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
Fine-grained Detection —— JP-MT、WS-DAN（2022.02.25） 1. JP-MT1.1. Progressive Training1.2. Jigsaw Puzzle Generator1.3. My Thinking1.3.1. PT部分1.3.2. JPG部分1.4. My Summary 2. WS-DAN2.1. Weakly Supervised Attention Learning2.2. Attention-Guided Data Au
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
一、Related work介绍 最近的研究多集中于在基于retrieval的多轮对话系统中，当一个包含多轮对话的上下文被提供时，系统应该如何选择最合适的响应，如使用BERT对上下文序列进行编码，产生一个dense vector，然后把这个vector同一组可选响应的矩阵进行相乘，比较它们的相关
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
Feature Boosting, Suppression, and Diversification for Fine-Grained Visual Classification 论文阅读1.问题动机2.解决思路2.1FBSM2.2FDM 论文复现1.环境2.运行程序2.1Resnet50主干2.2Densenet161主干 3.训练得到的精度与论文里的比较 这是一篇2021年放在arxiv
[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
基于核图注意力网络的细粒度事实验证 0. Abstract 事实验证需要细粒度的自然语言推理能力，这种能力可以找到敏感的线索来识别语法和语义正确但没有很好支持的声明。提出了核图注意力网络( Kernel Graph Attention Network，KGAT )，该网络通过基于核注意力进行更细粒度的事实验证
论文地址：https://www.aclweb.org/anthology/P19-1430.pdf 代码地址：https://github.com/ thunlp/Chinese_NRE Abstract 中文关系抽取是利用基于字符或基于单词输入的神经网络进行的，现有的方法大多存在切分错误和多义歧义。针对这一问题，本文提出了一种基于多粒度multi-grained语言信
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
Towards Enhancing Fine-grained Details for Image Matting 论文链接：https://arxiv.org/pdf/2101.09095.pdf 发表出处：被WACV 2021接收 1.背景 （1）深度自然图像抠图技术通过提取高级别contextual features到模型中得到了快速发展。然而，大多数目前的方法仍然难以处理微
Fine-Grained Visual Classification via Progressive Multi-Granularity Training of Jigsaw Patches abstract 细粒度可视分类(FGVC)比传统分类任务更具挑战性，因为类内对象的内在微妙变化。最近的研究主要集中在如何定位最具区别性的部分、更互补的部分以及不同粒度（g
代码 https://github.com/yangze0930/NTS-Net Learning to Navigate for Fine-grained Classification Abstract细粒度分类由于难以找到有区分度的特征而具有很大的挑战性。要找到这些微妙的特征来完全描述物体并不是一件简单的事。针对这种情况，我们提出了一种新的自我监督
引言 本篇文章是使用DCL模型进行细粒度的图像识别.整个流程大致如下: 首先将输入图片输入到RCM(Region Confusion Mechanism)模块中均匀的划分成小块并随机打乱.作用是迫使主干分类网络去从有效的判别性区域中学习,因为细粒度识别最重要的就是区域性特征. 其次,由于打乱原图像会
