七夜星七夜月-优快云博客

原创深度学习论文相关网站和科研插件推荐

此扩展程序会添加一个网页标记，以便用户可以从 dblp、Google 学术、Connected Papers、Semantic Scholar 和 Web of Science 轻松查询学术文章的类别（即其在《中国计算机学会推荐国际学术会议和期刊目录》第五版(2019年4月)中的类别）。在 Google 学术的 articles 和 author 搜索结果中标记论文的类别；在dblp、Google学术、Connected Papers和WoS的搜索结果中显示中国计算机学会推荐的会议和期刊排名。

2024-12-23 10:17:02 1068

原创时间序列预测论文讲解-[AAAI 2024] HDMixer: Hierarchical Dependency with Extendable Patch for Multivariate Time

本文提出了一种名为HDMixer的新型多变量时间序列预测方法，旨在提高模型在捕捉时间序列局部特征和复杂交互方面的性能。HDMixer通过设计长度可扩展的补丁器（LEP）来丰富补丁的边界信息，减少序列语义不连贯问题，并采用全MLP架构的层级依赖探索器（HDE）来有效建模补丁内的短期依赖、补丁间的长期依赖以及变量间的复杂交互。

2024-12-23 10:16:33 845

原创时间序列预测论文讲解-[ICLR 2024]TIMEMIXER: DECOMPOSABLE MULTISCALE MIXING FOR TIME SERIES FORECASTING

本文提出了一种新的时间序列预测方法TimeMixer，该方法通过分析不同采样尺度下时间序列的独特模式，采用多尺度混合的视角来解析复杂的时间变化。TimeMixer是一个基于全MLP架构的模型，包含了过去分解混合（PDM）和未来多预测混合（FMM）模块，以充分利用分解后的多尺度序列信息进行历史信息的提取和未来趋势的预测。PDM模块对多尺度序列进行分解，并将分解出的季节性和趋势成分在不同方向上进行混合，以此汇聚微观季节性和宏观趋势信息。FMM模块则通过组合多个预测器，利用多尺度观测中的互补预测能力。

2024-12-22 14:23:01 991

原创时间序列预测论文讲解-PDF-[ICLR 2024]PERIODICITY DECOUPLING FRAMEWORK FOR LONGTERM SERIES FORECASTING

论文标题为《长期序列预测的周期性解耦框架》。本文提出了一种新的周期性解耦框架（Periodicity Decoupling Framework，PDF），用于捕捉解耦序列的二维时间变化，从而提高长期序列预测的准确性。该框架主要包括三个部分：多周期解耦块（MDB）、双重变化建模块（DVMB）和变化聚合块（VAB）。与之前的方法不同，该框架主要关注二维时间变化，通过MDB从一维时间序列中解耦出来。然后，DVMB尝试进一步捕捉短期和长期的变化，最后VAB做出最终预测。

2024-12-22 14:22:30 931

原创时间序列预测论文讲解-CP-Net-[ICIC 2024]Boosting MLPs with a Coarsening Strategy for xxxxx

在这里可以给一个没人做过的创新点，可以试试看，我暂时还没有尝试过：能不能使用本文的这个下采样的方法，或者那个UnetTSF，作为一个embedding的方法。这个想法其实是看到PDMLP想起来的，就是参考它的那个embedding的思想，融合多尺度进行。其实这个方向和LightTS其实也是很相像的。和前面的，PDMLP、UnetTSF等方法，很多都使用类似的方法。多尺度、提取上下文信息、MLP、卷积很多因素都在很多论文出现过。代码比之前的还是相对难了一点点的。

2024-12-21 14:33:17 829

原创如何写好一份科技报告

封面：包括报告标题、研究单位、报告编写人、日期等信息。摘要：简洁明了地总结报告的核心内容，主要包括研究目的、方法、结果及结论。摘要应避免使用过于详细的技术术语，力求通俗易懂，让读者在短时间内了解报告的关键内容。

2024-12-21 14:31:17 1307

原创时间序列预测论文讲解-LightTS-[arXiv 2022]Less Is More: Fast Multivariate Time Series Forecasting with Light xx

在后续的文章中，我可以找出创新低方式一模一样的论文，比如PDMLP。不要小看这些看似简单的网络结构，自己去实现和搭建的，其实很难让它具备准确性、高效性和鲁棒性的。其实也看得出来，时间序列领域很多结构都是通用且很好用的，并没必要做太多的改动。以DLinear为代表的算法使用季节趋势分解对时间序列进行一个分解，然后再进行预测。LightTS的网络结构并不复杂，但是它的代码不是Github上面的，所以我也就没有下载。在对序列经过分解之后，LightTS使用IEBlock对分解后的序列进行建模。

2024-12-19 14:01:59 1188

原创时间序列预测论文讲解-[arXiv 2024]PDMLP: Patch-based Decomposed MLP for Long-Term Time Series Forecasting

