<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[absence521的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/absence521</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; absence521]]></copyright><item><title><![CDATA[【自用：github上传代码到个人仓库】]]></title><link>https://blog.youkuaiyun.com/absence521/article/details/145927353</link><guid>https://blog.youkuaiyun.com/absence521/article/details/145927353</guid><author>absence521</author><pubDate>Fri, 28 Feb 2025 14:16:02 +0800</pubDate><description><![CDATA[默认情况下，GitHub 仓库的主分支名称是 “master”，但为了更加包容和尊重的命名，GitHub 已经将默认分支更改为 “main”。在下面加入这两行代码，用户名和邮箱是自己的github账号的。]]></description><category></category></item><item><title><![CDATA[pycharm教育版使用]]></title><link>https://blog.youkuaiyun.com/absence521/article/details/145828862</link><guid>https://blog.youkuaiyun.com/absence521/article/details/145828862</guid><author>absence521</author><pubDate>Mon, 24 Feb 2025 14:50:29 +0800</pubDate><description><![CDATA[记录一下 好帖dd。]]></description><category></category></item><item><title><![CDATA[latex学习记录]]></title><link>https://blog.youkuaiyun.com/absence521/article/details/144959729</link><guid>https://blog.youkuaiyun.com/absence521/article/details/144959729</guid><author>absence521</author><pubDate>Mon, 06 Jan 2025 12:19:39 +0800</pubDate><description><![CDATA[水了一篇小论文 中不中倒是不重要了 主要是学习一下overleaf的使用 半个月的时间 差不多了解了overleaf写论文的一般思路 在此记录一下。我是在word自己安装的mathtype插件中打出公式 然后设置复制粘贴的格式是latex格式，就可以直接粘贴了。区别就是width的设置 ，上面的设置是单列的图片；设置[width=\textwidth] 是占据论文两列。官网上下载模板的压缩包 直接在overleaf导入模板就可以了。4.\item 创新点等那个点点。首先是tex文档后面加入。]]></description><category></category></item><item><title><![CDATA[大模型之SAM-Adapter系列《SAM Fails to Segment Anything?-SAM-Adapter:Adapting SAM in Underperformed Scenes》]]></title><link>https://blog.youkuaiyun.com/absence521/article/details/144171676</link><guid>https://blog.youkuaiyun.com/absence521/article/details/144171676</guid><author>absence521</author><pubDate>Sun, 01 Dec 2024 17:26:21 +0800</pubDate><description><![CDATA[*大型模型（也称为基础模型）的出现为 AI 研究带来了重大进步。Segment Anything (SAM) 就是这样一种模型，它是为图像分割任务而设计的。然而，与其他基础模型一样，我们的实验结果表明，SAM 在某些分割任务中可能会失败或表现不佳，例如阴影检测和伪装物体检测（隐藏物体检测）。这项研究首先为将大型预训练图像分割模型 SAM 应用于这些下游任务铺平了道路，即使在 SAM 表现不佳的情况下也是如此。]]></description><category></category></item><item><title><![CDATA[LoRA微调原理 代码实践]]></title><link>https://blog.youkuaiyun.com/absence521/article/details/144151243</link><guid>https://blog.youkuaiyun.com/absence521/article/details/144151243</guid><author>absence521</author><pubDate>Sat, 30 Nov 2024 10:54:50 +0800</pubDate><description><![CDATA[为此，Sebastian 专门写了一篇博客《Code LoRA From Scratch》，从头开始构建 LoRA，在他看来，这是一种很好的学习方法。其中，in_dim 是想要使用 LoRA 修改的层的输入维度，与此对应的 out_dim 是层的输出维度。值得一提的是，LoRA 发挥作用的地方通常是神经网络的线性（前馈）层。LoRA 与传统微调方法的对比结果显示，使用 LoRA 方法在测试准确率上达到了 92.39%，这与仅微调模型最后几层相比（86.22% 的测试准确率）显示了更好的性能。]]