- 博客(77)
- 收藏
- 关注
RSS订阅原创 Git使用经历
控制面板->用户账户->管理Windows凭据->普通凭据->添加普通凭据。4、克隆指定仓库的中指定分支到本地仓库。3、配置gitee用户名和密码。5、查看当前所在分支、切换分支。6、查看状态，判断是否有修改。7、把更新的内容添加到缓存区。9、把数据推送到远程仓库。8、把缓存区的数据提交。
2024-12-24 11:41:56
321
原创 把组合损失中的权重设置为可学习参数
目前的需求是：有一个模型，准备使用组合损失，其中有2个或者多个损失函数。准备对其进行加权并线性叠加。但想让这些权重进行自我学习，更新迭代成最优加权组合。
2024-03-29 21:22:18
641
原创 MedNeXt: Transformer-driven Scaling ofConvNets for Medical Image Segmentation
人们对采用基于TransformerTM的架构进行医学图像分割的兴趣与日俱增。然而，由于缺乏大规模的标注医学数据集，使得获得与自然图像相同的性能具有挑战性。相比之下，卷积网络具有更高的感应偏差，因此很容易训练成高性能。最近，ConvNeXt架构试图通过镜像变压器块来实现标准ConvNet的现代化。在这项工作中，我们对此进行了改进，以设计一种现代化的、可扩展的卷积体系结构，以应对数据稀缺的医疗环境的挑战。本文介绍了一种Transformer型的大核分割网络MedNeXt，它引入了。
2023-10-27 11:34:26
599
原创 使用服务器训练模型的注意事项
原因：服务器一般是Linux系统，那么在训练过程中，读取数据集的时候就需要注意：Linux读取文件是乱序的，所以需要加上”sorted“函数，先排序，再遍历数据集。
2023-10-16 17:11:48
812
原创 Quasi-eccentricity Error Modeling and Compensation in Vision Metrology
圆形目标由于其检测精度和鲁棒性而被广泛应用于视觉应用中。在高精度测量中，透视投影引起的圆靶偏心误差是造成测量误差的主要因素之一，需要进行补偿。在这项研究中，透镜畸变对偏心误差的影响进行了全面的调查。在非线性相机模型中，传统的偏心误差转变为准偏心误差。通过比较畸变椭圆的准中心与物体圆心的真实投影，建立了准偏心误差模型。然后，提出了一种偏心误差补偿框架，通过迭代细化像点到圆心的真实投影来补偿误差。仿真和真实的实验都证实了该方法在多个视觉应用中的有效性。
2023-08-30 15:56:26
469
原创 Tensorboard一直展示前一个项目的数据
3、确保没有进程占用6006端口后，在cmd中切换到项目路径下，用tensorboard命令加载日志文件。4、在浏览器中打开127.0.0.1:6006，就可以看到当前项目的训练日志了。1、先查看系统（我的是windows11）中有多少个使用6006端口的进程。2、根据查询到的进程，对其进行关闭。
2023-08-28 09:12:25
652
原创 Slippage-robust Gaze Tracking for Near-eye Display
近年来，头戴式近眼显示设备已成为虚拟现实和增强现实的关键硬件基础。因此，头戴式视线跟踪技术作为人机交互的重要组成部分已经受到关注。然而，头戴式设备（HMD）的不可避免的滑动经常导致较高的注视跟踪误差并且阻碍HMD的实际使用。针对这一问题，提出了一种基于非球面眼球模型的滑动鲁棒视线跟踪近眼显示方法，精确计算眼球光轴和旋转中心。我们测试了几种方法的数据集与滑动和实验结果表明，所提出的方法显着优于以前的方法（几乎两倍的次优方法）。
2023-08-25 11:14:56
581
1
原创 页面文件太小,无法完成操作。
5、 不要勾选“自动管理所有驱动器的分页文件大小（A）”，选择我们Anaconda安装的盘，点击“自定义大小”，输入大小。4、选择“高级”，选择“程序”，点击“更改”；，然后点击“设置”，最后点击“确定”。1、右键“我的电脑”，选择“属性”；3、点击“高级”，再点击“设置”；6、重启电脑，使新配置生效。2、点击“高级系统设置”；
2023-08-07 11:34:58
8630
原创 cannot import name ‘container_abcs‘ from ‘torch._six‘
timm库中调用container_abcs的文件是“~\Conda\envs\pytorch\Lib\site-packages\timm\models\layers\helpers.py”我们对其进行修改，根据Pytorch的版本来选择不同的调用方式（
2023-08-07 10:36:58
822
原创 Ubuntu安装Anaconda并配置Python虚拟环境
这是清华的下载镜像列表：Index of /我们下载的是Anaconda3-2023.07-1-Linux-x86_64.sh版本。
