- 博客(27)
- 收藏
- 关注
RSS订阅原创 【Changer解码头详解及融入neck层数据的实验设计】
..↓↓↓↓↓模块输入输出功能多级特征图单尺度特征特征融合[FDAF]双时相特征融合特征光流引导的对齐融合[MixFFN]融合特征增强特征局部增强+残差连接cls_seg增强特征分类图最终分割输出embed_dim,num_heads,# Step 1: 应用 GlobalD# Step 2: 应用 FDAF模块插入位置效果GlobalD输出之后提升跨时相交互建模Neck 层整合增强空间对齐与融合[MixFFN]Neck 输出之后增强判别力。
2025-05-17 20:14:34
734
原创 《GlobalD_stage4实验》2025/4/18
ChangerEx的Stage4的原有的ChannelExchange替换成GlobalD。
2025-04-18 09:56:42
849
原创 《变化检测常用的性能指标》2025/4/15
变化检测（Change Detection）的性能评估依赖于多种指标，每种指标从不同角度衡量模型的准确性。：所有正确预测的样本占总样本的比例。：在数据不平衡（如未变化区域远多于变化区域）时可能失真。：预测为变化的区域中，真实变化的比例。：衡量模型避免虚警的能力（越高说明误检越少）。：真实变化区域中，被模型正确检测的比例。：衡量模型检出真实变化的能力（越高说明漏检越少）。：精确率和召回率的调和平均数，综合衡量模型性能。：在精确率和召回率需要平衡时使用（如变化与未变化样本不平衡）。
2025-04-15 18:59:18
830
原创 Editing and Validating XML Document Example Readme
OMNET++ Smples的Readme文件翻译
2025-03-31 18:26:20
781
原创 小白的模型训练日记——2025/3/13
使用脚本启动训练。加载配置文件，定义模型和训练任务。将训练过程中生成的文件保存到工作目录中。通过这条命令，你可以训练一个基于 ResNet-18 骨干网络、输入尺寸为 512x512、迭代 40,000 次的变化检测模型，并将结果保存到指定目录中。
2025-03-13 18:02:51
898
原创 第二章 线性模型
均方差损失函数由于其数学性质和计算简便性，仍然是线性回归中最常用的损失函数。利用最小二乘函数自变量和因变量线性关系进行建模。（1） 自变量和因变量呈直线分布（2） 因变量呈正态分布（3） 因变量数值之间独立（4） 方差是否齐性通过最小化误差的平方和来寻找数据的最佳函数匹配。其中，μ 是分布的均值（期望值），表示数据的中心位置；sigma是标准差， sigma^2 \是方差，它们决定了分布的离散程度。当 μ = 0 且 sigma = 1 时，正态分布被称为标准正态分布。
2025-03-09 15:36:24
966
原创 【第一章 机器学习模型】
（1）监督学习：通过已有的一部分数据与输出数据之间的对应关系，生成一个函数，将输入映射到合适的输出。例如：分类，回归。（2）非监督学习：给定一组未标记的数据，通过算法自动学习数据的内在结构和分布，从而发现数据中的隐藏模式或特征的过程。例如 聚类（Clustering）：将数据划分为若干个组或簇，使得同一簇内的数据点相似度高，而不同簇之间的数据点相似度低。常见的聚类算法包括K-Means、层次聚类（Hierarchical Clustering）等。
2025-03-09 15:25:21
745
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人