<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[开着奔驰种地的博客]]></title><description><![CDATA[Project notes]]></description><link>https://blog.youkuaiyun.com/qq_43542339</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; qq_43542339]]></copyright><item><title><![CDATA[【技术实践】DeepSeek ＆ Anythingllm搭建论文问答知识库]]></title><link>https://blog.youkuaiyun.com/qq_43542339/article/details/145633407</link><guid>https://blog.youkuaiyun.com/qq_43542339/article/details/145633407</guid><author>qq_43542339</author><pubDate>Fri, 14 Feb 2025 14:46:35 +0800</pubDate><description><![CDATA[本文基于anythingllm + deepseek r1 搭建本地知识库，构建问答系统主要分为以下步骤：Anythingllm：下载部署并配置anythingllm（桌面端/服务器端）DeepSeek：获取deepseek r1模型（本地/云端/api）Knowledge Base：准备知识库文档，上传并完成embedding（爬取）Q＆A：针对性问答（大模型调用）]]></description><category></category></item><item><title><![CDATA[PaddleNLP本文分类及docker部署流程]]></title><link>https://blog.youkuaiyun.com/qq_43542339/article/details/142338981</link><guid>https://blog.youkuaiyun.com/qq_43542339/article/details/142338981</guid><author>qq_43542339</author><pubDate>Wed, 18 Sep 2024 17:34:53 +0800</pubDate><description><![CDATA[本文记录使用PaddleNLP进行文本分类的全流程。]]></description><category></category></item><item><title><![CDATA[【入门教程】基于深度学习的遥感图像分割流程（附代码）]]></title><link>https://blog.youkuaiyun.com/qq_43542339/article/details/141790135</link><guid>https://blog.youkuaiyun.com/qq_43542339/article/details/141790135</guid><author>qq_43542339</author><pubDate>Sun, 01 Sep 2024 21:22:26 +0800</pubDate><description><![CDATA[本文为入门遥感图像分割的朋友提供一份详细教程，看完你将收获：]]></description><category></category></item><item><title><![CDATA[SAM-2全面来袭，能够分割任意图像和视频，代码开源！]]></title><link>https://blog.youkuaiyun.com/qq_43542339/article/details/141053759</link><guid>https://blog.youkuaiyun.com/qq_43542339/article/details/141053759</guid><author>qq_43542339</author><pubDate>Fri, 09 Aug 2024 09:50:55 +0800</pubDate><description><![CDATA[SAM-2全面来袭，能够分割任意图像和视频，代码开源！]]></description><category></category></item><item><title><![CDATA[遥感领域新方向！Mamba+RS论文汇总！]]></title><link>https://blog.youkuaiyun.com/qq_43542339/article/details/140783401</link><guid>https://blog.youkuaiyun.com/qq_43542339/article/details/140783401</guid><author>qq_43542339</author><pubDate>Mon, 29 Jul 2024 23:09:53 +0800</pubDate><description><![CDATA[本文总结了将Mamba应用至遥感领域的相关论文（14篇）
]]></description><category></category></item><item><title><![CDATA[大模型微调：参数高效微调（PEFT）方法总结]]></title><link>https://blog.youkuaiyun.com/qq_43542339/article/details/140783359</link><guid>https://blog.youkuaiyun.com/qq_43542339/article/details/140783359</guid><author>qq_43542339</author><pubDate>Mon, 29 Jul 2024 23:03:06 +0800</pubDate><description><![CDATA[PEFT (Parameter-Efficient Fine-Tuning) 参数高效微调是一种针对大模型微调的技术，旨在减少微调过程中需要调整的参数量，同时保持或提高模型的性能。以和为主的PEFT方法总结如下。]]></description><category></category></item><item><title><![CDATA[遥感论文 | ISPRS | 图神经网络也能做城市街道功能感知？纯视觉方案，效果可观！]]></title><link>https://blog.youkuaiyun.com/qq_43542339/article/details/135029682</link><guid>https://blog.youkuaiyun.com/qq_43542339/article/details/135029682</guid><author>qq_43542339</author><pubDate>Sat, 16 Dec 2023 10:36:03 +0800</pubDate><description><![CDATA[提出一种用于街景尺度城市功能识别的纯视觉、强大而可靠的方法。引入了一种基于两层空间相关图神经网络结构的方法，该方法将连续的街景图像作为输入（通常在Google Street View、百度地图和Mapillary等服务中可用），充分考虑了道路网络之间的空间依赖关系。以武汉市为例，使用OpenStreetMap数据构建了一个城市拓扑地图网络，并使用大规模预训练模型计算了在街景尺度上整个场景的语义表示。基于由75,628个街景图像和5,458条街道构建的28,693个映射关系，以街道为节点构建了图网络。]]></description><category></category></item><item><title><![CDATA[遥感论文 | Scientific Reports | 一种显著提升遥感影像小目标检测的网络！]]