- 博客(83)
- 资源 (3)
- 收藏
- 关注
RSS订阅
原创 Ubuntu20.04下深度学习环境配置（不维护了）
Ubuntu下深度学习环境配置Ubuntu下深度学习环境配置gpu驱动Anaconda安装功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入Ubuntu下深度学习环境配置这篇文章记录了我在配置深度学习环境时的坑。具体操作和安装包在
2020-10-29 15:00:53
46880
94
原创 [目标检测]2023ICCV：DiffusionDet: Diffusion Model for Object Detection
作者：Shoufa Chen, Peize Sun, Yibing Song, Ping Luo。
2025-04-10 10:41:40
583
原创 [事件相机1]2024CVPR：Event Stream-based Visual Object Tracking: A High-Resolution Benchmark Dataset
作者：Xiao Wang, Shiao Wang, Chuanming Tang, Lin Zhu, Bo Jiang, Yonghong Tian, Jin Tang代码：https://github.com/Event-AHU/EventVOT_Benchmark。
2025-04-05 17:29:39
899
原创 IEEE投稿Latex要求整理(以TCYB为例)
本文以IEEE Transactions on Cybernetics(TCYB)期刊为例，简略整理了投稿中latex编写时的事项。
2024-03-29 10:22:48
2145
2
原创 [TS2]MST-GAT: A Multimodal Spatial-Temporal Graph Attention Network for TS Anomaly Detection
无监督任务。
2024-03-01 18:17:12
1743
2
原创 [RL1]深度强化学习基础
Q-learning是一种无模型RL的形式，它可以被视为异步DP的方法。学习过程类似于TD方法：智能体在特定状态下尝试行动，并根据其收到的即时奖励或处罚以及对其所处状态的值的估计来评估其后果。通过反复尝试所有状态的所有行动，它可以通过长期折扣奖励来判断总体上最好的行为。Q-learning的训练过程：首先把Q-learning状态表的动作初始化为0，然后通过训练更新每个单元。在学习开始之前，Q被初始化为任意可能的固定值。然后在每个时间智能体选择动作，观察奖励，进入新状态，并对Q进行更新。
2023-12-26 09:51:28
1091
原创 [NAS4]Tiny adversarial multi-objective one-shot neural architecture search
移动设备中广泛使用的微小神经网络（TNN）容易受到对抗性攻击，对TNN鲁棒性的更先进研究需求也越来越大。本文关注于如何在不损失模型精度的情况下提升TNN的鲁棒性。为了在对抗精度adversarail accuracy，干净精度clean accuracy，和模型尺寸间达到平衡，本文提出了。
2023-08-18 10:59:56
266
原创 [NAS4](2023Neurocomputin)Bi-fidelity Evolutionary Multiobjective Search for Adversarially Robust...
论文链接：https://arxiv.org/abs/2207.05321代码链接：暂未公布摘要：【问题背景】人们发现深度神经网络容易受到对抗性攻击，因此在安全敏感的环境中引起了潜在的担忧。 为了解决这个问题，最近的研究从架构的角度研究了深度神经网络的对抗鲁棒性。【动机】然而，搜索深度神经网络的架构在计算上是昂贵的，特别是在与对抗性训练过程相结合时。【本文方法】为了应对上述挑战，本文提出了一种双保真多目标神经架构搜索方法。 首先，我们将增强深度神经网络对抗鲁棒性的 NAS 问题转化为多目标优化问题。 具体来
2023-08-15 16:07:29
289
原创 基于TICK的DevOps监控实战（Ubuntu20.04系统，Telegraf+InfluDB+Chronograf+Kapacitor）
TICK是InfluxData开发的开源高性能时序中台，集成了采集、存储、分析、可视化等能力，由Telegraf, InfluDB, Chronograf, Kapacitor等4个组件以一种灵活松散、但又紧密配合，互为补充的方式构成。TICK专注于DevOps监控、IoT监控、实时分析等场景。
2023-08-14 11:46:19
940
原创 (2023Arxiv)Meta-Transformer: A Unified Framework for Multimodal Learning
多模态学习旨在构建一个能处理来自多个模态相关信息的模型。尽管多模态领域已经有个多年的发展，但由于各个模态本质间的代沟，目前仍然面临设计一个能处理不同模态的统一网络的挑战，这些模态包括自然语言，2D图像，3D点云，音频，视频，时间序列，表格数据等。本文提出了一个名为。
