- 博客(17)
- 收藏
- 关注
RSS订阅原创 Towards resolution-arbitrary remote sensing change detection with Spatial-frequency dual domain lear
基于深度学习的变化检测（CD）广泛用于相同分辨率的图像。然而，高分辨率遥感图像通常无法随着时间的推移连续可用，因此需要能够处理具有任意分辨率差异的图像。以前的超分辨率 (SR) 辅助 CD 方法仅限于处理具有固定分辨率差异的双时图像，并且无法充分保留边缘。此外，现有的 CD 方法忽略了针对差异特征进行频域分析的潜力。为了解决这些限制，本文提出了一种新颖的任意分辨率 CD 网络，使 CD 能够具有任意分辨率差异的输入图像。该框架的独特之处在于它可以通过使高级和低级任务（即 CD 和任意尺度 SR）相互学习来解
2025-12-16 11:55:25
302
原创 Multi-temporal high-resolution urban land-use mapping and change analysis based on a deep geospatial
城市土地利用的自动化测绘和变化分析是审视城市发展模式、有效指导城市土地资源可持续管理的关键任务。高分辨率（HR）遥感影像提供丰富的空间细节和清晰的城市结构。然而，现有的变化检测方法需要高质量的配对样本，并且基于训练数据和测试数据独立且同分布的假设，因此缺乏将训练模型推广到新时间图像的灵活性。为了应对这一挑战，提出了一种多时相城市场景分类和变化检测（MtUS-CCD）框架，利用 OpenStreetMap（OSM）道路网络提供的真实地理边界来实现城市土地利用测绘和变化分析。所提出的MtUS-CCD框架的关键模
2025-12-15 12:27:40
500
原创 github上传项目代码手把手运行，包含部分坑
git config --global init.defaultBranch main（以后默认使用main）git push -f origin main (强制覆盖远程的main里面的东西)自定义默认分支名称，远程分支是main。git init（默认是master）
2025-11-09 17:29:45
193
原创 TEXStudio报错：XXX.bbl: 错误: 24: Something‘s wrong--perhaps a missing \item. \end{thebibliography}
texstudio的参考.bib和.bbl问题报错。
2025-10-29 18:27:11
233
原创 Windows跟新后，pdf预览显示：你尝试预览的文件可能对你的计算机有害。如果你信任此文件以及其来源，请打开此文件以看其内容，如何解决以正常预览文件。
Windows解决pdf不能预览问题
2025-10-17 14:59:52
23752
26
原创 MMCV问题
from mmcv.utils.parrots_wrapper import _BatchNorm 改为：from torch.nn.modules.batchnorm import _BatchNorm。解决方法1：对现有的mmcv进行卸载，使用自己的cuda和torch版本对应的mmcv的版本（最好参考官方的版本，有些cuda和torch的版本没有mmcv对应的）。安装mmcv，示例cuda版本是11.3，torch版本声1.10。原因：就是版本对应上不上，显示版本不在1.3.0和1.5.0之间。
2025-10-16 19:34:08
465
原创 服务器：FileNotFoundError: [Errno 2] No such file or directory:
例如有时候访问权重路径，直接点击文件，复制路径显示：autodl-tmp/compare/resnext/resnext_101_32x4d.pth。在autodl-tmp/compare/resnext/resnext_101_32x4d.pth前面加个root。但是将路径放进代码中显示文件不存在。
2024-05-22 21:49:25
642
1
原创 基于语义匹配和边缘对齐的光学遥感图像轻量化显著目标检测
我们还提出了一种边缘自对齐模块(Edge Self-Alignment Module)，用于底层特征的边缘对齐，即对从底层特征中提取的跨尺度边缘信息进行对齐，修正边缘误差，并用这些信息增强特征。具体来说，SeaNet包括一个用于特征提取的轻量级MobileNet-V2，一个用于高级特征的动态语义匹配模块(DSMM)，一个用于低级特征的边缘自对齐模块(ESAM)，以及一个用于推理的便携式解码器。首先，将高级特征压缩到语义核中。尽管如此，他们的策略启发了我们的方法，如经典的深度监督、边缘辅助和差分特征处理。
2024-05-15 15:52:52
1106
原创 1.显著性目标检测（好的论文描述）
在流行的基准测试上进行的大量实验表明，所提出的SAMNet在GPU速度为343fps和CPU速度为5fps的情况下，对于只有1.33M参数的336×336输入，可以产生与最先进的方法相当的精度。我们提出了一种新的方法来寻找图像中的显著区域，利用颜色和亮度的低电平特征，该方法易于实现，耐噪，并且足够快，可用于实时应用。复杂结构在自然图像中普遍存在。一个地区的显著性主要取决于显著性地图应该是快速和容易生成的，以允许处理大型图像集合，并促进有效的图像分类和检索其与附近地区的对比，而与遥远地区的对比则不那么显著。
2024-05-14 22:04:28
2203
2
原创 关于在batch训练中频繁print打印信息导致cuda内存报错的可能性
个人以为是模型太大，导致cuda内存不够，但是模型能够运行很多个epoch，在中途运行中报错。通过减少这些操作，内存管理变得更高效，可能间接减少了 GPU 上的内存碎片化。（存储在 GPU 上）的值转换为 Python 的标量值（一个普通的数字），这个转换过程会把数据从 GPU 拷贝到 CPU。放在一个 epoch 结束后不直接减少 GPU 内存使用，但它减少了训练过程中的中断和开销，使得资源使用更加高效，可能间接影响到内存使用情况。存储的位置是 CPU 的内存，而不是 GPU 的内存。
2024-03-03 18:16:36
1109
原创 解决由于cuda内存泄漏导致的中途cuda内存报错问题 torch.cuda.0utofMemoryError: CuDA out of memory.
2： 通常在模型评估或模型训练的特定时刻（如每个 epoch 后）调用此函数，而不是在每个训练步骤中调用。代码在每次迭代中都留下了未清理的数据，这些数据将累积并最终耗尽所有可用的 GPU 内存。在运行代码中，代码能够运行。1：这个操作只会释放 PyTorch 未使用的缓存内存，不会释放已经分配给张量的内存。目前我的问题已解决，但是你要和我犟，那就是你对，对对对！解决方法：减少batchsize的大小，尽可能的减少一批数据的加载。清理未引用的 CUDA 内存，以及确保及时删除不再需要的变量。
2024-03-02 23:06:37
1766
原创 _winapi.TerminateProcess(int(self._handle), TERMINATE)PermissionError: [WinError 5] 拒绝访问。
拒绝访问。表明您的程序试图终止一个进程，但是没有足够的权限来执行这个操作。在 Windows 系统中，WinError 5表示“拒绝访问”，这通常意味着当前用户没有足够的权限来终止指定的进程.
2024-03-02 15:47:11
875
原创 1:RuntimeError: CUDA error: an illegal memory access was encounteredCompile with TORCH_USE_CUDA_DSA`
报错显示不精确，按照软件推荐方法设置set TORCH_USE_CUDA_DSA=1，设置之后就会报错详细的问题，从而进行修改。
2024-03-02 15:36:43
7090
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人