Docker入门

博主在Datawhale的瑕疵目标检测天池比赛中遇到Docker问题,老家环境限制了远程服务器的访问。在Ubuntu20.04上使用阿里云镜像,初次push Docker镜像时遇到权限拒绝问题,解决后再次push仍失败,官方文档提示需检查~/.docker/config.json文件,但该文件不存在。博主因实验室任务繁重,决定回校后再深入研究Docker并继续比赛。

本次是参与Datawhale的组队学习瑕疵目标检测的天池热身赛;

由于docker是第一步操作,所以花了一些时间在docker上;而自己在老家还未归校,挂vpn连实验室的服务器又略显麻烦,故训练的任务放在了回校后进行。

目前是在ubuntu20.04上进行docker的实验及学习,用的是阿里云的镜像仓库,但有一个问题是push总是失败,显示denied: requested access to the resource is denied。

后来先docker tag了之后push成功了;
但之后再次push又总是失败(每次push前都重新log in了);

查询aliyun官网:
PICTURE:/home/guolinux/.config/tencent-qq//AppData/file//sendpix0.jpg
也就是需要去查看下目录~/.docker/config.json文件,然而系统里根本没有该文件…

总结:由于最近几天忙着实验室的专利写作和寒假任务的赶进度,导致没有太多时间研究docker及本次大赛,故第一天打卡匆匆止步于此,等后天回到学校后务必认真完成,自己怎么说也是做cv的,天池上的cv大赛都要参加一下,而本次学习则要建立一个良好的开局。

基于TROPOMI高光谱遥感仪器获取的大气成分观测资料,本研究聚焦于大气污染物一氧化氮(NO₂)的空间分布与浓度定量反演问题。NO₂作为影响空气质量的关键指标,其精确监测对环境保护与大气科学研究具有显著价值。当前,利用卫星遥感数据结合先进算法实现NO₂浓度的高精度反演已成为该领域的重要研究方向。 本研究构建了一套以深度学习为核心的技术框架,整合了来自TROPOMI仪器的光谱辐射信息、观测几何参数以及辅助气象数据,形成多维度特征数据集。该数据集充分融合了不同来源的观测信息,为深入解析大气中NO₂的时空变化规律提供了数据基础,有助于提升反演模型的准确性与环境预测的可靠性。 在模型架构方面,项目设计了一种多分支神经网络,用于分别处理光谱特征与气象特征等多模态数据。各分支通过独立学习提取代表性特征,并在深层网络中进行特征融合,从而综合利用不同数据的互补信息,显著提高了NO₂浓度反演的整体精度。这种多源信息融合策略有效增强了模型对复杂大气环境的表征能力。 研究过程涵盖了系统的数据处理流程。前期预处理包括辐射定标、噪声抑制及数据标准化等步骤,以保障输入特征的质量与一致性;后期处理则涉及模型输出的物理量转换与结果验证,确保反演结果符合实际大气浓度范围,提升数据的实用价值。 此外,本研究进一步对不同功能区域(如城市建成区、工业带、郊区及自然背景区)的NO₂浓度分布进行了对比分析,揭示了人类活动与污染物空间格局的关联性。相关结论可为区域环境规划、污染管控政策的制定提供科学依据,助力大气环境治理与公共健康保护。 综上所述,本研究通过融合TROPOMI高光谱数据与多模态特征深度学习技术,发展了一套高效、准确的大气NO₂浓度遥感反演方法,不仅提升了卫星大气监测的技术水平,也为环境管理与决策支持提供了重要的技术工具。 资源来源于网络分享,仅用于学习交流使用,请勿用于商业,如有侵权请联系我删除!
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值