2023-08-02 11:33:20
3828
原创 SQLite Studio 连接 SQLite数据库
1.1、按WIN+R，打开控制台，然后把指引到我们的SQLite的安装路径，输入D:，切换到D盘，cd 地址，切换到具体文件夹，输入“sqlite3”，启动服务1.2、创建数据库和表id和name是表的属性（列名），int和varchar是列名的数据类型，int表示是整型，varchar表示是字符串，长度是20，primary key指的是该列是该表的主键。然后就可以在SQLite的安装路径下看到我们新建的数据库文件。
2023-07-26 17:21:05
2773
1
原创 下载安装：SQLite+SQLiteStudio+VS
然后回车，打开命令窗，然后控制台的当前路径就是我们那5个文件所在地址，输入“sqlite3”，验证SQLite是否安装配置成功。点击“新建”，把我们之前解压后的5个文件的地址保存到环境变量中 ，点击“确定”，再点击“确定”，最后点击“确定”。点击地址栏左边的”打开文件浏览按钮“，选择我们之前新建的SetUpPath文件夹，点击”确定“，再点击Next。再选择“环境变量” ，选择“系统变量”中的“Path”，点击“编辑”，右击“我的电脑”，点击“属性”，选择“高级系统设置”，
2023-07-26 15:51:06
7820
原创 目标检测的通用实例提取
近年来，知识蒸馏被证明是一种有效的解决模型压缩的方法。这种方法可以使轻量级的学生模型获得从繁琐的教师模型中提取的知识。然而，以前的蒸馏检测方法具有较弱的推广不同的检测框架，严重依赖地面真相（GT），忽略了有价值的实例之间的关系信息。因此，我们提出了一种新的蒸馏方法的检测任务的基础上的歧视性的实例，而不考虑的积极或消极区分GT，这被称为一般的实例蒸馏（GID）。我们的方法包含一个通用的实例选择模块（GISM），以充分利用offeature-based，基于关系和响应的知识蒸馏。
2023-05-24 17:21:51
848
原创 DistilPose: Tokenized Pose Regression with Heatmap Distillation
在人体姿态估计领域，基于回归的方法在速度方面占主导地位，而基于热图的方法在性能方面遥遥领先。如何利用这两种方案仍然是一个具有挑战性的问题。在本文中，我们提出了一种新的人体姿态估计框架，称为DistilPose，它弥合了基于热图和基于回归的方法之间的差距。具体来说，DistilPose通过令牌提取编码器（TDE）和模拟热图，最大限度地将知识从教师模型（基于热图）转移到学生模型（基于回归）。
2023-05-18 11:30:18
1159
1
原创 Yolov7论文详解
Yolov7在速度和精度上都超过了所有已知的物体探测器，在5 fps到160 fps的范围内，并在所有已知的30 fps或更高的GPU V100实时物体探测器中拥有最高的精度56.8%AP。YOLOV7-E6目标检测器（56 fps V100,55.9%AP）在速度和精度上优于基于变压器的检测器Swinl级联掩码R-CNN(9.2 fps A100,53.9%AP）509%和2%；基于卷积的检测器Convnext-XL级联掩码R-CNN(8.6 fps A100,55.2%AP）551%和0.7%AP；
2023-05-05 20:44:36
2270
原创 Single image dehazing for a variety of hazescenarios using back projected pyramid network
学习去雾单个模糊图像，特别是使用小的训练数据集是相当具有挑战性的。我们针对这个问题提出了一种新的生成对抗网络架构，即反向投影金字塔网络（BPPNet），它在各种具有挑战性的雾霾条件下具有良好的性能，包括密集的雾霾和不均匀的雾霾。我们的架构采用了多层次的复杂性的学习，同时保留通过迭代块的UNets和多尺度的结构信息，通过一个新的金字塔卷积块的空间上下文。这些块一起用于生成器，并且可以通过反向投影进行学习。我们已经证明，我们的网络可以在没有过度拟合的情况下使用少至20对模糊和非模糊图像进行训练。
2023-04-27 17:34:34
559
原创 2022基于GAN的去雾去雨论文
近年来，使用基于学习的方法进行图像去雾已经实现了最先进的性能。然而，大多数现有方法在合成朦胧图像上训练去雾模型，由于域偏移，这些图像不太能够很好地推广到真正的朦胧图像。为了解决这个问题，我们提出了一种域适应范式，它由一个图像转换模块和两个图像去雾模块组成。具体来说，我们首先应用双向翻译网络，通过将图像从一个域翻译到另一个域来弥合合成域和真实域之间的差距。然后，我们使用翻译前后的图像来训练所提出的两个具有一致性约束的图像去雾网络。
2023-04-23 21:37:01
2227
原创 Super Yolo论文翻译
