UE4学习之VR(五)

1.之前遇到过 不会 删除 材质节点的情况,之前试过按住ALT  或者 Shift 或者Ctrl然后点击 那个连线,都不行,现在才知道不是点击 线  而是点击 材质节点的那个原点,两端的都可以。

正确的做法是:按住ALT键 然后点击圆点:


6496250-f17d87f0aef33445.png

2.Multipy 节点 作用表面看起来是“相乘”的意思,一般在贴图制作中都是叠加,我试着 用 红色和蓝色 叠加 ,结果 要么全是 红色 ,要么全是黑色,比如 A 连接  蓝色 ;B连接红色色

然后相乘,结果是:

(1)如果A是暖色系,相乘 是红色

(2)如果A是冷色系,相乘 是黑色

6496250-285e26d9aaf61446.png

从图中可以看到,A的取色,在右侧的180度 范围内,材质球的结果都是红色。


6496250-bc1c91e551bf8196.png

在左侧的半个区区取值 材质球好像都是黑色,也有是深棕色的时候,颜色在冷暖色交替处的时候


6496250-7640d6822f8fd84e.png

从结果来看,应该是可以总结出一些东西的,这个相乘,可以看到,用到颜色的叠加时,并不能像 PS 或者别的软件一样,红黄叠加得到洋红色,红绿叠加得到黄色 等等。这个相乘显然不是

这种算法,但是该怎么的理解呢?


6496250-f431044b7efff277.png

选中 “Multiply”节点,可以看到它的参数并不能调节,并且这个 0和 1 两个数值代表的是  什么数值也不太清楚。

基于Swin Transformer与ASPP模块的图像分类系统设计与实现 本文介绍了一种结合Swin Transformer与空洞空间金字塔池化(ASPP)模块的高效图像分类系统。该系统通过融合Transformer的全局建模能力和ASPP的多尺度特征提取优势,显著提升了模型在复杂场景下的分类性能。 模型架构创新 系统核心采用Swin Transformer作为骨干网络,其层次化窗口注意力机制能高效捕获长距离依赖关系。在特征提取阶段,创新性地引入ASPP模块,通过并行空洞卷积(膨胀率6/12/18)和全局平均池化分支,实现多尺度上下文信息融合。ASPP输出经1x1卷积降维后与原始特征拼接,有效增强了模型对物体尺寸变化的鲁棒性。 训练优化策略 训练流程采用Adam优化器(学习率0.0001)和交叉熵损失函数,支持多GPU并行训练。系统实现了完整的评估指标体系,包括准确率、精确率、召回率、特异度和F1分数等6项指标,并通过动态曲线可视化模块实时监控训练过程。采用早停机制保存最佳模型,验证集准确率提升可达3.2%。 工程实现亮点 1. 模块化设计:分离数据加载、模型构建和训练流程,支持快速迭代 2. 自动化评估:每轮训练自动生成指标报告和可视化曲线 3. 设备自适应:智能检测CUDA可用性,无缝切换训练设备 4. 中文支持:优化可视化界面的中文显示与负号渲染 实验表明,该系统在224×224分辨率图像分类任务中,仅需2个epoch即可达到92%以上的验证准确率。ASPP模块的引入使小目标识别准确率提升15%,特别适用于医疗影像等需要细粒度分类的场景。未来可通过轻量化改造进一步优化推理速度。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值