2023-08-09 11:59:53
1081
原创 [论文分享]Robust multivariate time-series forecasting: adversarial attacks and defense mechanisms
本文研究了对多元概率预测模型进行对抗攻击的危害以及可行的防御机制。我们的研究发现了一种新的攻击模式，通过对少量其他时间序列的过去观测进行战略性的、稀疏的（难以察觉的）修改，对目标时间序列的预测产生负面影响。
2023-07-27 16:52:04
448
原创 [论文分享]Small perturbations are enough: Adversarial attacks on time series prediction
论文发表于2022 Information Sciences框架图总览：摘要：[背景描述] 时间序列数据在现实工业场景中广泛存在。为了恢复和推断现实应用中丢失的信息，时间序列预测问题作为数据挖掘中的经典研究课题已被广泛研究。 深度学习架构也被看作是下一代时间序列预测模型。然而，最近的研究表明，深度学习模型很容易受到对抗性攻击。[本文做法] 本文前瞻性地检测了时间序列预测对抗攻击问题，并提出了一种通过向原始时间序列添加恶意扰动来生成对抗性时间序列的攻击策略，以恶化时间序列预测模型的性能。具体地，使用预测模型梯
2023-07-25 15:36:55
627
1
原创 [论文分享]图注意力网络Graph Attention Networks
本文展示了一个图注意力网络(graph attention networks, GATs)，一个新颖的神经网络结构，其在图结构数据上操作，利用了masked self-attentional layers以解决基于图卷积或其近似的现有方法的缺点。通过堆叠那些。
2023-07-24 09:57:56
383
原创 torch_geometric安装避坑
1. 查看cuda, pytorch, python版本；2. 依次安装torch_scatter, torch_sparse, torch_cluster, torch_spline；3. 安装torch_geometric。
2023-07-06 14:34:40
792
原创 2023VALSE目标跟踪相关的Poster
RGBT显著性目标检测（salient object detection, SOD）关注于一对可见和热红外图像的共同的显著性区域。现存的方法在对齐的RGBT图像对上执行，但是。
2023-06-13 14:55:54
2555
1
原创 流量矩阵估计综述Traffic Matrix Estimation Techniques- A Survey on Current Practices
通过流量矩阵估计（traffic matrix estimation, TME）技术可以衡量在各种网络组件（如交换器和路由器）间移动的交通量。TME可以用于诊断和管理网络阻塞，是交通工程中重要的一部分。网络使用已达到顶峰，所需的服务每天都在增加，所以流量也在增加。为了提供良好和适当的服务，需要对流量进行估计。
2023-06-08 10:21:53
1791
原创 计算机视觉会议全称
11、IROS，全称：IEEE/RSJ International Conference on Intelligent Robots and Systems。7、ICRA，全称：IEEE International Conference on Robotics and Automation。17、ICME，全称：IEEE International Conference on Multimedia and Expo。
2022-12-13 15:15:36
5564
原创 pytorch中正向传播和反向传播的钩子Hook
最近在可视化特征图时遇到了钩子的问题，这里记录学习一下相关知识~在某些情况下，我们需要对深度学习模型的前向计算和反向传播的行为做一定的修改。比如，我们想要观察深度学习模型的某一层中出现的异常值(NaN或者Inf)，找出这些异常值的来源，或者想要对模块输出的张量做一定的修改。在这种情况下，可以通过在模块中引入钩子Hook来动态修改模块的行为。
2022-11-26 17:40:56
1942
1
原创 基于DQN的强化学习 快速浏览（基础知识+示例代码）
本博文以gym的车杆环境为例，进行DQN的模型搭建和训练。车杆(Cartpole)环境介绍如下：车杆环境由一个可以自由转动的杆子连接一个可以水平运动的小车构成。通过向环境发送“左移”或者“右移”控制小车移动。每次发生移动指令之后，环境会返回一个数组来表示小车当前的运动状态，这个数组包括：小车当前的位置(-4.8~4.8)、小车当前的速度(负无穷到正无穷)、杆子当前的角度(-24~24)、杆子顶端的速度(负无穷到正无穷)来表示。
2022-11-24 12:17:50
1768
1
原创 [NAS3](2019ICCV)RandWire-WS: Exploring Randomly Wired Neural Networks for Image Recognition