></title><link>https://blog.youkuaiyun.com/qq_43542339/article/details/135029641</link><guid>https://blog.youkuaiyun.com/qq_43542339/article/details/135029641</guid><author>qq_43542339</author><pubDate>Sat, 16 Dec 2023 10:34:15 +0800</pubDate><description><![CDATA[提出MwdpNet，以提高对高分辨率遥感（HRS）图像中微小目标的识别准确性。提出了一种新颖的多级加权深度感知网络，4个方面提出了一种多级特征加权融合策略，充分利用浅层特征信息来提高检测性能，特别是对于微小目标。为了充分描述图像的高级语义信息，实现更好的分类性能，我们设计了一个深度感知模块（DPModule）。提出了通道注意引导模块（CAGM），用于获取每个尺度的注意特征图，增强微小目标的召回率并更有效地生成候选区域。我们创建了四个微小目标数据集，并对其进行了比较实验。]]></description><category></category></item><item><title><![CDATA[【目标检测从零开始】torch实现yolov3数据加载]]></title><link>https://blog.youkuaiyun.com/qq_43542339/article/details/134906816</link><guid>https://blog.youkuaiyun.com/qq_43542339/article/details/134906816</guid><author>qq_43542339</author><pubDate>Sun, 10 Dec 2023 13:14:50 +0800</pubDate><description><![CDATA[torch实现yolov3数据加载]]></description><category></category></item><item><title><![CDATA[【论文合集】在非欧空间中的图嵌入方法（Graph Embedding in Non-Euclidean Space）]]></title><link>https://blog.youkuaiyun.com/qq_43542339/article/details/134865800</link><guid>https://blog.youkuaiyun.com/qq_43542339/article/details/134865800</guid><author>qq_43542339</author><pubDate>Thu, 07 Dec 2023 22:10:17 +0800</pubDate><description><![CDATA[在非欧空间中的图嵌入方法（Graph Embedding in Non-Euclidean Space），分为 Hyperbolic Models，Spherical models 和 Gaussian models三类]]></description><category></category></item><item><title><![CDATA[【目标检测从零开始】torch搭建yolov3模型]]></title><link>https://blog.youkuaiyun.com/qq_43542339/article/details/134856269</link><guid>https://blog.youkuaiyun.com/qq_43542339/article/details/134856269</guid><author>qq_43542339</author><pubDate>Thu, 07 Dec 2023 15:38:57 +0800</pubDate><description><![CDATA[用torch从0简单实现一个的yolov3模型，主要分为Backbone、Neck、Head三部分]]></description><category></category></item><item><title><![CDATA[【网络模块】用GCN计算两个属性图的相似度]]></title><link>https://blog.youkuaiyun.com/qq_43542339/article/details/134811513</link><guid>https://blog.youkuaiyun.com/qq_43542339/article/details/134811513</guid><author>qq_43542339</author><pubDate>Tue, 05 Dec 2023 16:58:35 +0800</pubDate><description><![CDATA[简单搭建一个用GCN来计算两个属性图相似度的模块]]></description><category></category></item><item><title><![CDATA[Oracle数据库安装踩坑记录]]></title><link>https://blog.youkuaiyun.com/qq_43542339/article/details/134534937</link><guid>https://blog.youkuaiyun.com/qq_43542339/article/details/134534937</guid><author>qq_43542339</author><pubDate>Tue, 21 Nov 2023 16:40:27 +0800</pubDate><description><![CDATA[Oracle数据库安装踩坑记录。]]></description><category></category></item><item><title><![CDATA[用百度AI大模型给头像换风格]]></title><link>https://blog.youkuaiyun.com/qq_43542339/article/details/134533797</link><guid>https://blog.youkuaiyun.com/qq_43542339/article/details/134533797</guid><author>qq_43542339</author><pubDate>Tue, 21 Nov 2023 16:00:16 +0800</pubDate><description><![CDATA[心血来潮想尝试尝试AI小应用，给图片加个风格（例如微信头像），于是有了这篇简短的教程。]]></description><category></category></item><item><title><![CDATA[【论文笔记2】Long-Short Transformer: Efficient Transformers for Language and Vision]]></title><link>https://blog.youkuaiyun.com/qq_43542339/article/details/118771339</link><guid>https://blog.youkuaiyun.com/qq_43542339/article/details/118771339</guid><author>qq_43542339</author><pubDate>Thu, 29 Jul 2021 21:52:13 +0800</pubDate><description><![CDATA[论文原文：https://arxiv.org/abs/2107.02192
论文笔记：百度网盘提取码：nzsi
1. Summary Contributions：