该论文提出了一种新的长序列时间预测模型PDMLP，通过采用基于补丁分解的多层感知器结构，强化了序列局部性并解决了传统Transformer架构在处理长序列时可能出现的时序信息损失问题。研究指出，简单的线性层结合补丁机制可能优于复杂的Transformer模型，并强调了多变量时间序列预测中变量间交互的重要性。论文中提出的PDMLP模型利用简单移动平均从时间序列数据中提取平滑成分和含噪声的残差，并通过通道混合进行语义信息交换，同时独立处理随机噪声。

2024-12-19 13:29:04 1258

原创时间序列预测论文阅读和相关代码库

[AAAI 2023] Are Transformers Effective for Time Series Forecasting?UnetTSF: A Better Performance Linear Complexity Time Series Prediction ModelTime-Series-LibraryUnetTSF

2024-12-18 15:13:57 723 1

原创时间序列预测论文讲解-[arXiv 2024] UnetTSF: A Better Performance Linear Complexity Time Series Prediction Model

看完这篇文章的思路很巧妙，多尺度加上DLinear的基本架构，就实现了线性复杂度、模型参数量少、计算复杂度低、性能还不错这几个特点。但是这篇文章的结构并不属于原创。UnetTSF原文也指出了，确实是有这方面的考量的。顺着这个思路像，还有很多可以参考相关思想的网络：PSPNet、VNet、SegNet。这些网路都是图像分割的经典论文，都有一些十分优秀的思路。UnetTSF基本上就是比较简单简单的MLP-based网络了，代码结构也十分简单。它的结构一样是很简单易懂的那个类型，整个流程就是图片字面意思。

2024-12-18 15:08:30 974 1

原创时间序列预测论文讲解-[AAAI 2023] Are Transformers Effective for Time Series Forecasting?

尽管现有的研究展示了基于 Transformer 的解决方案在 LTSF 任务上取得了显著的性能提升，但论文作者认为这些提升主要归功于非自回归的多步预测 (DMS) 策略，而非 Transformer 架构本身的时序建模能力。看完这篇文章就是耳目一新。DLinear 模型是一个简单、高效、可解释的 LTSF 模型，它在大多数情况下优于现有的基于Transformer 的 LTSF 模型。然而，DLinear 模型的模型容量有限，无法捕捉复杂的时序动态，因此它更适合具有明显趋势的时间序列数据。

2024-12-18 14:22:20 876

原创解决OpenOPC报错: Dispatch: invalid class string

OpenOPC报错：无效字符，Dispatch:invalid class string

2024-09-29 16:21:32 304

原创 YOLOv5 pt转engine

参考一下下面的图，这里举的例子是8.5.3的。如果你要安装8.5.3的tensorrt，在安装之前，至少请保证你现有的环境中的cuda、cudnn、tensorflow、onnx、pytorch均大于8.5.3的tensorrt的版本要求。如果你十分确定你的cuda版本和cudnn版本之间是绝对兼容没问题的，即之前的跑实验都能用。先重装你的pytorch试试看，如果也没有问题，那么问题应该就是在tensorrt的版本上了。一开始我觉得是cuda出问题了，运行了下面的代码测试一下，发现也都是True。

2024-01-20 09:28:55 1747

原创 YOLOv5 pt转为onnx

使用onnx模型的时候，很反常，打印出来的使用设备是GPU，但是我查看GPU时GPU的利用率是零，并且速度很慢，应该是使用CPU跑的。然后我发现有一个叫dnn的东西可以和onnx配合着使用，我就尝试了一下，此时onnx模型的前向推理速度是1s一张图。运行下面的代码安装onnx相关的环境，按照自己的设备进行选择。所以应该是onnx和cuda、cudnn的版本没对上，重新装就好了。是没办法安装好onnx环境的。看到这里，在我只能说yolov5的作者真的太贴心了。下面是5x的一些实验，均开启了半精度。

2024-01-19 15:06:05 2258 3

原创 YOLOv5实现多线程推理

具体效果以实际情况为例，比如我的机器是RTX3060+12GB的内存。跑一个detect.pyGPU的利用率就已经爆满了，使用多进程反而增加了总体的检测时间。简单说一下思想，上述代码其实同时包含了Batch Size和多进程的方式。在一个for循环中使用两个进程加载两个batch，就可以实现多进程的效果了。

2024-01-18 21:41:58 1343

原创 YOLOv5缺陷检测工程文章目录

无法稳定复现出一样结果的解决方案YOLOv5半精度推理YOLOv5使用8bit的模型检测8bit的图片YOLOv5使用detect.py进行多线程推理Yolov5 将图片合成batch进行推理-1Yolov5 将图片合成batch进行推理-2

