m0_53700832的博客

原创 Invertible Diffusion Models for Compressed Sensing

进行图像重建，但它们存在推理速度慢以及对 CS 适应性不足的问题。为了解决这些挑战，本文提出。

原创 GEE下载REMA strip和mosaic数据的python脚本

【代码】GEE下载REMA strip和mosaic数据的python脚本。

原创 Boundary-Aware Divide and Conquer: A Diffusion-based Solution for Unsupervised Shadow Removal

边界感知的分治方法：一种基于扩散的无监督去阴影方法Lanqing Guo¹, Chong Wang¹, Wenhan Yang², Yufei Wang¹, Bihan Wen¹¹南洋理工大学，新加坡²鹏城实验室，中国{lanqing001, wang1711, yufei001, bihan.wen}@ntu.edu.sg, yangwh@pcl.ac.cn摘要最近的深度学习方法在去阴影任务中取得了优异的成果。然而，大多数有监督的方法依赖于大量带阴影和无阴影图像对进行训练，这需要繁琐的标注工作，

原创 PGC DEM Products – ArcticDEM, REMA, and EarthDEM

这些DEM产品是基于光学影像生成的数字表面模型，适合分析地表变化，但不适用于需要裸地表面模型的应用。数据覆盖范围广，但由于使用的是光学影像，可能存在因天气或地形变化带来的限制。

原创 Image Restoration with Mean-Reverting Stochastic Differential Equations

图像恢复与均值回归随机微分方程摘要本文提出了一种基于随机微分方程（SDE）的方法，用于通用图像恢复。关键构建是一个均值回归的随机微分方程，它将一幅高质量的图像转化为一个退化的图像，这个退化图像被视为具有固定高斯噪声的均值状态。然后，通过模拟相应的反向时间随机微分方程，我们能够恢复低质量图像的原始状态，而无需依赖任何特定任务的先验知识。关键在于，所提出的均值回归随机微分方程有一个封闭解，使我们能够计算出与时间相关的真实得分，并通过神经网络进行学习。此外，我们提出了一个最大似然目标，以学习一个最优的反向轨迹，

原创 The Reference Elevation Model of Antarctica

南极参考高程模型（REMA）是第一个分辨率低于10米的大陆尺度数字高程模型（DEM）。REMA 是通过使用亚米级分辨率的光学商业卫星影像进行立体摄影测量创建的。这些影像的高空间和辐射分辨率使得在低对比度的冰盖表面上能高质量地提取表面信息。该数字高程模型经过卫星雷达和激光高度计的配准，并进行镶嵌，提供一个覆盖几乎 95% 整个南极洲的连续表面。该镶嵌模型包括误差估计和时间戳，能够进行变化量测量。与机载激光高度计的比较验证了其典型高程误差小于1米。

原创 DiffIR: Efficient Diffusion Model for Image Restoration

扩散模型（DM）通过将图像合成过程建模为去噪网络的顺序应用，达到了最先进的性能。然而，与图像合成不同，图像恢复（IR）有一个强约束，要求生成的结果必须符合真实图像。因此，对于图像恢复任务，传统的扩散模型在大规模模型上运行大量迭代来估计整个图像或特征图是低效的。为了解决这个问题，我们提出了一种高效的图像恢复扩散模型（DiffIR），该模型包括紧凑的图像恢复先验提取网络（CPEN）、动态图像恢复变换器（DIRformer）和去噪网络。具体来说，DiffIR有两个训练阶段：预训练和扩散模型训练。

原创 It’s All About Your Sketch: Democratising Sketch Control in Diffusion Models

本文揭示了草图在扩散模型中的潜力，解决了生成式人工智能中直接草图控制的虚假承诺。我们重要的是使这个过程更加普及，让业余的草图也能生成精确的图像，真正实现“你画的就是你得到的”。一项初步研究强调了这一研究的必要性，揭示了现有模型中的畸形问题源于空间条件化。为了修正这一问题，我们提出了一个感知抽象的框架，利用草图适配器、适应性时间步长采样和来自预训练细粒度基于草图的图像检索模型的判别性指导，这些方法协同工作，强化了精细的草图与照片的关联。我们的方法在推理过程中无需文本提示，简单的、粗略的草图就足够了！

原创 Structure Matters: Tackling the Semantic Discrepancy in Diffusion Models for Image Inpainting