利用遥感图像(RSI)精确检测多尺度小目标并实现实时检测仍然具有挑战性，特别是在军事侦察和应急救援等时间敏感任务中。为了对这些小目标进行精确定位和分类，最适用的解决方案之一是融合多模态图像中的互补信息，以提高检测能力。现有的大多数解决方案主要是设计复杂的深度神经网络来学习从背景中分离出来的物体的强特征表示，这往往导致沉重的计算负担。本文提出了一种精确快速的RSI小目标检测方法SuperYOLO，该方法融合多模态数据，利用辅助超分辨率学习，兼顾检测精度和计算成本，对多尺度目标进行高分辨率(HR)目标检测。
2023-04-22 15:54:15
4013
2
原创 知识蒸馏(Knowledge Distillation)
通过蒸馏的方法训练出的Net-S相比使用完全相同的模型结构和训练数据只使用hard target的训练方法得到的模型，拥有更好的泛化能力。
2023-04-12 15:33:39
1445
原创 制作CelebA-HQ数据集（所有文件全在百度网盘，永久可用）
目录1、下载img_celeba.7z2、下载 list_landmarks_celeba.txt3、下载celeba-hq-deltas文件夹4、下载python文件5、在命令行里面运行程序生成图像整个文件夹的目录如下：CelebA img_celeba.7z img_celeba img_celeba list_landmarks_celeba.txt celeba-hq-deltas C
2023-04-01 20:52:36
3805
5
原创 pix2pix：使用条件对抗网络的图像到图像转换
论文解读：[pix2pix] Image-to-Image Translation with Conditional Adversarial Networks
2022-07-03 17:07:54
1666
原创 Command ‘[‘where‘, ‘cl‘]‘ returned non-zero exit status 1.
Command '['where', 'cl']' returned non-zero exit status 1. 的解决方案。
2022-06-23 20:21:06
1791
1
原创 随机森林算法实例
随机森林大致过程如下：1）从样本集中有放回随机采样选出 n 个样本；2）从所有特征中随机选择 k 个特征，对选出的样本利用这些特征建立决策树（一般是CART，也可是别的或混合使用）；3）重复以上两步 m 次，即生成 m 棵决策树，形成随机森林；4）对于新数据，经过每棵树决策，最后投票确认分到哪一类。#读取数据import pandas as pddata = pd.read_csv('/data/train.csv')data.head()#提取特征值和标签值X=data.
2022-05-30 19:54:34
4405
1
原创 Boosting实例（AdaBoost）
#读取数据import pandas as pddata=pd.read_csv('/data/train.csv')data.head()#提取特征值和标签值X=data.iloc[:,:-1].values#提取特征值y=data.iloc[:,-1].values#提取标签值#划分训练集与测试集，参数test_size设为0.2，random_state设为7from sklearn.model_selection import train_test_splitx_tra...
2022-05-30 16:06:36
330
原创 基础集成技术
1、最大投票法（Max Voting）最大投票方法通常用于分类问题。这种技术中使用多个模型来预测每个数据点。每个模型的预测都被视为一次“投票”。大多数模型得到的预测被用作最终预测结果。即：少数服从多数（voting='hard'）# 导入依赖from sklearn.ensemble import VotingClassifier# 初始化模型model1 = LogisticRegression(random_state=1)model2 = tree.Decisi...
2022-05-23 17:34:57
385
原创 GAN实战第三章代码修正
在加载依赖包的时候，程序运行报错：cannot import name 'Adam' from 'keras.optimizers'原因：keras库更新后无法按照原方式导入包，Adam 导入已更改。解决方案：先把from keras.optimizers import adam改成from keras.optimizers import adam_v2；将源代码的Adam，再更改代码中的adam为adam_v2.Adam。# Chapter 3: Your First GAN%matpl.
2022-05-22 14:49:20
1279
Slippage-robust Gaze Tracking for Near-eye Display
2023-08-24
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人