WD

在Windows11/10中安装WSL2（Ubuntu20.04）并配置Anaconda环境+Pytorch

基于全卷积网络的SAR目标识别文章目录基于全卷积网络的SAR目标识别1. 数据准备2. 目标检测3. 区域生长算法及质心估计4. 对目标区域进行切片5. 目标分类端到端的SAR自动目标识别：首先从复杂场景中检测出潜在目标，提取包含潜在目标的图像切片，然后将包含目标的图像切片送入分类器，识别出目标类型。目标检测可以用经典的恒虚警率（CFAR）,为了展现全卷积网络对于目标检测仍有良好的效果，选择采用两级全卷积网络，第一级用于目标检测，第二级用于目标分类。1. 数据准备采用MSTAR大场景数据集，

基于全卷积网络的SAR目标分类文章目录基于全卷积网络的SAR目标分类1. MSTAR数据集扩充2. 全卷积网络模型（AConvNets）3. SOC条件下分类结果4. EOC1条件下分类结果5. EOC2条件下分类结果6. EOC3条件下分类结果1. MSTAR数据集扩充在原始SAR图像（128×128）中随机裁剪88×88大小的切片，每一张切片都能包含目标区域，经过随机采样样本数量可达（128-88+1）×（128-88+1）=1681 倍，每一个类别的每张SAR图像都采样10个切片，从而提高训练

CNN 发展简史文章目录CNN 发展简史说在前面1. LeNet-5 (1998)2. AlexNet (2012)3. VGG (2014)4. GoogLeNet (2015)5. ResNet (2015)6. Xception (2016)7. Inception-ResNet-v2 (2016)8. ResNeXt-50 (2017)9. Inception v1 - v4 Inception-ResNet结尾说在前面上一篇文章中，我们详细说了CNN的主要结构组成和训练原理，今天我们来回

卷积神经网络CNN学习笔记文章目录卷积神经网络CNN学习笔记说在前面1. 什么是卷积？2. 非线性激活Relu3. Pooling 池化层4. 全连接层5. 对比卷积层核全连接层6. CNN的反向传播7. CNN的训练8. 总结CNN整个训练过程结尾说在前面首先给大家推荐一个可视化CNN整个过程的网站，https://poloclub.github.io/cnn-explainer/，这个是2021年IEEE TRANSACTIONS ON VISUALIZATION AND COMPUTER GR

深度学习Tensorflow2.2 GPU框架搭建文章目录深度学习Tensorflow2.2 GPU框架搭建说在前面1.miniconda安装2. 安装Tensorflow GPU2.2 版本3. 安装CUDA和CUDNN4.测试5.与Vs Code 结合结尾说在前面从今天开始记录毕业设计的相关内容，我的毕业设计是基于CNN的军事目标分类识别，如果是目标检测、图像识别分类、深度学习、CNN框架等的在这里推荐使用Vs Code(代码编辑器) + miniconda(python包管理工具) + Ten