结构很重要：解决扩散模型在图像修补中的语义差异1 合肥工业大学，中国2 联想研究院，中国摘要用于图像修补的去噪扩散概率模型（DDPMs）旨在在正向过程中向图像纹理添加噪声，并通过反向去噪过程恢复被遮罩区域与未遮罩区域的纹理。尽管生成的语义有意义，但现有的方法面临着被遮罩区域和未遮罩区域之间的语义差异问题，因为未遮罩纹理的语义密集部分未能完全降解，而被遮罩区域在扩散过程中变成纯噪声，导致两者之间存在较大差异。

原创 Deep Compression Autoencoder for Efficient High-Resolution Diffusion Models

1 麻省理工学院（MIT）2 清华大学3 英伟达（NVIDIA）我们提出了一种新型自编码器——深度压缩自编码器（DC-AE），用于加速高分辨率扩散模型。现有自编码器在中等空间压缩比（例如 8×）下表现出色，但在高空间压缩比（例如 64×）时无法维持令人满意的重建精度。为了解决这一挑战，我们引入了两项关键技术：（1）残差自编码，其中我们设计模型学习基于空间到通道转化特征的残差，以缓解高空间压缩自编码器的优化难度；

原创 Efficient and Controllable Remote Sensing Fake Sample Generation Based on Diffusion Model

在本文中，我们提出了一种基于扩散模型的高效遥感虚假样本生成（RSFSG）框架，以生成与真实场景一致且可控的样本。首先，为了缓解扩散模型因大规模参数带来的高时间消耗，我们提出了一种多频动态知识蒸馏方法，这种方法基于预测的高斯噪声的一致功率谱。多频知识转移使轻量化模型能够在扩散过程的不同阶段，从教师模型中学习不同频率的输出。其次，为了解决扩散模型训练缓慢的问题，我们提出了一种渐进训练策略（PTS），该策略受深度网络从低频到高频拟合机制的启发。PTS 通过先学习低分辨率下的低频信息（如颜色），再逐步转向高分辨率

原创 Residual Denoising Diffusion Models

论文标题：Residual Denoising Diffusion Models（残差去噪扩散模型）作者：Jiawei Liu, Qiang Wang, Huijie Fan, Yinong Wang, Yandong Tang, Liangqiong Qu机构：我们提出了一种新的残差去噪扩散模型（Residual Denoising Diffusion Models, RDDM），它通过将传统的单一去噪扩散过程解耦为残差扩散和噪声扩散这两个过程，构建了一个双重扩散框架。这一框架将去噪型扩散模型从原本难

原创 Gapless-REMA100：一个通过多源DEM填补空白的南极洲无缝100米参考高程模型

从这个表中可以看出，

原创 【深度学习】DDPM公式详解（第一期）

这个公式描述了扩散模型（Diffusion Model）中的反向过程（reverse process），具体是模型如何通过一系列的条件概率来生成数据。这个公式可以拆分为以下几个部分来理解：联合分布 pθ(x0:T)p_{\theta}(x_0:T)pθ​(x0​:T)：这是模型中所有变量 x0x_0x0​ 到 xTx_TxT​ 的联合概率分布。这里的 x0x_0x0​ 通常代表原始数据，而 x1x_1x1​ 到 xTx_TxT​ 是在扩散过程中引入的潜变量。初始分布 p(xT)p(x_T)p(xT​)：

原创 【科研绘图】记录一次论文结果复现

给定海水温度数据（cmems_mod_glo_phy_my_0.083deg_P1M-m_thetao_70.00W-54.00W_70.00S-61.00S_0.49-902.34m_1993-01-01-2021-06-01.nc）和研究区域矢量（Ocean_roi_03.shp），请使用这些数据绘制如下示例图（黑线和灰色线不需要）。Wallis B J, Hogg A E, Meredith M P, et al. Ocean warming drives rapid dynamic activat

原创 【机器学习】隐马尔科夫模型之维特比算法（Viterbi Algorithm）和鲍姆-韦尔奇算法（Baum-Welch Algorithm）

初始化：计算初始时刻的路径概率。递推：利用动态规划递推计算每个时刻的路径概率和路径指针。终止：找到最优路径的终止状态。回溯：通过路径指针回溯得到最优路径。维特比算法是一种高效的动态规划算法，可以在ON2TO(N^2 T)ON2T时间复杂度内解决最优路径问题，其中NNN是状态数，TTT是观测序列长度。初始状态概率分布ΠπiΠπi​πiPS1iπi​PS1​i状态转移概率矩阵AaijAaij​aijPSt1。

