Bluebro的博客

store_true 是指带触发 action 时为真，不触发则为假， 即默认 False ，传参 则 设置为 True。· store_false 则与之相反。

1.在FSL的episode训练过程中，目前自监督方法无法捕捉和充分利用图像样本中的局部视觉信息和整个episode的数据结构信息。2.大多数 SSL pretext 任务都是基于全局图像嵌入构建的，往往会忽略包含更丰富和更可迁移的低级视觉信息的局部空间图像特征3.现有的 SSL 方法通常单独处理每个输入样本，无法充分利用 few-shot episode 中多个图像样本的相互关系，这将导致整个 episode 的数据结构信息丢失

这篇论文的题目是 用于小样本Transformers的监督遮掩知识蒸馏论文接收： CVPR 20231.将类标签纳入自监督知识蒸馏中，以填补自监督与监督学习之间的空白，从而有效地利用自监督学习的优势来缓解监督训练的过度拟合问题；2.在 类(全局) 和 patch(局部) 级别上都制定了监督对比损失，允许在 类 和 patch tokens 上进行类内知识蒸馏，以学习到效果更好的小样本Transformer模型；3.引入跨类内图像遮掩patch tokens重建的挑战性任务，以提高模型泛化性能。

使用pytorch需要 手动 划分数据集为训练集、验证集、测试集。以下面这个数据集为例对数据集进行划分实验结果。

一方面因为通过少量样本去识别新类别很难，就想使用一些其他模态的信息辅助学习，文本特征可能包含新类和已知类之间的语义关系，所以是一个很好的选择。另一方面因为最近一些出现的强大的自然语言处理（NLP）模型能够从类别中提取出丰富且准确的文本信息。因为这些方法直接使用文本嵌入作为图像的分类器，比如 直接 从类名推断出文本原型然后与视觉分类器相结合，这忽略了文本特征和视觉特征之间的，因此文本特征无法与视觉特征很好地交互，从而无法给新类别提供 具有判别性的视觉特征。

小样本学习（few-shot learning，FSL）旨在从有限的标记实例（通常只有几个）中学习，并对新的、未见过的实例进行识别。首先，在FSL设置中，通常有三组数据集，包括支持集S、查询集Q和辅助集A。S中的实例类别已知，Q中实例类别未知但一定属于S，S和A的实例类别一定不相交，即S中的类别一定不会出现在A中。FSL任务通常被设定为 N-way K-shot 的形式，其中N是类别的数量，K是每个类别中标记的样本数量，表示支持集 S有N个类，每个类有K个标记样本。N通常为5。K通常设为1或5

这篇论文在2022年发表在ECCV上，论文的题目是用于小样本Transformer的self-promoted supervision（自我推荐监督）。文章提出了一种新的ViTs的小样本训练框架，即self-promoted supervision（SUN），它的核心是通过密集的特定位置的监督来快速准确地学习patch tokens地依赖关系，解决Transfomrer较差归纳偏置的问题。

在一些论文中，也称为Conv-64F，其中“64F”表示网络中使用了64个滤波器（filters），它包含 4 个重复的卷积块。总体来说，Conv-64F主干网络是一个相对简单的卷积神经网络结构，但在许多图像分类和目标识别任务中已经表现出良好的性能。Resnet12包含4个残差块，每个残差块有3个卷积层。“12”表示一共有12个卷积层。ResNet12被广泛应用于图像分类、目标检测和语义分割等任务中，其具有优秀的性能和较低的计算复杂度。

解决方法：以管理员身份打开anaconda prompt，重新执行命令即可。在Anaconda虚拟环境中安装失败，出现以下情况。

11.查看当前进程的详细信息，包含使用者等，-f表示详细信息，-a表示全部进程。12.查看当前建立的所有虚拟环境。5.解压一个tar.gz文件。2.实时更新服务器使用情况。1.查看服务器使用情况。3.文件夹所占内存容量。6.解压一个tar文件。7.解压一个zip文件。

进入实验室以后，大家就会用实验室的服务器跑一些深度学习模型。如何连接服务器，以及连接服务器后如何配置conda和PyTorch深度学习框架，在此进行详细的介绍。首先，在连接服务器之前，需要向服务器的管理员申请个人账号。接下来我详细介绍连接服务器后如何配conda+pytorch环境目录1.安装Anacond2.配置清华镜像源3.创建虚拟环境4.安装PyTorch深度学习框架

首先，在待排序表L[1…n]中任取一个元素（通常取首元素）作为枢轴，记作pivot；通过一趟排序将L分成两部分L[1…k-1]和L[k+1…n]，其中L[1…k-1]的元素都小于pivot，L[k+1…n]都大于pivot，pivot放在了最终位置，这个过程称为一次划分；然后分别递归地对两个子表重复上述过程，直至每部分内只有一个元素或空为止。C语言：Python语言：空间复杂度递归操作需要借助一个递归工作栈最好情况下，空间复杂度=递归层数=二叉树的高度=log2{log_2}log2​n（左子树等

当一个Epoch的样本（也就是所有的训练样本）数量可能太过庞大（对于计算机而言），就需要把它分成多个小块，也就是就是分成多个Batch 来进行训练Batch（批 / 一批样本）：将整个训练样本分成若干个Batch。Batch_Size（批大小）：每批样本的大小。Iteration（一次迭代）：训练一个Batch就是一次Iteration（这个概念跟程序语言中的迭代器相似）。为什么要使用多于一个epoch?

