汇总一下这个月看的论文（在之前的博客每篇都有笔记）(外)深度学习定位真实故障的有效性研究。基于改进模拟退火算法的推动式生产-配送协调优化_胡卉(2022运筹与管理)基于深度强化学习的网约车动态路径规划_郑渤龙(2022计算机研究与发展)综述—基于深度学习的语言模型研究进展_王乃钰(2021软件学报)(2022硕士毕业论文)大规模车辆路径问题的深度强化学习算法研究。综述—自然语言处理中的文本表示研究

在这项工作中，我们提出了一个基于深度学习的海洋应用环境感知的管道，证明了使用cnn来检测拥挤港口地区的物体的可能性。我们采用了点柱架构来预测二维而不是3D边界盒。使用相同的数据集，自适应的CNN在模拟中获得了更高的AP（65.4%）。我们还对有关德国罗斯托克港的真实数据集进行了评估。在这里，一艘载有16层激光雷达的USV进入了拥挤的港口，船上有几艘停车场船和一艘正在移动的橡皮艇作为动态参考目标。当

在本文中，我们提出了一个多路径DP模型来解决路径规划问题，并证明了它能够在仅使用有限信息作为输入的情况下，找到能够以最短行程时间规划车辆路径的最优策略。我们可以对所提出的方法得出一些结论。首先，通过在奖励函数中引入距离贡献指数DC I，我们的方法确保了代理可以选择更好的动作，并避免不必要的迂回。第二，我们的方法不仅生成最优路径，而且生成每个交叉口的驾驶策略。这项政策可以为车辆的最佳路线提供几个可比

本文研究了信息传播预测问题，提出了一种基于时空Ｔｒａｎｓｆｏｒｍｅｒ神经网络的模型ＳＴＴ来预测传播过程．在ＳＴＴ模型中，我们通过由社交图和动态传播图组成的动态异构图来学习用户的结构特征，然后利用Ｔｒａｎｓｆｏｒｍｅｒ模型将用户的时序特征和结构特征相结合来学习用户的时空特征，并设计了一个新的残差融合方式来进一步改善融合效果．在３个数据集上的实验结果表明，我们提出的模型ＳＴＴ显著优于基线模型．未来我们

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。

上面提到的图是静态的，观察时节点之间的连接是固定的。这些类型的演化图可以表示为动态图，其中每个节点或边都与时间戳关联。GAE：encoder用GCN替换，得出的特征矩阵Z，decoder替换成Z的转置，通过转置生成的图与原图比较得出最小化结构性误差，通过最小损失函数可以得出GCN的参数。f（）求的就是节点i和相邻节点的attention系数，再求g（）得出的该节点的特征，再归一化就是下一层的特征表

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

本文通过考虑深度在特征提取和泛化中的作用，研究了深度网络的理论优势。主要贡献是四折。首先，在相同的容量成本下 (通过覆盖数量)，我们证明了深网在提取组结构特征方面优于浅网。其次，我们证明了深remu网是提取平滑度特征的最佳工具之一。第三，我们严格证明了特征对深度和反之的适应性，从而得出了在深度网络上实现经验风险最小化的最佳学习率。最后，我们进行了广泛的数值实验，包括玩具模拟和真实数据验证，以显示深

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

在这项工作中，我们将一致性定义为在学习过程中新信息和学习知识之间的一致性。我们提出了一种方向集中学习（DCL）方法来考虑学习过程中的一致性来寻找局部最小值。我们研究了显著性预测、持续学习和分类三个任务的一致性。所提出的DCL方法通常提高了这三个任务的性能。更重要的是，我们的分析表明，所提出的DCL方法改善了灾难性遗忘。