4.2 语义场景标注的点集分割 为了验证我们的方法适用于大规模点云分析，我们还评估了语义场景标记 任务。 目标是预测室内扫描中点的语义对象标签。 [5]在体素扫描上使用 完全卷积神经网络提供基线。 它们纯粹依赖于扫描几何体而不是 RGB 信 息，并以每个体素为基础报告精度。 为了进行公平的比较，我们在所有 实验中删除了 RGB 信息，并在[5]之后将点云标签预测转换为体素标签。 我们还与[20]进行了比较。 在图 5（蓝色条）中以每个体素为基础报告准 确度。 我们的方法大大优于所有基线方法。 与在体素扫描中学习的[5]相比，我 们直接学习点云以避免额外的量化误差，并进行数据相关采样以允许更有 效的学习。 与[20]相比，我们的方法引入了分层特征学习并捕获不同尺度 的几何特征。 这对于理解多个级别的场景和标记各种大小的对象非常重 要。 我们将示例场景标记结果可视化为图 6。

Attention is all you need 摘要 主要的序列转换模型基于复杂的递归或卷积神经网络，包括编码器和解码器。性能最好的模型还通过注意力机制连接编码器和解码器。我们提出了一种新的简单的网络体系结构Transformer，它完全基于注意力机制，完全不需要重复和卷积。在两个机器翻译任务上的实验表明，这些模型在质量上更优越，同时更具并行性，需要的训练时间明显减少。我们的模型在2014年WMT英德翻译任务中达到28.4 BLEU，比现有的最佳结果(包括集成部分)提高了2个BLEU以上。在WMT 2014英法翻译任务中，我们的模型在8个GPU上训练3.5天后，建立了一个新的单模型最新的B

资料包括： 十篇美赛中英对照论文（用于学习论文排版和写作套路） 美赛latex和word模板 查取数据的网站（非常全） 美赛获奖论文7篇 附赠2016年国赛推荐国家奖论文

七月在线 DL 论文翻译组译文 2017.3

Google大数据三篇经典论文翻译。 Google-File-System Google-MapReduce Google-Bigtable

绝对经典的美赛特等奖论文中英文翻译14篇（由中科院博士翻译，写作手可以从中学习美赛写作的套路与技巧）

目标检测经典论文R-CNN最新版本(V5)论文原文及中文翻译

Lamport Paxos 的这两篇论文真的很难懂，小编也是竭尽全力的推敲每一句话的意思，尽量的将Lamport的意思完整的呈现出来。希望大家支持一下。两篇论文大概码了3万多字，每一个公式都是手敲的… 为什么会研究Paxos？最近使用RockerMQ，发现其Broker的主从没有实现自动选主及同步，所以小编想从底层学习下RocketMQ，然后自己尝试去实现这一块。 当然这很难，也是一个挑战。 先从Paxos论文入手，后续再研究zab。 只有学会自己造轮子，才能学的更多！~

机械类专业毕业设计中外文文献翻译，译文与原文均有，专业人员翻译

该资源为论文原文和我自己翻译的alexnet论文。 AlexNet是2012年ImageNet竞赛冠军获得者Hinton和他的学生Alex Krizhevsky设计的。也是在那年之后，更多的更深的神经网络被提出，比如优秀的vgg,GoogLeNet。 这对于传统的机器学习分类算法而言，已经相当的出色。