- 博客(88)
- 收藏
- 关注
RSS订阅原创 云服务器做穿透转发
通过FRP实现内网穿透，无需校园网/机房网络配置端口映射或公网IP，利用云服务器中转建立连接。FRPS（服务端）运行在具有公网IP的云服务器，FRPC（客户端）部署在内网服务器，形成稳定隧道。SSH服务不直接暴露在公网，校园网服务器仅需与云服务器通信。FRP支持token验证和加密传输，配合SSH本身的安全机制形成双重防护。云服务器通过非标准端口（30300）转发，降低扫描风险。内网服务器可使用任意端口（如5090），通过FRP配置文件灵活映射，避免与现有服务冲突。scp 传文件不再卡死。
2025-12-09 20:25:50
508
原创 Leaflet 图层加载与切换机制分析
系统采用分层架构底图层: 天地图卫星影像 + 标注遥感图层组: 通过layerGroup统一管理，支持瓦片/GeoTIFF/GeoRaster 多种格式矢量图层: 地块边界、病害标记、传感器等气象图层: 基于 MapTiler 的风场/温度/降雨可视化图层切换通过统一入口函数实现，自动处理图层的添加/移除逻辑，并通过allLayers数组追踪所有已加载图层状态。阶段1 (立即): 后端瓦片服务 + Redis缓存↓阶段2 (短期): GeoTIFF → COG 格式转换↓。
2025-12-08 15:51:40
653
原创 零样本学习指标
狭义零样本（Conventional ZSL）是最早、最理想化测试阶段仅包含“未见类（Unseen Classes）”样本。训练集 = Seen Classes测试集 = Unseen Classes模型完全不用考虑对已见类的判断偏置问题。测试阶段同时包含 Seen 类和 Unseen 类样本。训练集 = Seen Classes测试集 = Seen ∪ Unseen并且：**H-Mean（调和平均）**专门用于平衡 seen / unseen 性能：\boxed{
2025-12-03 21:34:44
893
原创 零样本学习（Zero-Shot Learning）详细说明
不是教模型记住所有类别，而是教模型理解语义教小孩认水果：传统方法（死记硬背）：- 苹果长这样 ✅- 香蕉长这样 ✅- 橙子长这样 ✅遇到新水果（芒果）→ 不认识 ❌零样本方法（理解概念）：- 苹果：圆形、红色、有果柄- 香蕉：长条形、黄色、可剥皮- 橙子：球形、橙色、有纹理遇到新水果（芒果）→ 看描述："椭圆形、黄色、有大核"→ 虽然没见过，但理解了"形状"、"颜色"等概念→ 可以识别！✅标准分类教模型记住89个类别→ 只能识别这89个类别→ 遇到新类别就不认识了零样本学习。
2025-11-15 10:04:14
775
原创 Moe框架分析
生成的out向量虽然已经融合了信息，但可能还不够强大和稳健。随后通过的前馈神经网络 (ff提升表达力：通过非线性激活函数，它可以学习到比简单加权组合更复杂的跨模态交互特征。增强稳健性：FFN 有助于平滑噪声，并使最终表示对输入的小波动不那么敏感，让模型输出更可靠。这个跨注意力融合过程，本质上是一个精细化的“按图索骥”图：图像语义。索：通过 Q、K、V 机制进行注意力检索和加权。骥：从文本中提炼出的、与图像最相关的语义信息out。
2025-11-14 16:42:09
797
原创 零样本数据集（不需要样本级文本）
零样本数据集（不需要样本级文本）指的是：模型可以在没有每个样本对应文字描述或标签的情况下，直接利用预训练知识进行推理或生成任务。模式是否需要样本级文本是否适合你现在的数据有监督分类✅ 需要每张图的标签和高质量文本❌ 文本质量太差弱监督（标签）✅ 仅用类别名✅ 可用零样本分类❌ 不用样本文本，只用类别描述✅ 非常适合零样本+少样本微调⚙️ 混合方式，兼顾精度✅ 推荐。
2025-11-10 21:52:38
736
原创 FFNN（前馈神经网络）层
前馈”指的是数据在网络中单向流动，从输入层到输出层，中间没有循环或反馈。单向流动：信息像一条单向街道，只向前走，不回头。无循环：与循环神经网络（RNN）不同，它的输出不会再次作为输入传回给自身。你可以把它想象成一个多阶段的流水线或加工链，每一层都对数据进行一次加工，然后将结果传递给下一层。特性解释全连接当前层的每一个神经元都与前一层的所有神经元相连。前向传播数据严格地从输入层流向输出层，计算预测值。非线性激活函数的引入使得网络可以学习非线性关系。分层抽象深层网络能够从数据中学习层次化的特征表示。
2025-11-05 19:54:22
934
