2.如果发生行为的那一秒并没能检测到对象（自己用的检测跟踪算法不是官方那个detectron2，而是自己的yolo+deepsort）那就只好删掉这个视频对应的东西。3.对视频每秒做行为标注时留神每秒一张截图是否有包含动作发生的过程，比如动作发生太短，那也就只好pass了吧。提到行为的标注是按照每秒来的，而不是每帧来的，在ava_help里也是有设置一个秒的范围。之前有试过一个小型数据集按照每帧来

摘要多模态表示学习旨在缩小不同模态之间的异质性差距，利用普遍存在的多模态数据。基于深度学习的多模态表示学习具有强大的多层次抽象表示能力。为了便于关于如何缩小异质性差距的讨论，根据不同模式集成的底层结构，本综述将深度多模态表示学习方法分为三个框架：联合表示、协调表示和编码器-解码器。此外，还回顾了这一领域的一些典型模型。本文强调了新技术的关键问题，如编码解码器模型、生成对抗网络和多模态表示学习的注意

策略损失（Surrogate Loss）用于确保策略更新稳定，避免过度调整。价值函数损失（Value Function Loss）用于保证策略对未来回报的准确估计。熵损失（Entropy Loss）用于保持策略的探索性，避免陷入局部最优解。最终的loss是这三个损失的组合，代表了在每次更新中我们希望优化的目标。是一个用于导出基于 LSTM 的强化学习策略模型的工具类。它将包含 LSTM 的策略模型

瓶颈设计的思想是引入一个瓶颈层，它由一系列不同大小的滤波器组成，通常是1x1、3x3和1x1的卷积层序列。这个序列首先用1x1的卷积核进行降维，然后使用3x3的卷积核进行特征提取，最后再用1x1的卷积核进行升维。在深度学习中，“bottleneck”（瓶颈）指的是一种网络模块或设计，主要用于减少计算量和参数数量，从而提高模型的性能和效率。瓶颈设计的名称"bottleneck"（瓶颈）来自于它的结构

env_cfgasset:angular_damping: 0.1 # 表示物体的角阻尼，值为0.1，表示角速度减慢较慢apply_humanoid_jacobian: true # 使用类人机器人雅可比矩阵进行运动学求解collapse_fixed_joints: false # 不合并固定关节default_dof_drive_mode: 3 # 自由度驱动模式为3disable_actuat

2020，IEEE摘要主要是解决采集图像麻烦，可以让志愿者随便刷一下就采集，而不是等上还几秒（视频截帧）传统方法：1.基于几何（最大曲率，基于像素细节纹理）2.流形学习（PCA）（但是还没说用啥数据呢，对啥降维？）3.基于统计（LBP等直方图）4.基于局部不变（SIFT）5.深度学习指标：正确识别率CIR方法：CNN提取特征，然后用LSTM考察图像帧之间关系（但是CNN输出的顺序也就是一开始输入的

2021引言指静脉识别有两种测试模式，一种是识别训练类别的新样本，称为闭集测试（即测试样本属于已知类）。另一种是在未训练类别注册后识别新样本，称为开放集测试（注册是啥意思，还得重新训练学习新类吗？）。开集测试更符合实际应用的要求，对闭集测试的类别进行了训练，因此识别更容易。相比之下，开集测试则比较困难。【1】基于匹配的深度学习基于多分类器的大多只集中于闭集测试。例如，使用卷积网络或自动编码器网络从

定义是指给一个实体分配内存空间，以便在程序中使用。在C++和Python中，这个实体可以是变量、函数或类。在C++中，定义通常是在声明之后实现实体的内容。例如// 定义整数变量x int x;// 定义函数add，计算两个整数的和 int add(int a , int b) {# 定义整数变量x x = 10 # 定义函数add，计算两个整数的和 def add(a , b) : return