用于图像分类的神经网络通过大量的手动设计从链式模型发展到了有多种有线路径的结构。比如，ResNets和DenseNets的成功很大程度上归因于他们的创新性的连线方式。现在，神经架构搜索NAS也在探索连线和操作的联合优化，但是可能的连线空间是有限的而且还是由手工设计驱动的。所以，作者先定义了a stochastic network generator用于封装网络生成过程，这个封装过程提供了NAS和随机有线网络的统一视野。然后，作者用3个经典的随机图模型生成网络的随机有线图。
2022-11-23 16:28:20
620
原创 [VOT16](2021CVPR)SwinTrack: A Simple and Strong Baseline for Transformer Tracking
跟踪背景：Transformer近期在提升视觉跟踪算法中展示了明显的潜力。然而，现存的基于transformer的跟踪器大部分来说使用Transformer来混合并增强由CNN生成特征。本文做法：相反地，本文提出了一个基于全注意力的Transformer跟踪算法SwinTrack)。SwinTrack用Transformer既做了特征提取也做了特征混合，让目标和搜索区域间充分地交互。为了进一步提升性能，我们综合地观察了特征混合、位置编码、训练损失等不同策略的影响。本文优势。
2022-11-21 17:30:33
2613
原创 [RGBT-VOT3](2020ECCV)CAT：Challenge-Aware RGBT Tracking
RGB和红外源数据再RGBT跟踪中有着相同的挑战——如何探索利用这些数据来表达目标外观。本文提出了一个。
2022-10-17 17:21:07
1062
原创 [RGBT-VOT2](2020CVPR)CMPP: Cross-Modal Pattern-Propagation for RGB-T Tracking
我们观察在RGB-T数据中观察到：模式相关经常出现在跨模态间和连续帧之间，因此，本文提出了一个cross-modal pattern-propagation (CMPP) 跟踪框架在空间域和时间域中扩散实例模式(原文是diffuse instance patterns)。为了连接RGB-T模态，在模态内配对模式的跨模态相关性来揭露不同模态间的潜在联系 (原文是通过这些关系，有用的模态可以在不同RGB-T之间相互传播以填补模态内的模式传播。
2022-10-15 16:18:55
1489
原创 [RGBT-VOT1](2022TCSVT)SiamCDA: Complementarity- and Distractor-Aware RGB-T Tracking
近期，一些研究者试图应用多模态数据来跟踪，如RGB-D和RGB-T。
2022-10-14 15:01:33
1343
1
原创 单目标跟踪数据集sampler
4. 分别从[base_frame_id - max_gap, base_frame_id]和(base_frame_id, base_frame_id + max_gap]中采样一系列train frames和test frames, 需要注意的是只有visible的帧才会被采样；# 3. 在该视频序列中确定template_frame_ids和search_frame_ids（要求，visible且间距不超过max_gap）# 1. 任选一个数据集，如Lasot;
2022-09-09 11:22:14
388
原创 [NAS2](2022CVPR)TF-NAS: Training Free Transformer Architecture Search
先贴一张流程图：研究背景：ViT已经在几个计算机视觉任务实现了很好的效果，其成就和架构设计高度相关，因此很值得提出Transformer Architecture Search (TAS)自动搜索更好的ViTs。提出问题：当前的TAS方法非常耗时，且根据实验观察发现在CNN中使用的zero-cost proxies不能很好的推广到ViT搜索空间。解决方法：先观察了如何以training-free的方式指导TAS进行并设计有效的training-free TAS范式。实验结果：极大提升了ViT架构的搜索效率，
2022-07-13 14:32:42
933
2
原创 pytorch利用thop计算网络参数量和浮点数
import torchfrom torchsummary import summaryfrom thop import profileflops, params = profile(self.model, inputs=(batch_x, batch_x_mark, dec_inp, batch_y_mark)) # batch_x, batch_x_mark, dec_inp, batch_y_mark为网络的输入，根据具体网络的输入设置print("%s | Params:
2022-07-11 10:41:22
1234
原创 目标跟踪常见训练数据集格式
