https://github.com/mintlify/writer

科研进展

• 2022.06.30『计算机视觉』LaserMix for Semi-Supervised LiDAR Semantic Segmentation
• 2022.07.03『自然语言处理』DailyTalk: Spoken Dialogue Dataset for Conversational Text-to-Speech
• 2022.07.01『自动驾驶』MMFN: Multi-Modal-Fusion-Net for End-to-End Driving
• 2022.06.30『强化学习』On the Learning and Learnablity of Quasimetrics

论文标题：LaserMix for Semi-Supervised LiDAR Semantic Segmentation

论文时间：30 Jun 2022

所属领域：计算机视觉

对应任务：LIDAR Semantic Segmentation，Semantic Segmentation，点云语义分割，语义分割

论文地址：https://arxiv.org/abs/2207.00026

代码实现：https://github.com/ldkong1205/LaserMix

论文作者：Lingdong Kong, Jiawei Ren, Liang Pan, Ziwei Liu

论文简介：Densely annotating LiDAR point clouds is costly, which restrains the scalability of fully-supervised learning methodshttps://blog.csdn.net/ShowMeAI/article/details/密集注释LiDAR点云的成本很高，这限制了完全监督学习方法的可扩展性。

论文时间：3 Jul 2022

所属领域：自然语言处理

对应任务：文本转语音

论文地址：https://arxiv.org/abs/2207.01063

代码实现：https://github.com/keonlee9420/DailyTalk

论文作者：Keon Lee, Kyumin Park, Daeyoung Kim

论文简介：We sampled, modified, and recorded 2, 541 dialogues from the open-domain dialogue dataset DailyDialog which are adequately long to represent context of each dialoguehttps://blog.csdn.net/ShowMeAI/article/details/我们从开放领域的对话数据集DailyDialog中抽取、修改并记录了2,541个对话，这些对话的长度足以代表每个对话的背景。

论文时间：1 Jul 2022

所属领域：自动驾驶

论文地址：https://arxiv.org/abs/2207.00186

代码实现：https://github.com/Kin-Zhang/mmfn

论文作者：Qingwen Zhang, Mingkai Tang, Ruoyu Geng, Feiyi Chen, Ren Xin, Lujia Wang

论文简介：Inspired by the fact that humans use diverse sensory organs to perceive the world, sensors with different modalities are deployed in end-to-end driving to obtain the global context of the 3D scenehttps://blog.csdn.net/ShowMeAI/article/details/受人类使用不同的感觉器官来感知世界这一事实的启发，不同模式的传感器被部署在端到端驾驶中，以获得3D场景的全局环境。

论文时间：30 Jun 2022

所属领域：强化学习

对应任务：Q-Learning

论文地址：https://arxiv.org/abs/2206.15478

代码实现：https://github.com/ssnl/poisson_quasimetric_embedding

论文作者：Tongzhou Wang, Phillip Isola

论文简介：In contrast, our proposed Poisson Quasimetric Embedding (PQE) is the first quasimetric learning formulation that both is learnable with gradient-based optimization and enjoys strong performance guaranteeshttps://blog.csdn.net/ShowMeAI/article/details/相比之下，我们提出的Poisson Quasimetric Embedding（PQE）是第一个既可以用基于梯度的优化学习，又享有强大性能保证的quasimetric学习表述。

论文摘要：我们的世界充满了不对称性。重力和风等因素可以使去一个地方比回来更容易。诸如家谱图和引文图这样的社会人工记录本身就是有方向性的。在强化学习和控制中，最佳目标到达策略很少是可逆的（对称的）。在这些不对称的结构上支持的距离函数被称为准计量。尽管它们经常出现，但对准度量学习的研究却很少。我们的理论分析显示，一类常见的学习算法，包括无约束的多层感知器（MLPs），被证明无法学习到与训练数据一致的类度量。相比之下，我们提出的Poisson Quasimetric Embedding（PQE）是第一个既可以用基于梯度的优化学习，又享有强大性能保证的类比学习表述。在随机图、社会图和离线Q-learning上的实验证明了它比许多普通基线的有效性。