原创 创建其他服务器账号
同时删除用户的 home 目录（如果目录还在，会一并删掉）。：指定用户 home 路径，比如。：指定登录 shell（这里是。：强制删除（不再提示是否删除）。：递归删除（目录及子文件）。，里面有常见初始化文件。：自动创建目录并复制。输入两次新密码即可。
2025-09-15 10:31:26
233
原创 【拍摄学习记录】05-对焦、虚化、景深
使用大光圈，虚化表较强，叫做前景深、小景深。使用小光圈，比较清楚，叫大景深。提前触控，手动对焦。对焦模式：半按快门，是否连续对焦？对焦区域：超过对焦距离。
2025-08-29 20:51:52
260
原创 【拍摄学习记录】04-拍摄模式/曝光组合
手动挡【固定物体长时间不变时候、闪光灯时候、】专业模式，【感光度iso、快门可以调节】HDR 大光比【日落时候使用】长曝光【车流轨迹、星轨】
2025-08-29 20:32:27
211
原创 农业-学习记录
注意：终端打开路径：/home/Agribrain/agribrain【git项目的所在目录】，执行指令git commit --no-verify -m "xxxxx"提交后提示合并，参考指令（git pull origin dev --no-rebase。秘钥：/home/Agribrain/giteekey.txt（查看）xxx：注释内容（不知为何现在我这边vscode终端输入不了中文）目前项目在服务器，相比之前本地提交繁琐，待解决！首先，记得vscode打开的项目路径是。），之后在注释、提交一次。
2025-08-22 20:49:07
250
原创 【文献08/05】基于多模态融合大模型架构 Agri-QA Net 的作物知识问答系统
摘要：本研究提出基于多模态融合的Agri-QA Net大模型架构，构建甘蓝作物知识问答系统。该模型整合文本、音频和图像数据，采用BERT提取文本特征、声学模型处理音频、CNN提取图像特征，并通过Transformer融合层和跨模态注意力机制实现多模态信息融合。实验表明，该系统准确率达89.5%，显著优于单模态模型。研究解决了农业领域多模态交互难题，为智慧农业提供有效解决方案，同时在方言处理和少见病害识别方面仍有改进空间。未来将扩展模型应用场景，优化性能以服务农业现代化发展。
2025-08-05 19:17:20
1007
原创 QGIS处理哨兵2号数据为tif
本文介绍了如何在QGIS中汉化软件并处理哨兵遥感数据。首先，通过简单的步骤完成QGIS的汉化并重启软件。接着，解压哨兵遥感数据文件，得到.SAFE文件夹。在QGIS中，可以通过逐个加载.jp2波段的方式，将数据加载到地图窗口。具体操作为：在菜单栏选择“图层”→“添加图层”→“添加栅格图层”，然后浏览到.SAFE文件夹中的相应路径，选择需要的波段并添加。最后，可以将加载的.jp2图层导出为GeoTIFF格式，设置输出路径并保存。
2025-07-14 16:30:08
714
原创 一份激光雷达农业数据的分析
摘要：DJI Zenmuse L1激光雷达系统采集的数据文件包含激光雷达点云（.LDR）、RTK定位（.RTK）、IMU姿态（.IMU）及可见光影像（.JPG）等核心数据，可解析生成高精度三维点云、DSM/DTM和彩色点云。这些数据支持植株高度估算、作物地形重建、生物量估算等农业遥感任务，建议使用DJI Terra或CloudCompare等工具进行点云解码和地形分析，结合RGB影像实现地块识别和病害监测。文件组合可提取厘米级精度轨迹、多回波植被穿透数据等关键信息，为精准农业提供多维分析基础。
2025-07-07 15:18:46
1090
原创 一份多光谱数据分析
DJI 无人机拍摄的标准可见光图像（JPG 格式），带 PPK 信息。图像尺寸、投影、地理坐标等元信息（rasterio 可读取）。最关键波段之一，用于 NDVI、GNDVI、NDRE 等计算。可直接作为输入进行 AI 训练、地块分割、分类等任务。有时还包含姿态角（Roll/Pitch/Yaw）等。包含 L1/L2 波段观测值、伪距、多路径误差等。IMU（惯性测量单元）数据（加速度、陀螺仪）；图像 EXIF 中可读取经纬度、高度、时间戳。拍摄画面内容（可视化植被、病虫害、土壤等）；
2025-07-07 15:08:49
1122
原创 代码上传到 Gitee 仓库
