- 博客(19)
- 问答 (2)
- 收藏
- 关注
RSS订阅原创 地表最用心！Vision Transformer（ViT）数据流解析（代码同步）
假设输入512x512x3的图片，通过分析每个部分的运行机制和图片形状尺寸的变化，结合对应代码，深度解析ViT的运行机制
2024-03-22 11:06:25
1021
原创 【Papers】利用无监督正则化进行半监督遥感图像分割
Deep Learning-Based Change Detection in Remote Sensing Images: A ReviewStacked Autoencoders Driven by Semi-Supervised Learning for Building Extraction from near Infrared Remote Sensing ImagerySemantic Segmentation of Remote Sensing Images With Sparse Annot
2023-08-04 16:25:35
90
原创 【Papers】利用伪标签进行半监督遥感图像分割
以上是关于利用伪标签进行半监督遥感图像分割的引用率较高的论文的前8篇。由于搜索结果限制，我将继续搜索以获取剩余的2篇论文。
2023-08-04 16:14:11
138
原创 交并比IoU、准确率PA、召回率Recall、精准率Precision、F1-Score详细解释
*召回率（Recall）**关注模型是否能找到某一特定类别的所有实例。**精确度（Precision）**关注模型预测某一特定类别的准确性。**平均精确度（mPrecision）**提供了一个关于模型整体精确性的概览。这些指标共同提供了评估模型性能的多角度视野，有助于全面理解模型的行为，并可以用于模型优化和调整。
2023-08-01 15:10:10
1138
原创 train.py 深度解读（训练参数解读）
train.py完成了语义分割模型的训练过程，支持分布式训练、混合精度训练、多卡同步BN等功能，可以根据需要灵活配置网络结构和训练参数。在训练过程中，会根据指定的训练阶段对模型的参数进行冻结和解冻，从而满足机器性能不足的情况下，逐步训练更复杂的模型。
2023-07-29 20:48:41
1107
原创 2023/06学习笔记
空间-降维注意力（Spatial-Reduction Attention，SRA）：空间-降维注意力是一种在金字塔视觉变换器（Pyramid Vision Transformer）架构中使用的多头注意力模块，它在注意力操作之前减少了键（K）和值（V）的空间尺度，从而减少了计算/内存开销【17†source】。通道注意力模块（Channel Attention Module）：通道注意力模块（CAM）则关注了特征的通道维度，通过对每个空间位置中的特征进行注意力加权，以增强对不同特征通道的区分能力。
2023-06-13 10:25:21
471
原创 2023/05学习笔记
在 Transformer 模型中，Q、K、V 分别代表 Query（查询）、Key（键）、Value（值）。这些是在 Transformer 的自注意力（Self-Attention）机制中使用的，这种机制允许模型对输入序列中的每个元素分配不同的注意力。在自注意力机制中，输入首先被映射成三个不同的向量：Query、Key 和 Value。这个映射通常是通过将输入向量与相应的权重矩阵进行点乘来实现的。假设我们的输入是一个矩阵 X，其维度为 (n, d)，其中 n 是序列长度，d 是输入向量的维度。
2023-05-17 22:44:24
561
1
原创 MLP代码实例
下面是一个简单的PyTorch代码示例，用于训练一个简单的多层感知器（MLP）对MNIST手写数字进行分类。这个示例包括详细的注释，解释了PyTorch的语法结构和编程范式。
2023-03-17 23:17:31
1145
1
原创 遥感可研究内容
遥感图像语义分割中的类别不平衡问题：该问题主要是指遥感图像中不同类别的数量不均衡，导致模型难以识别少数类别。可以通过样本平衡、类别加权等方法解决该问题。遥感图像语义分割中的时序性问题：该问题主要是指遥感图像中存在时间序列关系，需要对时序数据进行处理。遥感图像语义分割中的半监督学习方法：该方法利用有标签数据和无标签数据相结合的方法进行训练，可以在缺乏大量有标签数据时提高模型的性能。基于深度学习的遥感图像语义分割算法：包括使用卷积神经网络、循环神经网络、注意力机制等深度学习算法进行遥感图像的语义分割。
2023-03-11 12:31:14
112
原创 为什么说高分辨率图的存在使得空间上更加精准，低分辨率图的存在使得语义上更充分？
例如，一张低分辨率的卫星图像可以显示整个城市，而一张高分辨率的图像只能显示一个小的区域。因此，低分辨率图像在需要理解大范围场景的任务中，如城市规划、环境监测等方面，具有很高的应用价值。因此，高分辨率图像在需要高精度的任务中，如医学图像分析、卫星图像解译、工程设计等方面，具有很高的应用价值。这句话的意思是高分辨率图像更加精细，因为它们具有更多的像素，可以提供更多的细节信息。而低分辨率图像虽然可能不太清晰，但它们可以提供更广泛的语义信息，因为它们可以呈现更广泛的场景或对象。
2023-03-11 12:22:10
757
空空如也
def _init_(self, name)
2021-12-14
TA创建的收藏夹 TA关注的收藏夹
TA关注的人