- 博客(8)
- 问答 (3)
- 收藏
- 关注
RSS订阅翻译 Photon-Vegetation Interactions_Chapter 1 Introduction
Chapter 1 Introduction植被冠层光合作用、生产力和生长的数学建模作为生物地球物理学的一个独立分支，最早可以追溯到1953年Monsi和Saeki发表的有关光合有效辐射（PAR photosynthetically active radiation）与植物冠层光合作用的经典作品。在1960年至1980年期间，观测技术的改进和新的实验数据使得对植被冠层辐射环境更复杂模型的需求日益迫切。1975年，Ross发表了著作《植物冠层辐射环境与结构》（俄文版 The Radiation Regim
2023-11-29 09:55:48
59
1
翻译 弱监督语义分割 OME
摘要 - 遥感图像的语义分割对于大规模土地覆盖制图非常有效，但这需要大量的训练数据以进行繁重的像素级标注。由于图像级别标签容易获取，因此基于它们的弱监督语义分割（WSSS）引起了广泛关注。然而，现有的遥感图像的图像级别WSSS方法主要侧重于二进制分割，难以应用于多类别情景。本研究提出了一种综合框架，用于遥感图像的多类别图像级别WSSS，包括适当的图像级别标签生成、高质量的像素级伪掩模生成以及分割网络的迭代训练。具体而言，提出了一种训练样本筛选方法，以及一种数据集共现评估指标，以展示适当的图像级别训练样本。
2023-11-07 20:34:55
170
翻译 弱监督语义分割 SEAM
图像级弱监督语义分割是一个具有挑战性的问题，已在重新深入研究分年。大多数先进的解决方案利用类激活化地图（CAM）。然而，CAM 很难充当由于充分监督和弱监督之间的差距而造成的对象掩模西翁。在本文中，我们提出了一种自我监督的等变注意力机制（SEAM）发现额外的监督并缩小差距。我们的方法基于观察到等变性是一个隐含的约束完全监督的语义分割，其像素级标签采用与输入图像相同的空间变换数据增强期间的年龄。然而，这个约束在经过图像级监督训练的 CAM 上丢失了。
2023-11-05 11:24:10
308
1
翻译 Environment-sensitivity functions for gross primary productivity in light use efficiency models
光合作用对环境变化的敏感性对于理解碳循环对全球气候变化的响应以及发展能够解释其时空可变性的建模方法至关重要。我们收集了大量已发表的总初级生产力（GPP）对不同强迫变量的敏感函数，以评估GPP对环境因素的响应。这些包括GPP对温度、蒸汽压缩差异，其中一些包括大气CO2浓度的响应；土壤水分可利用性（W）；光照强度和多云程度等。这些函数被组合在一个 全因数 光能利用率（LUE）模型结构中，形成了5600个不同LUE模型的集合。
2023-11-05 09:53:18
128
1
翻译 弱监督语义分割 IRNet
本文提出了一种使用图像级别类别标签作为监督的实例分割的新方法。我们的方法生成训练图像的伪实例分割标签，然后使用这些标签来训练一个完全监督的模型。为了生成伪标签，我们首先从图像分类模型的注意力图中识别出物体类别的自信种子区域，并将它们传播以发现具有准确边界的整个实例区域。为此，我们提出了IRNet，它估计了各个实例的粗略区域并检测了不同物体类别之间的边界。这使得可以为这些种子分配实例标签，并在边界内传播它们，以便可以准确估计整个实例的区域。
2023-11-02 14:48:08
412
原创 c++桥接模式
要求：[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-MbKrXAKW-1619659375902)(C:\Users\frankyan\AppData\Roaming\Typora\typora-user-images\image-20210429090854308.png)]Output is:[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-ShkBHuXO-1619659375905)(C:\Users\frankyan\AppData
2021-04-29 09:25:44
308
1
原创 OpenCV入门
读图、展示和保存新图import cv2image = cv2.imread('000.jpg')print(f"width:{image.shape[1]} pixels")print(f"height:{image.shape[0]} pixels")print(f"channels:{image.shape[2]} pixels")cv2.imshow("Image", image)cv2.waitKey(0) # 数字0表示按任意键0毫秒后执行cv2.imwrite("ne
2021-04-17 10:48:02
303
5
原创 PyTorch基础（from《深度学习入门之PyTorch》）
张量对应关系number -> scalar, array -> vector, 2d-array -> matrix分别需要0, 1, 2个索引a = [1, 2, 3, 4]a[2]张量理解成多维数组 nd-array -> nd-tensor 但是n维张量≠n个分量例如一个三维张量可以有多于三个分量dd = [[1, 2, 3],[4, 5, 6],[7, 8, 9]]秩、轴和形状张量的秩是指张量的维数（轴数）print(dd[0])[1,
2021-04-14 20:36:22
320
7
空空如也
idea 添加spring框架
2022-07-10
IDEA添加spring框架
2022-07-10
TA创建的收藏夹 TA关注的收藏夹
TA关注的人