检测的算法，比如Isolation Forest，One-Class Classification，所以这篇文章就记录一下自己做的关于One-Class SVM 的笔记。 一，单分类算法简介 　　One Class Learning 比较经典的算法是One-Class-SVM，这个算法的思路非常简单，就是寻找一个超平面将样本中的正例圈出来，预测就是用这个超平面做决策，在圈内的样本就认为是正样本。由于核函数计算比较耗时，在海量数据的场景用的并不多； 　　另一个算法是基于神经网络的算法，在深度学习中广泛使用的自编码算法可以应用在单分类的问题上，自编码是一个BP神经网络，网络输入层和输出层是一样，中间层数可以有多层，中间层的节点个数比输出层少，最简单的情况就是中间只有一个隐藏层，如下图所示，由于中间层的节点数较少，这样中间层相当于是对数据进行了压缩和抽象

迁移学习 材料集合 目录 迁移学习 材料集合 Book novel_papers 1) novel_papers on transfer learning 2) novel_papers on related fileds 更多 DA awesome​​​​​​​ 入门参考 小结 Excellent Scholars 新论文追踪 科研方法论 Presentation 大部分内容 转自 GitHub： https://github.com/yuntaodu/Transfer-learning-materials Book 《迁移学习简明手册》 https://github.com/jindongwang/transferlearning-tutorial novel_papers 1) novel_papers on transfer learning number Title Conference/journel + year Code Keywords Benenit for us 54 Self-paced Contrastive Learning with Hybrid Memory for Domain Adaptive Object Re-ID ( paper ) NIPS 2020 code contrastive learning, DA, Re-ID

Multi-source Domain Adaptation for Semantic Segmentation [ NeurIPS 2019 ] [ 2020 : MADAN: Multi-source Adversarial Domain Aggregation Network for Domain Adaptation] [ github ] 目录 Multi-source Domain Adaptation for Semantic Segmentation Abstract Problem Setup MADAN Overview Dynamic Adversarial Image Generation Adversarial Domain Aggregation Feature-aligned Semantic Segmentation MADAN Learning Abstract Simulation-to-real domain adaptation for semantic segmentation has been actively studied for various applications such as autonomous driving. Existing methods mainly focus on a single-source

今天开发说服务器很卡,让看看是什么情况，然后就有了下面的内容。 咋一看kswapd0是一个内核进程，但是仔细看你会发现，USER是novel,一看就不正常。正常应该是root 接下来顺藤摸瓜，继续看 很明显，路径也不对，内核进程一般不会放到普通用户home目录下 继续看下这个.configurc目录有什么东西 到这里就基本确定是被黑了，init0脚本写的很明显，就是一个挖矿程序 再看下novel用户计划任务 以上可以看到，服务器是被黑了用来挖矿了 现在来处理掉这个挖矿程序 kill -9 13949 rm -rf /home/novel/* rm -rf ./.configrc ./.ssh userdel -r novel 后续加固，可以把ssh设置成不允许使用密码登录，而是使用更安全的密钥来登录。 来源： oschina 链接： https://my.oschina.net/u/4385177/blog/4716020