用 pretraining (预训练) + Fine Tuning解决小样本学习。虽然这类方法很简单，但是准确率与最好的方法相当。在大规模数据上预训练模型，在小规模数据Support Set上做Fine Tuning。用到Cosine similarity和softmax函数

用Siamese Network (孪生网络) 解决Few-shot learning (小样本学习)。Siamese Network并不是Meta Learning最好的方法，但是通过学习Siamese Network，非常有助于理解其他Meta Learning算法。

1.few-shot learing（少样本学习）：意思是用少量带标签的样本来训练就得到一个好的模型去做分类或回归任务2.few-shot learning是一种meta learning（元学习），**它的目标是learn to learn，即让计算机自己学会学习。3.Support Set：meta learning中的术语，指很小的样本集，不足以训练大的神经网络，只能在预测时提供一些参考信息。Support Set与训练集不同，训练集很大，足以训练神经网络。4.query：要预测的图片

任务是编写一个钱币定位系统，其不仅能够检测出输入图像中各个钱币的边缘，同时，还能给出各个钱币的圆心坐标与半径。步骤1：使用Canny 算法提取图像边缘使用高斯滤波器滤波；计算图像的梯度图并获得梯度方向；对梯度图进行非极大化抑制； 使用双阈值法获得最终的边缘图。步骤2：在边缘图上利用Hough变换计算圆心与半径。建立参数空间；依据边缘点的梯度方向对参数空间进行投票； 依据预设定的投票阈值筛选出初步结果； 对已筛选出的结果进行非极大化抑制，得到精确的参数（圆心和半径）。

变量和简单数据类型（一）修改字符串大小写（二）制表符和换行符（三）删除空白（四）数.列表（一）列表定义（二）修改、添加和删除元素（三）组织列表.操作列表（一）遍历整个列表（二）创建数值列表（三）使用列表的一部分.元组.if语句（一）if语句(二）条件测试.字典（一）使用字典（二）遍历字典（三）嵌套.用户输入和while循环（一）函数input（）（二）使用while循环（三）使用while循环处理列表和字典.函数（一）创建函数（二）导如函数.类的使用

当我们学习计算机视觉和深度学习比如学习人脸识别等，需要使用OpenCv库，而Anaconda环境中并没有提前安装好，需要自行安装。1.打开 `Anaconda Navigator2.找到`CMD.exe Prompt`，点击Launch3.输入`pip install opencv-python`，等待下载完成4.在Anaconda环境下运行代码，成功调用OpenCv库，安装完成。

拟合1.存在的问题2.拟合方法.最小二乘法.鲁棒估计.RANSAC1.思想2.步骤3.参数4.指定外点率e5.优缺点6.应用：指纹匹配.霍夫变换（Hough transform）1.思想2.概括3.图像空间vs参数空间4.极坐标参数空间5.圆的霍夫变换6.应用7.优缺点

什么是边缘，如何提取边缘以及Canny算法.边缘特征1.边缘种类2.导数（Derivative）3.其他边缘提取方法.梯度（Gradient）1.定义2.计算.噪声1.噪声的影响2.高斯偏导函数3.高斯偏导函数vs高斯平滑函数.Canny边缘检测器算法1.实现步骤1.计算梯度2.非极大化抑制（Non-maximum suppression）3.双阈值滤波（Hysteresis thresholding）

高斯滤波器、中值滤波器。在这篇文章中，主要介绍卷积的线性操作，通过理解卷积在图像去噪的应用，引出高斯函数的介绍，深入理解卷积和高斯。

爬虫,爬取网络数据的虫子（Python程序）,爬取网络数据,爬取一页京东上销量最高的口红评论区数据,解析网络数据,将数据整理成Json格式：以大括号开头和结尾,找到目标数据值对应的名字,存取网络数据,创建一个Excel表格

简单来说，计算机视觉就是让计算机能够像人的视觉神经系统一样能提取出图片中的内容，甚至理解图片中更深层的意思。当人看到左边这张图时，首先是看到了火车、建筑物、马路、梯子，往深层思考后判断出现了火车事故，计算机视觉就是致力于让机器能像人一样去“思考”图片。计算机识别这张图图片时，首先生成一个像素矩阵，如右侧图片，如何搭建好像素矩阵和图片含义之间的gap，就是计算机视觉的目标。

Ubuntu服务器18.04设置静态IP地址详细教程,同时按win+R，输入cmd，打开终端。输入以下命令，查看IP地址,输入以下命令，查看网关,输入以下命令，进入root权限,输入以下命令，进入root权限,点击 i 进入编辑状态（1）网络接口选择rename3（根据你们自己的网络接口名称来填）（2）dhcp：no（3）设置IP地址address， 特别注意冒号和括号之间要有空格，否则出错！（4）设置DNS，特别注意冒号和括号之间要有空格，否则出错！点击Esc退出编辑状态；同时点击Sh

线性代数中一定必须要掌握的基础概念和计算的整理，简单易懂，适合入门和复习.行列式,矩阵,n维向量,线性方程组,特征值和特征向量

cs231n环境搭建,安装Anaconda,查看已创建的虚拟环境,创建名为"cs231n"的虚拟环境，python选择3.7版本创建好虚拟环境后，输入以下命令，激活“cs231"环境

深度学习GPU服务器的连接和使用方法，Xshell和Xftp的下载和使用，PyCharm连接深度学习GPU服务器做实验跑数据

行列式的概念，性质，展开式，计算和应用。行列式不同行不同列元素乘积的代数和。线性代数主要处理线性关系问题，也称线性问题。如果数学对象之间的关系是一次形式（一阶导数为常数的函数）就称它们是线性关系。线性关系指对象之间按比例、成直线的关系。

python基础入门，一看就会

python基础入门，一看就会！

python基础入门，一看就会！

本文介绍基于Anaconda环境以及与PyCharm结合，安装PyTorch深度学习框架。

计算机专业入手电脑推荐、书籍等好物推荐

计算机专业，双非无优营，预推免成功上岸985