输出：Hi 李广振(@liguangzhen2514)!You've successfully authenticated, but GITEE.COM does not provide shell access.项目地址：git clone https://gitee.com/skb/agribrain.git。打开 Gitee → 头像 → 设置 → SSH 公钥 → 添加公钥。是你仓库路径（你之前克隆的 HTTPS 地址是。，对应的 SSH 路径就是这样）是 SSH 协议的仓库前缀。
2025-06-30 17:35:52
312
原创 下载哨兵2号遥感数据
七星农场位于经度：132.592492、纬度：47.294033。七星农场是黑龙江农垦总局系统国营农场，隶属建三江管理局。位于黑龙江垦区东部，福前铁路通过场区。场部距富锦市政府驻地45公里。以农场南部的七星河得名。-输入纬度，经度【注意, 小数点】Bigemap地球在线。
2025-05-22 14:33:46
385
原创 landsat卫星遥感影像下载、处理教程
本文介绍了Landsat数据的下载、处理和分析流程。首先，通过USGS的EarthExplorer网站下载Landsat影像，选择L1TP或L2SP数据根据需求。接着，安装ENVI软件，并对下载的Landsat影像进行头文件修改、辐射定标和大气校正。然后，使用ENVI工具裁剪图像，可以通过导入shp文件或制作ROI实现。此外，文章还详细说明了如何计算NDVI、WET和NDBSI等遥感指数，并介绍了使用ENVI自带的Spectral indices工具计算其他指数的方法。最后，指导如何将处理后的遥感图像导出为
2025-05-22 13:48:42
2023
原创 使用QGIS将RGBA 7波段栅格转换为RGB 3波段
RGBA色彩空间在RGB基础上增加了Alpha通道，用于控制图像的透明度，Alpha值范围为0（完全透明）至255（完全不透明）。在QGIS中进行波段转换的步骤包括：首先加载数据并确认波段数，然后打开工具箱，选择GDAL工具中的栅格转换功能，最后进行波段重排以生成新的图像。这一过程允许用户根据需要调整图像的显示效果和透明度。
2025-05-21 15:44:53
335
原创 在快速端到端训练中利用多个序列长度进行图像描述处理
我们提出了一种称为扩展机制的方法，该方法处理输入时不受序列中元素数量的限制。通过这样做，模型能够比传统的基于注意力的方法更有效地学习。为了支持这一观点，我们设计了一种新颖的架构ExpansionNet v2，该架构在MS COCO 2014图像描述挑战中取得了良好的结果，并在其类别中达到了最先进水平，在离线测试集上得分为143.7 CIDErD，在在线评估服务器上得分为140.8 CIDErD，在nocaps验证集上得分为72.9 AllCIDEr。
2025-04-16 21:17:20
737
原创 没有遗漏任何细节：重新审视细粒度图像字幕的自我检索
图像描述系统无法生成细粒度的描述，因为它们训练的数据要么是嘈杂的（替代文本），要么是通用的（人类注释）。这种情况因极大似然训练的促进作用而进一步加剧，后者鼓励生成频繁出现的短语。之前的研究尝试通过使用自检索（SR）奖励对描述生成模型进行微调来解决这一限制。然而，我们发现SR微调倾向于降低描述的真实性，甚至产生虚假信息。[[个人知识内容补充#^db400e|SR]]在本研究中，我们通过改善描述系统的MLE初始化并设计SR微调过程的课程来绕过这一瓶颈。为此，我们提出了。
2025-04-15 11:07:49
1112
原创 Blip：引导语言图像预训练进行统一的视觉语言理解和生成
视觉语言预训练 (vlp) 提高了许多视觉语言任务的性能。然而，大多数现有的预训练模型仅在基于理解的任务或基于生成的任务上表现出色。此外，通过使用从网络收集的噪声图像-文本对扩展数据集，在很大程度上实现了性能改进，这是监督的次优来源。在本文中，我们提出了一种新的 vlp 框架 blip，该框架可以灵活地转移到视觉语言理解和生成任务。bilip 通过引导字幕有效地利用嘈杂的 web 数据，其中字幕器生成合成字幕，过滤器删除嘈杂的字幕。
2025-04-14 14:53:37
986
原创 【torchserve】农业小模型部署
利用 PyTorch 的 TorchScript 功能，将模型转换为中间表示（IR），生成一个可序列化的。，这是 PyTorch 内置的编译器，能够将计算图转换为优化的机器代码。：转换后的模型可以在不依赖 Python 的环境中运行，适用于 C++ 等其他语言的运行时环境。：（字符串）控制编译模式，影响编译时间和运行时性能的权衡。：（字典）向后端传递的额外选项，允许用户进一步自定义编译行为。：适用于小型模型，可能增加编译时间，但减少运行时开销。：编译时间最长，但可能提供最佳的运行时性能。
