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

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

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

DeleRace（deep-learning-based data race detection）：首先使用工具 WALA 从多个实际应用程序中中提取指令、方法和文件级别中多个代码特征，对其向量化 并构造训练样本数据；；然后通过ConRacer 工具对真实数据竞争进行判定进而标记样本数据，并采用SMOTE 增强算法使正负数据样本分布均衡化；最后** 构建 CNN-LSTM 的深度神经网络 **，加

这篇论文涉及的相关文献与术语非常多，主要是对自动驾驶AD和强化学习RL进行了归纳和总结，可以先看看思维导图这篇论文大概有什么内容，再细看自己感兴趣或了解的部分；反正我就看着挺痛苦，要学的东西也太多！！！！......