></description><category></category></item><item><title><![CDATA[大模型微调论文阅读 LoRA：LOW-RANK ADAPTION OF LARGE LANGUAGE MODELS 大型语言模型的低秩自适应]]></title><link>https://blog.youkuaiyun.com/absence521/article/details/144113874</link><guid>https://blog.youkuaiyun.com/absence521/article/details/144113874</guid><author>absence521</author><pubDate>Thu, 28 Nov 2024 17:22:15 +0800</pubDate><description><![CDATA[自然语言处理的一个重要范例是对通用领域数据进行大规模预训练，并适应特定任务或领域。随着我们对更大的模型进行预训练，完全微调（重新训练所有模型参数）变得不太可行。以 GPT-3 175B 为例 - 部署经过微调的模型的独立实例（每个实例具有 175B 个参数）的成本过高。我们提出了低秩自适应（LoRA），它冻结了预训练的模型权重，并将可训练的秩分解矩阵注入 Transformer 架构的每一层，大大减少了下游任务的可训练参数数量。]]></description><category></category></item><item><title><![CDATA[拯救者r9000p网卡失灵]]></title><link>https://blog.youkuaiyun.com/absence521/article/details/143768518</link><guid>https://blog.youkuaiyun.com/absence521/article/details/143768518</guid><author>absence521</author><pubDate>Thu, 14 Nov 2024 13:21:00 +0800</pubDate><description><![CDATA[【联想知识库】您好，请访问 https://iknow.lenovo.com.cn/detail/201582，查看详细的解决方案。]]></description><category></category></item><item><title><![CDATA[Windows如何在本地可视化远程服务器上的tensorboard]]></title><link>https://blog.youkuaiyun.com/absence521/article/details/142899982</link><guid>https://blog.youkuaiyun.com/absence521/article/details/142899982</guid><author>absence521</author><pubDate>Sun, 13 Oct 2024 16:34:28 +0800</pubDate><description><![CDATA[MobaXterm (或 XShell 等可以提供建立 ssh 隧道服务的终端软件)服务器上的 tensorboard本地的浏览器(最好是 tensorboard 兼容的 Chrome 或 Firefox)**]]></description><category></category></item><item><title><![CDATA[目标检测论文阅读之Spider：开启图像统一分割新范式]]></title><link>https://blog.youkuaiyun.com/absence521/article/details/142304911</link><guid>https://blog.youkuaiyun.com/absence521/article/details/142304911</guid><author>absence521</author><pubDate>Mon, 16 Sep 2024 18:01:36 +0800</pubDate><description><![CDATA[论文：Spider：A Unified Framework for Context-dependent Concept Segmentation。]]></description><category></category></item><item><title><![CDATA[Conda新建虚拟环境，安装包一直失败：000和404错误]]></title><link>https://blog.youkuaiyun.com/absence521/article/details/142131628</link><guid>https://blog.youkuaiyun.com/absence521/article/details/142131628</guid><author>absence521</author><pubDate>Wed, 11 Sep 2024 10:10:50 +0800</pubDate><description><![CDATA[第七步：重新输入conda create -n pytorch python=3.8创建自己的环境，提示成功！第一步：通过命令conda config --show channels查看已有的镜像源地址。最终找到了统一的应对方式：通过vim  ~/.condarc 命令编辑condarc文件。第五步：保存并退出Vim：按 Esc键确保处于命令模式，输入:wq，然后按Enter键。第二步：通过vim  ~/.condarc 命令编辑condarc文件。第三步：清空condarc，我的是空的，就忽略这一步。]]