原创 【机器学习】EM算法（Expectation-Maximization算法）详解

EM算法就是在不断猜测和改进的过程中，逐步优化模型参数，使其更好地解释数据。在处理带有隐藏变量或不完全数据的问题时，它是一个非常有效的工具。一个函数fff被称为凸函数，如果对于任意的x1x2x_1, x_2x1​x2​和λ∈01λ∈01fλx11−λx2≤λfx11−λfx2fλx1​1−λx2​≤λfx1​1−λfx2​。

原创 【机器学习】马尔可夫模型与隐马尔科夫模型

马尔可夫模型（Markov Model）是一种用于描述系统状态随时间变化的数学模型。通俗地说，它是一种预测未来状态的工具，假设未来状态只依赖于当前状态，而不依赖于过去的状态。这种假设被称为“马尔可夫性”或“无后效性”。马尔可夫模型是一种非常有用的工具，用于描述和预测系统状态随时间变化的情况。关键是只考虑当前状态，而不考虑历史状态。这使得模型简单且易于计算，适用于许多实际问题，如天气预测、股票市场分析、语言处理等。初始状态分布π\piπ：描述系统初始时刻各状态的概率。状态转移概率矩阵AAA。

原创 【遥感语义分割】UNetFormer

原文：UNetFormer: An UNet-like Transformer for Efficient Semantic Segmentation of Remotely Sensed Urban Scene Imagery Libo Wang1, 2, Rui Li1, Ce Zhang3, 4, Shenghui Fang1*, Chenxi Duan5, Xiaoliang Meng1, 2 and Peter M. Atkinson3, 6, 7 1) School of Remote Se

原创 好看的混淆矩阵

网上绘制的混淆矩阵都不太满意。经过本人多次实验，如下混淆矩阵最为美观，特此记录。

原创 【C/C++】BST树的后序遍历

给定一个整数数组，判断该数组是不是某二叉搜索树的后序遍历结果。如果是则返回 true，否则返回 false。假设输入的数组的任意两个数字都互不相同。输入: [1,6,3,2,5]输入: [1,3,2,6,5]

原创 【C/C++】循环移位

编写一个C++程序，接受两个整数输入 i 和 j，如果 j 的值大于 0，则将 i 循环左移 j 位；如果 j 的值小于 0，则将 i 循环右移 j 位。最后输出 i 的值。两个整数 i 和 j，以空格分隔。输出：2147467264。输入：-65535 -2。

原创 【C/C++】多项式求和

多项式的描述如下： 1 - 1/2 + 1/3 - 1/4 + 1/5 - 1/6 + ...对于每个测试实例n，要求输出多项式前n项的和。每个测试实例的输出占一行，结果保留2位小数。输入数据由2行组成，首先是一个正整数m（m。现在请你求出该多项式的前n项的和。

原创 【C/C++】奇偶位互换

接下来是C组测试数据，每组数据输入均为0，1字符串，保证串长为偶数位(串长。输入包含多组测试数据。输入的第一行是一个整数C，表示有C测试数据。给定一个长度为偶数位的0，1字符串，请编程实现串的奇偶位互换。请为每组测试数据输出奇偶位互换后的结果，每组输出占一行。

原创 【C/C++】进制转换

为每个测试实例输出转换后的数，每个输出占一行。如果R大于10，则对应的数字规则参考16进制（比如，10用A表示，等等）。输入数据包含多个测试实例，每个测试实例包含两个整数N（32位整数）和R（210）。输入一个十进制数N，将它转换成R进制数输出。

原创 【leetcode】动态规划专题

假设你正在爬楼梯。需要n阶你才能到达楼顶。每次你可以爬1或2个台阶。你有多少种不同的方法可以爬到楼顶呢？n = 22有两种方法可以爬到楼顶。1. 1 阶 + 1 阶2. 2 阶n = 33有三种方法可以爬到楼顶。1. 1 阶 + 1 阶 + 1 阶2. 1 阶 + 2 阶3. 2 阶 + 1 阶。

原创 【C++】C++面向对象练习题

现需要一个理财程序，其中包含四个类，分别为投资（Investment）、储蓄（Saving)、基金（Fund）和理财人（Person），储蓄和基金为两种具体投资，都有确定的投资金额（m_capital)，但它们年底结算（setrle）的方式不同。提示：需要两个互为重载的运算符函数，且一个函数的两个参数为Shape的引用，另一个函数的两个参数为double和Shape的引用。class LineString {//由多个点组成的线串类，由n个点组成的折线包含n-1个线段。//计算c r t的面积和。

