声事件定位与检测（Sound Event Localization and Detection，SELD）是一项融合声音事件检测（SED）与到达方向（DOA）估计的综合任务，其目标是在时间维度上判断“发生了什么声音”，并在空间维度上估计“声音来自哪里”。由于同时涉及声学建模、时序建模与空间信息推断，SELD 被认为是机器听觉中难度较高、同时也更贴近真实应用需求的研究方向，在机器人感知、智能监控、沉

插件安装介绍注意：请确保Node在PATH环境变量中。您也可以通过设定 leetcode.nodePath 选项来指定 Node.js 可执行文件的路径。

原文出自 时序人；#TSer**#**时间序列图神经网络是一种结合了图神经网络和时间序列分析的方法，用于对动态系统中的数据进行建模和预测。与传统的时间序列模型不同，图神经网络可以有效地捕捉时间序列数据中的时序信息和模式，并进行预测和分类。作为一种新兴的研究领域，时间序列GNN具有广泛的应用前景，它可以应用于各种实际问题，如股票价格预测、交通流量预测、健康状况预测等，通过有效地捕捉时间序列数据中的时

神经网络中的kernel（内核）与filter （滤波器）的概念kernel:内核是一个2维矩阵，长 × 宽；filter：滤波器是一个三维立方体，长× 宽 × 深度， 其中深度便是由 多少张内核构成； 可以说kernel 是filter 的基本元素， 多张kernel 组成一个filter;kernel与 filter 的关联？Q1： 那么， 一个filter 中应该包含多少张 kernel 呢

如果是神经网络模型调试， 尝试将batch -size=1 ;pycharm 中， file–>settings -->Build, —> pythonDebugger—> Gevent compatible.

关于公平性，因果方法，如因果干预[17]，可以通过将GNNs暴露于事实和反事实图中，减轻节点敏感属性的偏见。通过捕获局部特征和全局图结构信息，GNNs在低维表示中保留了丰富的知识，极大地促进了一系列下游应用，例如生物信息学[2]、推荐系统[3]、知识表示[4]、[5]、人才分析[6]、城市计算[7]、[8]、[9]等。从图数据中指定感兴趣的因果变量，根据某些领域知识阐明这些变量之间的因果关系，并选

该文提出了一种低复杂度的GNN增强AMP算法AMP-GNN，用于多输入多输出（MIMO）检测。GNN 模块解决了 AMP 探测器中多用户干扰消除的高斯近似不准确的问题。结果显示，与传统的AMP检测器相比，性能有了显著的提高。通过展开AMP算法的迭代去噪过程，建立了AMP-Net深度展开模型。该模型集成了去阻塞模块，以消除视觉图像压缩传感中的阻塞伪影。采样矩阵与其他网络参数联合训练，增强重建性能。有

Graph Neural Networks 简称 GNN，称为图神经网络，是深度学习中近年来一个比较受关注的领域。近年来 GNN 在学术界受到的关注越来越多，与之相关的论文数量呈上升趋势，GNN 通过对信息的传递，转换和聚合实现特征的提取，类似于传统的 CNN，只是 CNN 只能处理规则的输入，如图片等输入的高、宽和通道数都是固定的，而 GNN 可以处理不规则的输入，如点云等。可查看【GNN】万字

学习目标：了解深度学习在内窥镜图像上的研究。学习内容：深度学习在内窥镜图像研究：比赛推荐，https://endovis.grand-challenge.org/https://github.com/JunMa11/MICCAI-OpenSourcePapers工业界：将深度学习用于处理内窥镜图像的公司：https://www.magentiq.com/copy-of-products内窥镜实时A

总结——当前的不确定性量化方法在现实世界中的应用效果如何？尽管过去几年神经网络在不确定性量化方面取得了许多进展，但它们在实际任务和安全关键应用中的采用仍然有限。造成这种情况的原因有很多，下面一一讨论：缺少对现实世界问题现有方法的验证：尽管 DNN 已成为解决众多计算机视觉和医学图像处理任务的事实标准，大多数现有模型还是无法适当量化其推论所固有的不确定性，特别是在实际应用中。