2024-01-18 13:36:56 1233

原创 Yolov5 将图片合成batch进行推理-2

下面这个代码其实就只加载了一次模型，和detect.py中多次运行run是不一样的。那是因为在detect.py中的run中有导入模型的步骤。最重要的是，通过使用官方的detecct.py测试这290张图只消耗了15s的时间。如果要深究n个batchsize的方式去做检测的话，那就只能在detect.py上进行修改了。这一篇主要就是将路径下的图片以batchsize=n这样送去给model进行检测。下面使用我自己训练出来的YOLOv5x进行测试的，路径下一共有290张图片。介绍了一个简单的用法。

2024-01-18 13:28:06 659

原创 YOLOv5 detect.py开启半精度推理

由于是使用了detect.py文件进行推理的，无法判断，现在想到的办法是去查看测试得到的CSV文件。根据CSV文件所展示的，开启半精度之后预测的概率确实是会降低的。我这里分别使用YOLOv5s和YOLOv5x进行了一下测试：开启半精度预测之后，根据下面两个表格可以看出，模型越大，检测的图片越多，那么半精度推理所提高的速度也就越多。上面这个博客应该是没有问题的，但是我现在环境没装好，还没办法实践，等环境装好后会补充测试。但是在我装环境的过程中我发现，在detect.py中的模型参数包含了开启半精度的选项。

2024-01-18 10:47:02 1160

原创 YOLOv5使用8bit的模型检测8bit的图片

实验结果如下，其实对于各个模型来看，5n、5s、5x，前向推理其实都有一点点的提升，但是不多。反而出乎意料的是，8bit的精度反而比32bit的精度要高，出乎我的意料。但是设备、环境、使用场景的不同，我就自己做了一些消融实验，验证它在我的需求下是否有效。

2024-01-17 11:14:02 437

原创 Yolov5 将图片合成batch进行推理-1

暂时没有弄清楚怎么通过这种方式给model输送多个batch。后续可能根据上面那种模式添加代码或者通过修改detect.py达到这个效果。但是无论是把20-100张图片合成一个batch送去检测，都比逐张检测是要慢的。实际上是Yolo文件夹中的hubconf.py的所在文件夹。下的图片全部合成一个batch送到model中进行检测。

2024-01-17 11:00:25 605 1

原创 YOLOv5提高检测速度：使用detect.py进行多进程推理

我们的项目有一个需求，就是10s之内得检测完一张图片。但实际上程序可能需要的时间接近40s，所以就有了一个多线程的需求。所以下面测试我将通过跑3次相同路径下图片的耗时进行比较。使用的GPU设备是RTX3060。通过上述的方式连续跑三次，耗时23s-29s。我先对他的main函数做了一些简单的修改。同样的，对代码进行一些小修改。多进程的耗时为11.1s。

2024-01-16 11:07:53 2558 2

原创 YOLOv5无法稳定复现出一样结果的解决方案

torch.backends.cudnn.benchmark和torch.use_deterministic_algorithms。但是他有一个问题，YOLOv5代码中的随机种子虽然固定了，但是仍然有问题，将。YOLOv5本身会有自己的随机种子。在训练之前呢使用这个函数定义好随机种子就可以了。修改好就可以解决问题了。

2024-01-15 17:42:35 1085 2

原创张正友标定法代码解释

不说太多，先上一份完整可用的源代码。因为版本不一样，可能需要添加或者删掉一些头文件或者是更新一些拓展工具//#include <opencv2/opencv.hpp> //#include <highgui.hpp> //#include "cv.h" //#include <cv.hpp> //#include <iostream> //#include <tchar.h> //#include "atlstr.h"

2021-06-13 16:01:13 383

原创使用Atmega48实现键控LED，实现一亮一灭，附带c文件以及仿真文件

使用Atmega48实现一个按键控制LED亮灭/***这里是一些头文件以及声明***/#include"iom48v.h"#include"macros.h"#define uchar unsigned char#define uint unsigned int/**********************作用：初始化IO口**********************/void init(){ PORTC=0XFF; DDRC=0XF0; PORTB=0XF

2020-08-04 23:04:10 663

原创树莓派初次配置C++环境以及进行简单的hcsr04驱动

树莓派初次配置C++环境以及进行简单的hcsr04驱动当你已经拥有一块树莓派，并且成功烧写好了系统，进行了最基础的树莓派配置，并且拥有树莓派屏幕或者使用了SSH、VNC等可以进行远端操作时，你就可以进行下面的操作了。这篇文章仅仅针对初学者的初次学习以及尝试。安装 wiringPI.h 库先确认你的树莓派有没有安装GIT工具，可以在LX终端输入以下指令：sudo apt-get install git-core输入以上指令后可能需要输入【Y/n】，先观察显示内容的，如果已经显示了安装最新版本

2020-05-20 22:50:01 2591 1