></description><category></category></item><item><title><![CDATA[【昇腾AI创新大赛集训营南京站学习笔记】-Ascend算子开发课程]]></title><link>https://blog.youkuaiyun.com/absence521/article/details/140638407</link><guid>https://blog.youkuaiyun.com/absence521/article/details/140638407</guid><author>absence521</author><pubDate>Tue, 23 Jul 2024 15:56:59 +0800</pubDate><description><![CDATA[Device负责指定计算运行的真实设备，包含aclrtSetDevice、arlrtResetDevice、aclrtGetDevice、aclrtGetRunMode等众多运行时接口用于进行device管理。执行加队列是因为，Enque本身是堵塞的，有一个Enque完成，vector才能启动。计算并行流动起来，实行流水任务，矢量编程任务间通信和同步，矢量中任务间通信与同步。1）计算类：矩阵计算单元（两个矩阵扔进去相乘）、向量计算单元、标量计算单元。c++，申请之后就要释放，（比如app越用越卡，爆了）]]></description><category></category></item><item><title><![CDATA[mmdetection中的Spatial-Transform-Decoupling项目部署，debug记录]]></title><link>https://blog.youkuaiyun.com/absence521/article/details/140278096</link><guid>https://blog.youkuaiyun.com/absence521/article/details/140278096</guid><author>absence521</author><pubDate>Mon, 08 Jul 2024 20:53:40 +0800</pubDate><description><![CDATA[安装conda，在root/anaconda/bin。在这之前，因为是新的服务器，很多包没有安装。按ESC 按：wq 删除是Delete。]]></description><category></category></item><item><title><![CDATA[深度学习之半监督学习：一文梳理目标检测中的半监督学习策略]]></title><link>https://blog.youkuaiyun.com/absence521/article/details/140126399</link><guid>https://blog.youkuaiyun.com/absence521/article/details/140126399</guid><author>absence521</author><pubDate>Tue, 02 Jul 2024 15:51:11 +0800</pubDate><description><![CDATA[传统机器学习根据训练数据集中的标注情况，有着不同的场景，主要包括：监督学习、弱监督学习、弱半监督学习、半监督学习。由于目标检测任务的特殊性，在介绍半监督目标检测方法之前，我们查看一下目标检测在四个方向上的具体设定：有监督目标检测：拥有大规模带标签的数据，包括完整的实例级别的标注，即包含坐标和类别信息弱监督目标检测：数据集中的标注仅包含类别信息，不包含坐标信息弱半监督目标检测：数据集中拥有部分实例级别的标注，大量弱标注数据，模型希望利用大规模的弱标注数据提升模型的检测能力半监督目标检测。]]></description><category></category></item><item><title><![CDATA[import name ‘UnencryptedCookieSessi_annot ionFactoryConfig‘]]></title><link>https://blog.youkuaiyun.com/absence521/article/details/140104313</link><guid>https://blog.youkuaiyun.com/absence521/article/details/140104313</guid><author>absence521</author><pubDate>Mon, 01 Jul 2024 16:25:41 +0800</pubDate><description><![CDATA[下载apex不能简单地运行。]]></description><category></category></item><item><title><![CDATA[注意力机制之ECA-Net：Efficient Channel Attention for Deep Convolutional Neural Network]]></title><link>https://blog.youkuaiyun.com/absence521/article/details/140084859</link><guid>https://blog.youkuaiyun.com/absence521/article/details/140084859</guid><author>absence521</author><pubDate>Sun, 30 Jun 2024 20:03:22 +0800</pubDate><description><![CDATA[近年来，通道注意机制被证明在改善深层卷积神经网络（CNN）的性能方面提供了巨大的潜力。然而现有的大多数方法都致力于开发更复杂的注意模块以获得更好的性能，这不可避免地增加了模型的复杂性。为了克服性能和复杂度的矛盾，提出了一种高效的通道注意力（ECA）模块，该模块只需要很小的参数，同时可以带来明显的性能提升。通过对SENET中通道注意模块的剖析，我们实证地表明避免降维对于学习通道注意是重要的，适当的跨通道交互可以在显著降低模型复杂度的同时保持性能。]]></description><category></category></item><item><title><![CDATA[目标检测常用涨点方法：注意力机制小结（空间注意力、通道注意力、CBAM等）]]></title><link>https://blog.youkuaiyun.com/absence521/article/details/140083774</link><guid>https://blog.youkuaiyun.com/absence521/article/details/140083774</guid><author>absence521</author><pubDate>Sun, 30 Jun 2024 17:53:33 +0800</pubDate><description><![CDATA[它使用了压缩和激励机制，在压缩阶段额外引出一个分支，该分支压缩全局空间信息学习到特征权重，此权重可以视作不同通道所分配的“注意力”，越重要的通道获得的权重越大，集中分配更多的资源训练学习。