ChatGPT提示词工程1 两种大型语言模型LLM1.1 基础大模型（base LLM）1.2 指令调优大模型(Instruction Tuned LLM)2 如何更清晰、具体地书写提示词2.1 在提示词中使用“定界符”2.2 向模型请求结构化的输出2.3 要求模型检查任务条件是否满足2.4 输入多范例提示2.5 总结3 给模型充足的思考时间3.1 指定完成任务所需的步骤3.2 让模型自己推理并制

1)建立了端到端深度网络模型M-B-LSTM，以解决了深度网络学习和预测流量随机性和分布不平衡过程中的不确定性和过拟合问题。2)实现了一种在线自学习概率分布映射网络，自动生成和均衡交通流量历史分布，提高了数据识别能力，减少了网络学习中的过拟合问题。3)将DBLSTM集成到M-B-LSTM网络中,减少了深度网络学习和预测交通流随机性的不确定性。4)本文对现有的交通流量预测算法进行了比较实验，比较结果

Object Location 对象定位 localization and detection利用神经网络解决对象分类和定位问题Classification with localizationDefining the target label y ！！！！非常重要Landmark detection 特征点检测Object Dtection 对象检测Turning FC layer into co

计算机视觉——目标检测常用数据集和性能指标介绍，包括VOC和COCO的简介和ap&MAP等指标的介绍

我们建立了一个用于航空图像中微小目标检测的数据集，其中图像的平均目标大小比现有的目标检测数据集要小得多。此外，我们提出了一种基于多中心点的学习网络（M-CenterNet）来提高微小目标检测的定位性能。

还有不全的会逐个添加

在本文中，我们提出了一种新的交通预测模型，在交通图卷积框架内结合交通网络的各种结构特征来建模时空相关性。 该模型能够将多种类型的权重或信息输入到单个图卷积网络中。在今后的工作中，我们计划在网络科学的基础上进一步评估交通网络的结构动力学。 节点中心性度量，如中间性和贴近中心性，可能比原始的结构信息更有助于增强模型的学习能力。未来的工作可能会扩展到交通领域的应用，如出租车需求预测和旅行时间估计。

YOLO9000是一个通过联合优化检测和分类来检测9000多个对象类别的实时框架。我们使用WordTree联合收割机来自不同来源的数据，并使用联合优化技术在ImageNet和COCO上同时进行训练。YOLO9000是缩小检测和分类之间数据集大小差距的有力一步

该模块首先以骨干网络的特征图作为输入, 通过 空间注意力机制得到具有空间注意力的一级特征;最后, 对 一级特征、二级特征、三级特征进行拼接融合, 并将融合后的特征输入至通道注意力机制中, 抑制无用通道 进一步增强特征.FCOS采用的逐像素预测的方式, 使之适用于目标密集分布时的检测问题(比如考场的目标检测等).，为了整合不同尺度的感兴趣细节信息, 受级联思想启发, 我们利用级联结构把空间注意力机制

1)建立了端到端深度网络模型M-B-LSTM，以解决了深度网络学习和预测流量随机性和分布不平衡过程中的不确定性和过拟合问题。2)实现了一种在线自学习概率分布映射网络，自动生成和均衡交通流量历史分布，提高了数据识别能力，减少了网络学习中的过拟合问题。3)将DBLSTM集成到M-B-LSTM网络中,减少了深度网络学习和预测交通流随机性的不确定性。4)本文对现有的交通流量预测算法进行了比较实验，比较结果