原创 《C++语言程序设计（第5版）》（清华大学出版社，郑莉 董渊编著）习题——第2章 C++语言简单程序设计

2-32 口袋中有红、黄、蓝、白、黑5种颜色的球若干个。每次从口袋种取出3个不同颜色的球，问有多少种取法？2-30 声明一个表示时间的结构体，可以精确表示年、月、日、小时、分、秒；提示用户输入年、月、小时。2-34 有符号整数和无符号整数，在计算机内部是如何区分的？、分、秒的值，然后完整地显示出来。2-33 输出九九乘法表。

原创 【线性代数】反求矩阵A

原创 【线性代数】二次型的解与最值

原创 【线性代数】二次型总结

原创 【高等数学】区间再现公式的应用

原创 【线性代数】秩总结

原创 【线性代数】分块矩阵总结

原创 【大数据平台】基于Spark的气象数据分析

1.1.研究背景在大数据时代背景下，各行业数据的规模大幅度增加，数据类别日益复杂，给数据分析工作带来极大挑战。气象行业和人们的生活息息相关，随着信息时代的发展，大数据技术的出现为气象数据的发展带来机遇。基于此，本项目使用Spark等大数据处理工具，采用机器学习、深度学习等多种数据分析方法，并借助可视化手段将多种类型数据与复杂数据进行解读与概括，探究大数据技术在气象数据中的应用，给受众传递更有价值的信息，进而有助于提升社会整体生产效率，推动市场经济的有效发展。1.2.研究方案一、选用合适的数据集。历史天气数据

原创 【深度学习】基于pytorch的FER2013人脸表情图像识别(ResNet/VGG/DenseNet)

本次实验的基本要求部分，我构建了ResNet分类模型18层，在FER2013数据集上达到了65%左右的分类精度；改进方面，我增加了ResNet-20/34/50进行分类并分析了结果及原因；优化方面，我是用了DenseNet-121和VGG-19与ResNet进行对比实验，并加入多种网络优化与正则化方法，最终DenseNet-121达到了最高的分类精度（接近74%），这也验证了DenseNet可以视为ResNet的改进版本。所有实验均在MindSpore与pytorch双平台完成。

原创 【机器学习】Can We Predict Australian Rainfall?建立LSTM模型预测澳大利亚平均降雨量

重要性分数，衡量了特征在模型中的提升决策树构建中的价值：一个属性越多的被用来在模型中构建决策树，它的重要性就相对越高。所要求的特征内在顺序的限制，并且经过独热编码后，特征变成稀疏的了，这有两个好处：解决了分类器不好处理属性数据的问题；Ordinal Encoding是最简单的一种思路，对于一个具有m个类别的特征 ，我们将其对应地映射到 [0，m−1] 的整数。LabelEncoder() 用于标签编码，而数据的标签一般只有一维，所以其编码的数据维度应为 (n_samples,)。可以使用前面的时间步（

原创 【数据可视化】Plotly Express绘图库使用

与Plotly生态系统的集成：Plotly Express是Plotly图表生态系统的一部分，与其他Plotly库和工具无缝集成。matplotlib也提供了多种图表类型，但在某些类型的图表上，Plotly Express的绘制和配置更为简单和直观。通过使用Plotly Express，您可以使用少量的代码创建具有丰富交互性和专业外观的各种图表。整合Plotly图表生态系统：Plotly Express是Plotly图表生态系统的一部分，可以与其他Plotly库和工具进行无缝集成。

原创 【数据可视化】红楼梦文本分析挖掘及可视化

【代码】【数据可视化】红楼梦文本分析挖掘及可视化。

原创 【深度学习】基于华为MindSpore和pytorch的卷积神经网络LeNet5实现MNIST手写识别

共享权重（Shared Weights）：在卷积过程中，每个卷积核所对应的窗口会以一定的步长在输入矩阵（图像）上不断滑动并进行卷积操作，最后，每个卷积核会生成一个对应的feature map（也就是卷积核的输出），一个feature map中的每一个单元都是由相同的权重（也就是对应的卷积核内的数值）计算得到的，这就是共享权重。请基于pytorch和mindspore平台，利用MNIST数据集，选择一个典型卷积模型，构建一个自己的卷积模型，以分类的准确度和混淆矩阵为衡量指标，分析两个模型的分类精度。