首页 > TAG信息列表 > 细粒度
深入解析 Flink 细粒度资源管理
细粒度资源管理的背景 目的 Flink 目前采用粗粒度的资源管理方法，其中task被部署到预定义的、通常相同的slot中，而不需要每个包含多少资源的概念。使用slot共享，可以将同一slot共享组 (SSG)中的task部署到一个slot中，而不管每个task/operator需要多少资源。在FLIP-56中，我们提出了细粒VGG网络架构
所有卷积大小都是3*3：细粒度进行提取Proj CMI Paper Reading: Reinforcement Learning-based Hierarchical Seed Scheduling for Greybox Fuzzin
Abstract 背景： 细粒度的覆盖指标可以让模糊器检测到传统边缘覆盖⽆法覆盖的错误 现有算法⽆法有效地调度种子 本文： 工具：AFL++-HIER 方法： 多级覆盖度量 基于强化学习的分层调度 实验： 数据集：DARPA CGC 效果： 明显优于AFL和AFLFAST ：它可以检测到 20% 以上的错误，对 180 个挑战中的Proj CMI Paper Reading: Registered Report: Fine-Grained Coverage-Based Fuzzing
Abstract 背景： 分⽀覆盖仅提供程序行为的浅层采样，因此可能会丢弃可能对变异感兴趣的输⼊ 本文： 任务：定义更细粒度的代码覆盖率，不改变现有Fuzzer 方法： 通过将这些指标定义的测试⽬标（例如要杀死的突变体mutants to kill）明确地作为⽬标程序中的新分⽀来实现不改变现有Fuzzer 保留能够Multi-View Spatial Aggregation Framework for Joint Localization and Segmentation of Organs at Risk i
Multi-View Spatial Aggregation Framework for Joint Localization and Segmentation of Organs at Risk in Head and Neck CT Images 头颈部CT图像中风险器官的联合定位和分割的多视图空间聚合框架 发表期刊：IEEE Transactions on Medical Imaging 发表时间：2020年 摘要 头颈细粒度：MC_Loss源码笔记——The Devil is in the Channels: Mutual-Channel Loss
细粒度：MC_Loss源码笔记——The Devil is in the Channels: Mutual-Channel Loss for Fine-Grained Image Classification 综述网络结构MC_Loss 综述 论文题目：《The Devil is in the Channels: Mutual-Channel Loss for Fine-Grained Image Classification》 期刊与时间：I细粒度：DCL论文笔记——Destruction and Construction Learning for Fine-grained Image Recognition
细粒度：DCL论文笔记——Destruction and Construction Learning for Fine-grained Image Recognition 综述主要思想网络结构“破坏”学习“构建”学习 训练与测试总结 综述 论文题目：《Destruction and Construction Learning for Fine-grained Image Recognition》 会议GoEmotions：一个细粒度情感分类数据集
本文来自公众号“AI大道理”。 这里既有AI，又有生活大道理，无数渺小的思考填满了一生。 原文 | Thursday, October 28, 2021 Posted by Dana Alon and Jeongwoo Ko, Software Engineers, Google Research 情绪是社会互动的一个关键方面，影响着人们的行为方式，塑造着人细粒度：NTS-Net论文笔记——Learning to Navigate for Fine-grained Classification
细粒度：NTS-Net论文笔记——Learning to Navigate for Fine-grained Classification 综述主要思想网络结构网络流程NavigatorTeacherScrutinizer 损失与优化总结 NTS-Net源码笔记：https://blog.csdn.net/qq_50001789/article/details/121260644 综述 论文题目：《Learning什么是账号授权和细粒度授权
什么是账号授权和细粒度授权 什么是账号授权 "IDaaS端的用户"与"应用端的账号"之间的绑定关系，即一个IDaaS用户，在不同的应用系统中有哪些应用账号，这是个1：n的关系。 账号授权就是确定用户可以通过相应的账号来访问特定的资源。赋予某个用户可以访问某个应用权限的过程是账号授随机part交换：细粒度识别的增强模型泛化和可解释性
摘要 学习用于细粒度识别的中级表征很容易被数量有限的区分度模式所控制，从而降低其鲁棒性和泛化能力。为此，我们提出了一种新的随机部分交换（SPS）方案来解决这个问题，对样本之间的部分特征进行元素交换，以在训练期间注入噪声。它具有类似于Dropout（什么是Dropout）的正则化效果，这促特征融合简介
特征融合的目的，是把从图像中提取的特征，合并成一个比输入特征更具有判别能力的特征。如何正确融合特征是一个难题。 在很多工作中，融合不同尺度的特征是提高分割性能的一个重要手段。低层特征分辨率更高，包含更多位置、细节信息，但是由于经过的卷积更少，其语义性更低，噪声更多。高层特征WWW2021：细粒度城市流量预测
城市流量预测在智慧城市建设中扮演着非常重要的角色，有利于城市交通管理以及保障公共安全。京东城市时空AI团队针对该方向，已提出一系列研究成果[1-9]。然而，目前工作多是围绕粗粒度的预测任务，而面向城市精细化管理需求，需要提供更细粒度的精准流量预测。 基于此，京东城市时空AI团队提Proj THUDBFuzz Paper Reading: Bran: Reduce Vulnerability Search Space in Large Open Source Repositor