空间注意力的实施主要有两个步骤，首先在特征不同的通道上进行平均池化或最大池化，对比不同通道之间的像素值，来获得该像素点不同通道上最重要的部分。如上图所示，CBAM的主要目标是通过在CNN中引入绿色框所示的通道注意力和紫色框所示的空间注意力来提高模型的感知能力，从而在不增加网络复杂性的情况下改善性能。]]></description><category></category></item><item><title><![CDATA[论文阅读之旋转目标检测ARC:《Adaptive Rotated Convolution for Rotated Object Detection》]]></title><link>https://blog.youkuaiyun.com/absence521/article/details/140079655</link><guid>https://blog.youkuaiyun.com/absence521/article/details/140079655</guid><author>absence521</author><pubDate>Sun, 30 Jun 2024 13:23:10 +0800</pubDate><description><![CDATA[旋转物体检测旨在识别和定位图像中任意方向的物体。在这种情况下，物体的方向在不同图像中差异很大，而一幅图像中存在多个物体方向。这种固有特性使得标准主干网络很难提取这些任意方向物体的高质量特征。在本文中，我们提出了自适应旋转卷积 (ARC)模块来应对上述挑战。在我们的ARC模块中，卷积核自适应地旋转以提取不同图像中方向不同的物体特征，并引入了一种高效的条件计算机制来适应图像中物体的大方向变化。这两种设计在旋转物体检测问题中无缝协作。]]></description><category></category></item><item><title><![CDATA[伪装目标检测论文阅读 VSCode:General Visual Salient and Camouflaged Object Detection with 2D Prompt Learning]]></title><link>https://blog.youkuaiyun.com/absence521/article/details/140049053</link><guid>https://blog.youkuaiyun.com/absence521/article/details/140049053</guid><author>absence521</author><pubDate>Fri, 28 Jun 2024 17:42:57 +0800</pubDate><description><![CDATA[显著物体检测和伪装物体检测是相关但又不同的二元映射任务，这些任务涉及多种模态，具有共同点和独特线索，现有研究通常采用复杂的特定于任务的专家模型，可能会导致冗余和次优结果。我们引入了VSCode，这是一种具有新颖的2D提示学习的通用模型，用于联合解决四个SOD任务和三个COD任务，我们利用VST作为基础模型，并在编码器-解码器架构中引入2D提示，以在两个不同的维度上学习领域和任务特定的知识。提示辨别损失有助于解开特殊性。]]></description><category></category></item><item><title><![CDATA[【latex学习之参考文献的引用-overleaf平台】]]></title><link>https://blog.youkuaiyun.com/absence521/article/details/139754654</link><guid>https://blog.youkuaiyun.com/absence521/article/details/139754654</guid><author>absence521</author><pubDate>Mon, 17 Jun 2024 21:13:01 +0800</pubDate><description><![CDATA[上述例子name就是pang2022zoom,可以自己重命名，比如设置为r1，不重新命名也是可以的。在overleaf首行加入。]]></description><category></category></item><item><title><![CDATA[深度学习之旋转目标检测复现：ARC-main 关于mvcc，mvcc-full ，mmdet,mmegine的爬坑记录]]></title><link>https://blog.youkuaiyun.com/absence521/article/details/139740992</link><guid>https://blog.youkuaiyun.com/absence521/article/details/139740992</guid><author>absence521</author><pubDate>Mon, 17 Jun 2024 13:48:12 +0800</pubDate><description><![CDATA[我是先导入ARC-main整个项目，后下载的BboxToolkit项目，解压后放进ARC-main,在splitn data的过程中，出现BboxToolkit包无法下载的问题，当时我忘记运行命令，cd到BboxToolkit后，即可成功下载BboxToolkit包，直接运行命令无法 成功下载，匹配不到合适的版本包。坑：DOTA数据集，官网上下载的train和test都分为part1，part2,貌似只是压缩包太大了。。解压之后放在一起就可以了，train的原始文件夹是1411张。（心累）在。]]></description><category></category></item></channel></rss>