1 什么是大模型幻觉？ 大模型不遵循原文（一致性，Faithfulness，是否遵循input content）或者不符合事实（事实性，Factualness，是否遵循世界知识），可以认为模型产生了幻觉问题 传统任务里，幻觉大多都是一致性问题，即LMs在生成回复的时候和输入信息产生了冲突，比如信息冲突、无中生有 在LLMs里，幻觉大多是Factua…

1. 什么是大语言模型？ 大模型：一般指1亿参数以上的模型，大语言模型（LLMs）是针对语言的大模型 大模型有以下特点： 大规模参数 多任务处理能力：其在多种语言任务上有很好的性能。比如说文本摘要、情感分析、机器翻译等，因其已经在大规模数据集上学习到了语言模式和规律。 上下文推理：LLMs可以根据上下文生成有逻辑和连贯的回应，可以对话或者创作。可以…

论文链接：Open-Vocabulary Camouflaged Object Segmentation 1 introduction 现在的伪装目标检测主要集中在预定义的封闭集场景上，其中所有的语义概念都在推理和训练阶段被看到，但是这过度简化了真实世界的复杂性，因此，作者提出了一个新的方向，开放词汇环境下的伪装目标检测，Open-Vocabula…

论文地址：Frequency-aware Feature Fusion for Dense Image Prediction 1 introduction 先说论文中几个名词： intra-category & inter-category similarity：会计算给定图片每个类的一个category center，就是某个类所有fea…

论文链接：Strategic Preys Make Acute Predators: Enhancing Camouflaged Object Detectors by Generating Camouflaged Objects 1 Introduction 本文以捕食者和被捕食者相互竞争的角度去提升COD任务的检测效果。首先在被捕食者方，使用了…

论文链接：ShapeConv: Shape-aware Convolutional Layer  for Indoor RGB-D Semantic Segmentation 1 Why ShapeConv for RGB-D tasks 深度图包含物体的基础形状（局部信息，local geometry）和物体的位置（全局信息，在更大的contex…

论文地址：Spider: A Unified Framework for Context-dependent Concept Segmentation 1 Introduction 首先说一下Context Dependent(CD)和Context Independent(CI) 在自然语言处理中，上下文无关概念是指那些在不同上下文中其含义基本不…

1 Introduction 现在的SOD和COD方法，都是为特定任务训练的模型，比如说深度图、热力图等，这个模型只适用于某种特定的数据集，这种方式不利与泛化，这个模型只能处理单一模式的数据，如果给别的类型的数据，则无法处理。并且，作者发现，不同的任务、不同模态的数据会共享一些相同点，并且有一些独特的线索，只要把这些共同点和独特的线索表示出来，就可…

1 基础变量类型 1.1 基础变量类型 1.2 FString, FName, FText三者的区别以及相互转化 FString: 类似于C的String，可以修改 FName：更倾向于一个名称，是不可更改的，引擎中的资源名称都是这个类型 FText：在于显示和本地化，本地化就是多种语言的处理 2 容器 2.1 TArray 定义：TArray&l…

1 UE C++项目 1.1 Target.cs和Build.cs .build.cs文件：用来编译每个模块并处理相关依赖的 .Target.cs：为目的平台所进行的设置。 Unreal Head Tool（UHT）：用来收集头文件，编译反射数据，存储在generator.h。 1.2 各个头文件的含义 #pragma once: 保护头文件只会被…