（1）提出了一种长短时Transformer模型：Long-Short Transformer (Transformer-LS)：

Short：利用滑动窗口获取短序列（局部）attention
Long：基于动态投影获取长序列（全局）attention


（2）在Long-Transformer中提出动态投影方法
（3）提出 DualLN（]]></description><category></category></item><item><title><![CDATA[【论文笔记1】Learning Hierarchical Graph Neural Networks for Image Clustering]]></title><link>https://blog.youkuaiyun.com/qq_43542339/article/details/118560095</link><guid>https://blog.youkuaiyun.com/qq_43542339/article/details/118560095</guid><author>qq_43542339</author><pubDate>Thu, 15 Jul 2021 23:14:07 +0800</pubDate><description><![CDATA[原文：https://arxiv.org/abs/2107.01319
1 摘要

提出层次化GNN模型，将一组图像聚类成n个实体
使用一种新方法融合不同层次间的连接成分，从而在下一层形成新的图
Hi-LANDER模型与当前基于GNN的聚类算法相比，F-score平均提高了54%，标准化相互信息(NMI)平均提高了8%。
用统一框架预测节点信息（这里指节点密度）和边信息（指节点间的连接概率），减少了7倍计算量。

2 解决的问题

元学习解决方案利用元数据集（训练集数据和测试集数据label不一致）来聚合新]]></description><category></category></item><item><title><![CDATA[《空间分析》——思维导图]]></title><link>https://blog.youkuaiyun.com/qq_43542339/article/details/110150497</link><guid>https://blog.youkuaiyun.com/qq_43542339/article/details/110150497</guid><author>qq_43542339</author><pubDate>Wed, 25 Nov 2020 23:13:51 +0800</pubDate><description><![CDATA[手动总结本科空间分析课程相关知识点，形成思维导图，助力于专业课复习总结
文末附图片下载链接

一、空间分析预备知识

二、矢量数据的空间分析

三、栅格数据的空间分析

四、地形分析

五、空间数据特征

六、空间插值与网络分析


百度网盘链接：提取码：u40o


...]]></description><category></category></item><item><title><![CDATA[《遥感原理与应用》第三版——思维导图]]></title><link>https://blog.youkuaiyun.com/qq_43542339/article/details/109787244</link><guid>https://blog.youkuaiyun.com/qq_43542339/article/details/109787244</guid><author>qq_43542339</author><pubDate>Wed, 18 Nov 2020 21:40:20 +0800</pubDate><description><![CDATA[手动总结《遥感原理与应用》第三版知识点思维导图
免费会员过期了导致第三章内容被切开

第1~3章

第3~5章

第6章

第7章

第8章

第9章

图片下载链接：百度网盘链接，提取码：4fjk


]]></description><category></category></item><item><title><![CDATA[pytorch搭建Lenet网络模型（以CIFAR10为例）]]></title><link>https://blog.youkuaiyun.com/qq_43542339/article/details/106134528</link><guid>https://blog.youkuaiyun.com/qq_43542339/article/details/106134528</guid><author>qq_43542339</author><pubDate>Fri, 15 May 2020 09:23:20 +0800</pubDate><description><![CDATA[前言
本文介绍利用Pytorch搭建Lenet模型，以cifar10为例，具体流程见博客
https://blog.youkuaiyun.com/qq_43542339/article/details/106058752

Lenet

代码
由于cifar10为三通道图像，故self.conv1中in_channels参数为3

class Lenet_torch(nn.Module):
    def __init__(self):
        super(Lenet_torch,self).__init__(]]></description><category></category></item><item><title><![CDATA[pytorch搭建VGG16网络模型（以CIFAR10为例）]]></title><link>https://blog.youkuaiyun.com/qq_43542339/article/details/106058752</link><guid>https://blog.youkuaiyun.com/qq_43542339/article/details/106058752</guid><author>qq_43542339</author><pubDate>Mon, 11 May 2020 17:53:50 +0800</pubDate><description><![CDATA[前言
最近在学习pytorch框架，跟着敲总觉得少了点什么，就搭建一个网络模型试试，选择VGG16模型，数据集为cifar10（仅用来测试网络能运行）
加载数据
此处加载数据方式与官方教程一致，可忽略。
transform = transforms.Compose(
    [transforms.ToTensor(),
     transforms.Normalize((0.5, 0.5, 0.5), (0.5, 0.5, 0.5))])
trainset = torchvision.datasets.]]></description><category></category></item></channel></rss>