Spatial

Vision layers 1）Upsample CLASS torch.nn.Upsample(size=None, scale_factor=None, mode='nearest', align_corners=None) 上采样一个给定的多通道的 1D (temporal,如向量数据), 2D (spatial，如jpg、png等图像数据) or 3D (volumetric，如点云数据)数据 假设输入数据的格式为minibatch x channels x [optional depth] x [optional height] x width。因此对于一个空间spatial输入，我们期待着4D张量的输入，即minibatch x channels x height x width。而对于体积volumetric输入，我们则期待着5D张量的输入，即minibatch x channels x depth x height x width 对于上采样有效的算法分别有对 3D, 4D和 5D 张量输入起作用的 最近邻、线性,、双线性, 双三次(bicubic)和三线性(trilinear)插值算法 你可以给定scale_factor来指定输出为输入的scale_factor倍或直接使用参数size指定目标输出的大小（但是不能同时制定两个） 参数： size ( int or

1.中国计算机学会推荐国际【 学术期刊 】 交叉/综合/新兴 （1）A类 序号 刊物简称 刊物全称 出版社 网址 1 JACM Journal of the ACM ACM http://dblp.uni-trier.de/db/journals/jacm/ 2 Proc. IEEE Proceedings of the IEEE IEEE http://dblp.uni-trier.de/db/journals/pieee/ （2）B类 序号 刊物简称 刊物全称 出版社 网址 1 Bioinformatics Oxford University Press http://dblp.uni-trier.de/db/journals/bioinformatics/ 2 Briefings in Bioinformatics Oxford University Press http://dblp.uni-trier.de/db/journals/bib/ 3 Cognition Cognition：International Journal of Cognitive Science Elsevier http://www.journals.elsevier.com/cognition/ 4 TASAE IEEE Transactions on Automation Science

近期KDD放出已接收论文，笔者对其中与时间序列预测相关的论文进行了筛选。 KDD官网还未放出原文，列表中的链接为笔者自行搜索（arxiv） * A Geometric Approach to Time Series Chains Improves Robustness * Connecting the Dots: Multivariate Time Series Forecasting with Graph Neural Networks * ASGN: An Active Semi-supervised Graph Neural Network for Molecular Property Prediction https:// arxiv.org/abs/2005.1165 0 * Multi-Source Deep Domain Adaptation with Weak Supervision for Time-Series Sensor Data https:// arxiv.org/abs/2005.1099 6 * Attention based multi-modal new product sales time-series forecasting * BusTr: predicting bus travel times from real-time traffic

　　 CCAI 2020年8月29日-30日 　　2020年中国人工智能大会（Chinese Congress on Artificial Intelligence 2020，简称“CCAI 2020”）将于8月29日-30日在南京召开。CCAI 2020以“智周万物”为主题，探讨人工智能作为引领未来的战略性技术，如何以周知万物的学术境界赋能未来，带动时代发展，实现互联世界的远大理想。 　　 东南大学计算机学院、软件学院院长、人工智能学院执行院长，国家优青，IETI Distinguished Fellow耿新将出席本次大会并担任《青年科学家专题论坛》论坛主席。 　　 耿新 ：分别于2001年和2004年在南京大学计算机科学与技术系获得学士和硕士学位，于2008年获得澳大利亚Deakin大学博士学位。创建东南大学模式学习与挖掘（PALM）实验室并担任实验室主任至今。目前主要从事机器学习、模式识别、计算机视觉等方面的研究。曾获国家级教学成果奖一等奖、教育部自然科学奖一等奖等多项教学、科研奖励，入选国际工程与技术学会（IETI）杰出会士。曾获国家优秀青年科学基金、江苏省杰出青年科学基金资助，主持国家重点研发计划课题、国家自然科学基金等多个科研项目。 　　 　　 01 　　 　　 Partial Multi-Label Learning with Label Distribution 　

作者：Axel Thevenot 编译：ronghuaiyang 原文链接： 12中主要的Dropout方法：如何应用于DNNs，CNNs，RNNs中的数学和可视化解释 ​ mp.weixin.qq.com 深入了解DNNs，CNNs以及RNNs中的Dropout来进行正则化，蒙特卡洛不确定性和模型压缩的方法。 动机 在深度机器学习中训练一个模型的主要挑战之一是协同适应。这意味着神经元是相互依赖的。他们对彼此的影响相当大，相对于他们的输入还不够独立。我们也经常发现一些神经元具有比其他神经元更重要的预测能力的情况。换句话说，我们会过度依赖于个别的神经元的输出。 这些影响必须避免，权重必须具有一定的分布，以防止过拟合。某些神经元的协同适应和高预测能力可以通过不同的正则化方法进行调节。其中最常用的是 Dropout 。然而，dropout方法的全部功能很少被使用。 取决于它是 DNN ，一个 CNN 或一个 RNN ，不同的 dropout方法 可以被应用。在实践中，我们只(或几乎)使用一个。我认为这是一个可怕的陷阱。所以在本文中，我们将从数学和可视化上深入到dropouts的世界中去理解： 标准的Dropout方法 标准Dropout的变体 用在CNNs上的dropout方法 用在RNNs上的dropout方法 其他的dropout应用(蒙特卡洛和压缩) 符号 标准的Dropout

End-to-End Object Detection with Transformers [paper] https://arxiv.org/pdf/2005.12872.pdf [github] https://github.com/facebookresearch/detr Abstract We present a new method that views object detection as a direct set prediction problem. 本文做了啥：提出了一种将目标检测看作直接集预测问题的新方法。 Our approach streamlines the detection pipeline, effectively removing the need for many hand-designed components like a non-maximum suppression procedure or anchor generation that explicitly encode our prior knowledge about the task. 本文工作的亮点：简化了检测流程，有效地消除了许多手工设计的组件的需求，比如一个非最大抑制程序或锚的生成，显式地编码了关于任务的先验知识。 The main ingredients of the