2025-04-07 13:06:46
939
原创 【文献25/04/01】From Show to Tell: A Survey on Deep Learning-Based Image Captioning
连接视觉与语言在生成智能中发挥着重要作用。因此，大量研究工作已投入到图像描述中，即用语法和语义上有意义的句子来描述图像。从2015年开始，这一任务通常通过由视觉编码器和语言模型组成的管道来解决，后者用于文本生成。在这几年中，这两个组件通过对物体区域、属性的利用、多模态连接的引入、全注意力方法以及类似BERT的早期融合策略发生了显著演变。然而，尽管取得了令人瞩目的成果，图像描述的研究仍未得出确凿的答案。本研究旨在提供图像描述方法的全面概述，从视觉编码和文本生成到训练策略、数据集和评估指标。
2025-04-01 11:23:14
1074
原创 【文献25/03/29】UPFormer：用于田间葡萄叶病害分割的U形感知轻量级Transformer
在智能农业领域，分割模型实际上是及时检测和识别植物病害的标准。然而，复杂的背景和小型病害使得对葡萄叶病的分割具有挑战性。现有模型性能提升的趋势伴随着模型大小和计算成本的代价，这阻碍了在资源受限硬件上的部署。为此，我们提出了一种针对田间葡萄叶病的定制轻量级分割架构，称为U形感知Transformer（UPFormer），该架构在性能和效率之间实现了更好的权衡。具体而言，我们利用U形层次结构获取具有优越成本效率的小型词元。
2025-03-30 16:45:47
1187
原创 【文献25/03/28】一种基于深度学习的VIT植物病害自动分类方法
植物病害可能会减少每个农场上相当一部分的农业产品。本研究的主要目标是为农民提供视觉信息，使他们能够采取必要的预防措施。我们提出了一种基于视觉Transformer（ViT）的轻量级深度学习方法，用于实时自动化植物病害分类。除了ViT之外，还实施了经典的卷积神经网络（CNN）方法以及CNN与ViT的结合用于植物病害分类。这些模型已在多个数据集上进行了训练和评估。根据获得结果的比较，得出的结论是，尽管注意力模块提高了准确率，但却减缓了预测速度。将注意力模块与CNN模块结合可以弥补速度上的不足。
2025-03-28 11:06:30
1182
原创 【文献25/03/27】Transfer learning for versatile plant disease recognition with limited data
深度学习在近年来通过观察植物疾病对应的图像，显著提高了对植物疾病的识别能力。为了获得良好的性能，当前的深度学习模型往往需要大规模的数据集。然而，收集数据集既昂贵又耗时。因此，有限的数据是获得所需识别准确率的主要挑战之一。尽管迁移学习被广泛讨论并验证为一种有效且高效的方法来缓解这一挑战，但大多数提出的方法集中于一个或两个特定的数据集。在本文中，我们提出了一种新颖的迁移学习策略，以在多个植物疾病数据集上实现高性能的通用植物疾病识别。我们的迁移学习策略与当前流行的方法有所不同，主要体现在以下几个方面。
2025-03-27 19:19:29
1113
原创 【文献25/03/26】Hyperspectral Image Transformer Classification Networks
通过这两个模块，HiT能够增强局部空间-光谱信息的捕获能力，并减少在深层网络中可能出现的局部信息丢失。最后，经过全局平均池化层和全连接层的处理，完成类别预测。
2025-03-26 15:53:16
1207
原创 【18】文本与注意力
Seq2Seq模型能够用于很多任务，比如机器翻译，编码器对应的是源语言的文本序列，解码器对应的是目标语言的文本序列和文本归纳；也可用于文本摘要，编码器对应的是段落的文本序列解码器对应的是文本摘要。但是由于RNN的特性，对于很长的序列，RNN（包括LSTM和GRU，它们只是在设计上尽量减少遗忘的发生都不可避免地出现遗忘的状况。这个缺点可以使用引入注意力机制J（Attention Mechanism） 来解决。有了自注意力机制之后，就可以使用自注意力机制执行Seq2Seq任务。
2025-03-19 13:55:48
960
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人