-annotations-train2017-train -GOT-10_Train_000001 ... -GOT-10_Train_009335-test -GOT-10_Test_000001 ... -GOT-10_Test_000180-val -GOT-10_val_000001 ... -GOT-10_val_000180-airplane -airpla
2022-07-05 08:37:52
1558
原创 [NAS1](2021CVPR)AttentiveNAS: Improving Neural Architecture Search via Attentive Sampling (未完)
【注】：推荐先了解多目标优化问题中PF的概念，及SPOS的基本流程。一句话总结：本文改进了SPOS训练过程中的均匀采样策略（best up, worst up），有效辨识PF，进一步提升模型精度。问题背景：NAS已经在设计精确高效得SOTA模型上取得了巨大的成果。当前，两阶段NAS，如BigNAS解耦了模型训练和搜索过程并实现了很好的效果。两阶段NAS需要在训练过程中从搜索空间采样，其直接影响最终搜索到的模型的精度。提出问题：由于均匀采样的简单易行，已经被广泛应用于两阶段NAS的训练过程中，但是其和模型性能
2022-07-01 10:22:58
376
2
原创 如何写Cover Letter？
cover letter中应该包含的元素：要避免的地方；范例：模板的下载链接：https://download.youkuaiyun.com/download/m0_37412775/85840056 （正在审核）
2022-06-30 20:56:51
375
原创 使用tensorboard进行loss可视化
共分为4步骤1、以管理员身份运行anaconda promt或者在终端激活tensorboard所在的环境，如下图：2、cd到可视化的数据（event文件）所在的盘，如下图：3、在anaconda promt或终端输入tensorboard.exe --logdir=path，path为可视化数据所在的文件夹，不用加引号。【注：所在文件夹！】4、稍等，anaconda promt或终端会给出一个网址http://localhost:6006/，直接复制到浏览器里即可。...
2022-06-24 21:54:02
1196
原创 神经架构搜索论文整理(自用，不全)
- Training-free Transformer Architecture Search 2022CVPR oralpaper: https://arxiv.org/abs/2203.12217code: https://github.com/decemberzhou/TF_TAS (06.09暂未公布)- Global Convergence of MAML and Theory-Inspired Neural Architecture Search for Few-Shot Learning 20
2022-06-09 17:39:26
885
原创 [VOT15](2021CVPR)Alpha-Refine: Boosting Tracking Performance by Precise Bounding Box Estimation
先贴一张整体流程图：（Alpha-Refine即插即用，无需再训练）提出问题：许多跟踪器采用多阶段策略来提升边界框估计，其先粗略地估计目标位置然后在接下来的阶段精调初始的预测结果。但这些方法精度有效，且多阶段耦合限制了该方法的迁移性。本文方法：提出Alpha-Refine(AR)，显著提升基追踪器的性能。通过一系列实验，本文发现提升精调性能的关键时尽可能地提取和维持细节空间信息。据此，AR采用了一个逐像素相关操作+一个corner预测头+一个辅助掩码头。实验结果：在TrackingNet, LaSot, G
2022-06-09 16:54:50
1025
原创 [VOT12](2017CVPR) CSR-DCF: Discriminative Correlation Filter Tracker with Channel and Spatial
总体流程图：Abstract背景：短期跟踪是一个开放且具有挑战性的问题，其中判别相关滤波器(discriminative correlation filters, DCF) 展示了卓越的性能。本文：我们为DCF跟踪引入了通道和空间可靠性的概念并为其在过滤器更新和跟踪过程中的高效无缝集成提供一种学习算法。空间可靠性图将滤波器调整到适合跟踪的对象部分，这既可以扩大搜索区域，又可以改善对非矩形对象的跟踪。可靠性分数反映了学习的滤波器的通道质量，并做为定位中的特征加权系数。实验：在只有2个简单的标准特.
2022-06-09 14:59:47
1179
cover letter模板
2022-06-30
Segmentation-Based DL Approach for Surface-Defect Detection论文和实现
2020-11-22
OpticalFlow.rar
2020-11-05
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人