BIM与GIS的跨界整合，使微观领域的BIM信息内容与宏观领域的GIS信息内容完成互换和互操作，提高了BIM运用深度，将BIM的运用从单体拓宽到建筑群乃至城市级，为GIS行业发展提供了新的突破口，另外也提供了一些新的挑战。应对挑战，GIS基本服务平台要具有什么工作能力？文中将分析BIM+GIS运用过程中碰到的难题及其解决方式 。 在GIS平台中载入高架桥的BIM数据（左），并累加在影像数据上（右） 挑战一：将BIM数据连接到GIS平台 世界各国BIM三维建模软件类型各种，不同的软件有不同的储存方法。这种数据文件格式相互差异，且相对性较为封闭没有公布文档构造，给BIM数据连接到GIS平台提供了最直接的挑战。 BIM数据取决于BIM系统软件，例如Revit的rvt文档自身不是带材质贴图的，是存在于Revit安装文件的材质库中，要载入Revit数据的详细信息内容，包含特性、材料、几何图形等，不可或缺Revit系统软件自身。完成载入BIM数据现阶段最务实的方式 便是依托于BIM到GIS数据格式转换工具或软件，也就是依托于BIM软件库的原生态支撑，将BIM数据变换到GIS数据库。 ZTMAP依次带来了几款BIM流行制图软件的变换软件和专用工具，如Autodesk主打产品的Revit、AutoCAD及其Civil3D软件，及其Bentley的MicroStationCONNECTEdition

MySQL索引 的建立对于MySQL的高效运行是很重要的，索引可以大大提高MySQL的检索速度。 打个比方，如果合理的设计且使用索引的MySQL是一辆兰博基尼的话，那么没有设计和使用索引的MySQL就是一个人力三轮车。 拿汉语字典的目录页（索引）打比方，我们可以按拼音、笔画、偏旁部首等排序的目录（索引）快速查找到需要的字。 创建索引时，你需要确保该索引是应用在 SQL 查询语句的条件(一般作为 WHERE 子句的条件)。 建立索引会占用磁盘空间的索引文件。 每种搜索引擎支持的索引是不同的，具体如下： MyISAM ，InnoDB支持btree索引 Memory 支持 btree和hash索引 索引的优势如下： * 加快查询速度 * 创建唯一索引来保证数据表中数据的唯一性 * 实现数据的完整性，加速表和表之间的连接 * 减少分组和排序的时间 增加索引也有很多不利，主要表现在以下几个方面： * 创建索引和维护索引要耗费时间，并且随着数据量的增加所耗费的时间也会增加。 * 索引需要占磁盘空间，除了数据表占数据空间之外，每一个索引还要占一定的物理空间，如果有大量的索引，索引文件可能比数据文件更快达到最大文件尺寸。 * 当对表中的数据进行增加、删除和修改的时候，索引也要动态地维护，这样就降低了数据的维护速度。 一、索引的分类 1、唯一索引和普通索引 普通索引 ：是MySQL中的基本索引类型

AVIRIS 是指 机载可见光近红外成像光谱（Airborne Visible InfraRed Imaging Spectrometer）。是由美国NASA下属的喷气动力实验室（JPL）开发和维护的光谱成像设备。现有两代产品： AVIRIS-Classic 和 AVIRIS-NG （AVIRIS Next Generation），其中AVIRIS-Classict从1986年开始服役，目前网站上提供从1992年开始至2020年采集高光谱图像数据，主要为地面辐亮度图像，少部分图像提供反射率图像。AVIRIS-NG则提供从2012年至2020年的高光谱图像数据。所有的图像均进行了几何矫正，具有真实的地理坐标信息。目前AVIRIS-Classic提供的数据主要位于美国本土，还有少量太平洋中海岛、以及加拿大和欧洲地区的数据。AVIRIS-NG则目前主要提供欧洲和印度区域数据。 1. AVIRIS-Classic AVIRIS是地球遥感领域的先进设备。其具备一个独特的光学传感器，能够采集波长在400~2500nm范围内的上行的光谱辐亮度信息，并进行辐亮度矫正，最终生成具有224个连续光谱通道（波段）的高光谱图像。AVIRIS曾经搭载在4种不同的飞行平台上， 分别为：NASA 的ER-2 喷气式飞机，Twin Otter International 的涡轮螺旋桨飞机，Scaled

点击上方“ 3D视觉工坊 ”，选择“星标” 干货第一时间送达 整理：公众号@智车科技 本文仅做学术分享，如有侵权，请联系删除。 这是一个arXiv上2020年6月底上传的综述“A Survey on Deep Learning for Localization and Mapping: Towards the Age of Spatial Machine Intelligence“，作者来自英国牛津大学，文章覆盖了odometry、mapping和SLAM等。 这是一个arXiv上2020年6月底上传的综述“A Survey on Deep Learning for Localization and Mapping: Towards the Age of Spatial Machine Intelligence“，作者来自英国牛津大学，文章覆盖了odometry、mapping和SLAM等。 如图给出了传统方法和学习方法的比较：X是传感器数据，Y是目标（运动、姿态和几何+语义等）。 关于深度学习在这个领域的应用，作者给出了如下的分类： 而这里给出综述的全貌，也是以上模块在所构成系统的相互关系图： 这是odometry的方法列表：分视觉、视觉-惯导和激光雷达三个类。 下面这张图告诉我们：非监督方法还是比监督方法误差大，深度学习和传统方法的混合精度不错。 这是mapping的方法列表：