Github https://machiry.github.io/files/bran.pdf Abstract P1: 软件复杂；发现潜在有bug区域有利；过去工作利用传统代码质量-复杂度衡量，最近用NN；最近NN方法没有利用代码仓库的语义 P2: 本文： 工具: BRAN 目的：减少具有潜在bug的搜索空间大小 方法：结合传统code metrics和细粒度代码仓Focal Self-attention for Local-Global Interactions in Vision Transformers论文阅读
Focal Self-attention for Local-Global Interactions in Vision Transformers论文阅读 介绍方法Focal self-attentionWindow-wise attentionSub-window pooling.Attention computation.Complexity analysisModel configuration 实验图像分类目标检测和实例分割语义分割与函数式编程--为什么要学习函数式编程？
函数式编程（Functional Programming,FP) 什么是函数式编程？ 通过纯函数来实现一些细粒度的函数，然后把这些细粒度的函数组合成功能更强大的函数，这一过程就是函数式编程，经典函数式编程库：lodash 函数式编程是编程范式之一，其它还有：面向过程编程、面积对象编程 函数式编程的思维方[2021-CVPR] Fine-grained Angular Contrastive Learning with Coarse Labels 论文简析
[2021-CVPR] Fine-grained Angular Contrastive Learning with Coarse Labels 论文简析 论文地址：https://arxiv.org/abs/2012.03515 代码地址：https://github.com/guybuk/ANCOR 首先通俗地介绍一下细粒度（fine-grained），细粒度分类是指在原来粗分类的基础上再对子类进行更细致的300万大奖：欢迎参加美团联合主办的全球AI挑战赛
2018年8月29日，由美团、创新工场、搜狗、美图联合主办的“AI Challenger 2018全球AI挑战赛”正式启动。美团CTO罗道峰、创新工场CEO李开复、搜狗CEO王小川和美图CEO吴欣鸿共同启动了本次大赛，盛况空前。据悉，本次大赛整体奖金规模超过300万人民币。 想报名的同学，点这里！ 本次大赛共投论文笔记：Towards Robust Fine-grained Recognition by Maximal Separation of Discriminative Features
Towards Robust Fine-grained Recognition by Maximal Separation of Discriminative Features 通过 区分特征的最大分离 实现鲁棒的细粒度识别 文章目录 Towards Robust Fine-grained Recognition by Maximal Separation of Discriminative Features摘要1 引言2 相关研究3第一天：CUDA C编程介绍
一、通用CPU和GPU的对比 二、CUDA 并行程序概念 Blockx：blocks of threads(线程集合) SM：Streaming Multiprocessors GPU with 2SMs：2核GPU GPU with 4SMs：4核GPU 针对Figure 3的解释如下： At its core are three key abstractions a hierarchy of thread groupsshared memorieLucene全文搜索之分词器：使用IK Analyzer中文分词器（修改IK Analyzer源码使其支持lucene5.5.x）
注意：基于lucene5.5.x版本一、简单介绍下IK AnalyzerIK Analyzer是linliangyi2007的作品，再此表示感谢，他的博客地址：http://linliangyi2007.iteye.com/IK Analyzer支持两种分词，一种是最细粒度分词（推荐使用，Ik默认采用最细粒度），还有一种的智能分词（测试了一下智能分词还没有lucene自带的分提供一个10分钟跑通AIChallenger细粒度用户评论情感分析的fastTextBaseline
上一篇《AI Challenger 2018 进行时》文尾我们提到 AI Challenger 官方已经在 GitHub 上提供了多个赛道的 Baseline: AI Challenger 2018 Baseline，其中文本挖掘相关的3个主赛道均有提供，非常适合用来学习：英中文本机器翻译的 baseline 就直接用了Google官方基于Tensorflow实现Transformer在细粒度分类上的应用
TransFG ：Transformer在细粒度分类上的应用 摘要1.引言2.相关工作==细粒度视觉分类== **==Transformer==**3.方法3.1作为特征提取的vision transformer3.2. TransFG Architecture区域选择模块3.2.2 对比特征学习 4.实验实验设置4.1 实验设计**实施细节**. 4.2 **定量分析**细粒度授权在安全领域的重要性
细粒度授权在安全领域的重要性 身份和访问管理（IAM）解决方案的授权方法各不相同，首选方法通常是基于角色的访问控制（RBAC）。它 涉及定义公司所需的角色，为每个角色指定权限，然后将用户与角色进行匹配。RBAC虽然逻辑上是合理的，但也有一些局限性。 首先，每当公司添加资源时，都必须为每个角色定细粒度授权在安全领域的重要性
细粒度授权在安全领域的重要性 身份和访问管理（IAM）解决方案的授权方法各不相同，首选方法通常是基于角色的访问控制（RBAC）。它 涉及定义公司所需的角色，为每个角色指定权限，然后将用户与角色进行匹配。RBAC虽然逻辑上是合理的，但也有一些局限性。 首先，每当公司添加资源时，都必须为每个角色定