我的博客

原创 开关电源拓扑结构（第一部分）

开关电源的主要思想可以通过直流到直流变压器的概念解释轻松理解，如图1所示。负载RLR_LRL​需要从主电压源VINV_{IN}VIN​中获得一个恒定电压VOUTV_{OUT}VOUT​。如图1所示，通过变化串联电阻(RSR_SRS​)或分流电流(ISI_SIS​)可以调节输出电压VOUTV_{OUT}VOUT​。当通过变化ISI_SIS​并保持RSR_SRS​不变来控制VOUTV_{OUT}VOUT​时，变压器内部发生功率损耗。这种类型的变压器称为分流控制调节器。变压器内部的功率损耗由方程1给出。请注意，

原创 MOSFET效应管

【学习笔记】

原创 【Altium Designer 20 笔记】PCB层

这些层在 PCB 设计和制造中起着关键作用，帮助工程师和制造商确保电路板的正确性、可靠性和性能。

原创 【Altium Designer 20 笔记】PCB线宽与过孔尺寸

电源线：40mil=1A（一般翻倍给）,地线比电源线粗一点即可；信号线：10-15mil一、线宽二、过孔。

原创 【Altium Designer 20 笔记】PCB铺铜过程

PCB铺铜步骤切换到Keep-Out Layer（禁止布线层）使用shift+s键切换单层显示画禁止布线范围（防止铺铜过大）切换到需要铺铜的层选择铺铜网络，通常是地（GND）或某个电源网络结果

原创 【Altium Designer 20 笔记】PCB板框

如果需要修改板框的尺寸或形状，可以再次使用绘图工具进行调整，并重新定义板子形状。

原创 【Altium Designer 20 笔记】隐藏PCB上的信号线（连接线）

使用网络类隐藏特定类型的信号线如果你想要隐藏特定类型的信号线（例如电源类），你可以首先创建一个网络类。使用快捷键DC调出对象类浏览器，在Net Classes中右击添加类，并重命名（例如为“Power”）快捷键DC调出对象类浏览器在创建的网络类中，添加你想要隐藏的网络。点击面板“Panels”，勾选“PCB”选项。此时，在右侧面板中应能看到你刚刚创建的类（例如“Power”）右击该类（例如“Power”），选择“连接”→“隐藏”，即可隐藏该类下的所有网络连线。

原创 常见运放电路

2： R1无穷大时（即V-与地线断开）

原创 word文献交叉引用（多个）

word文献交叉引用（多个）

原创 开关电源拓扑

原创 电容与电感

电容电感

原创 Review on Indoor RGB-D Semantic Segmentation with Deep Convolutional Neural Networks

许多研究工作关注于利用室内深度传感器的互补几何信息，在由深度卷积神经网络执行的视觉任务中，特别是语义分割。这些工作涉及一种称为“RGB-D室内语义分割”的特定视觉任务。这个任务的挑战和结果解决方案与其标准的RGB对应物不同。这导致了一个新的活跃研究课题。本文的目标是介绍用于RGB-D室内语义分割的深度卷积神经网络领域。该综述介绍了最流行的公共数据集，提出了近期贡献所采用的策略的分类，评估了当前最先进技术的性能，并讨论了剩余的挑战和未来工作的有希望的方向。

原创 电子元件封装类型

电子元件封装类型

原创 Deep MultimodalLearningA survey on recent advances and trends

深度学习的成功已经成为解决越来越复杂的机器学习问题的催化剂，这些问题通常涉及多个数据模态。我们回顾了深度多模态学习的最新进展，并突出了该活跃研究领域的现状，以及存在的差距和挑战。我们首先对深度多模态学习架构进行分类，然后讨论在深度学习架构中融合学到的多模态表示的方法。我们强调两个研究领域——正则化策略和学习或优化多模态融合结构的方法——作为未来工作的激动人心的领域。

原创 C指针学习

学习笔记。

原创 stm32工程模板

sys.c。

原创 C单片机数据类型与格式化

C语言数据类型与关键字位数表示范围stdint关键字ST关键字unsigned char80 ~ 255uint8_tu8char8-128 ~ 127int8_ts8unsigned short160 ~ 65535uint16_tu16short16-32768 ~ 32767int16_ts16unsigned int320 ~ 4294967295uint32_tu32int32-2147483648

原创 C单片机关键字extern、static 和 const

C单片机关键字extern、static 和 const

原创 mathtype公式居中，编号右对齐

STEP1：确定居中宽度STEP2：公式行制表符STEP3：居中制表符长度STEP4：居右制表符长度STEP5：tab调整公式格式

原创 stm32烧录hex文件

stm32烧录hex文件step1:

原创 基于ConvNeXt的跨模态特征融合模型用于RGB-D语义分割

本文提出了基于ConvNeXt的跨模态特征融合RGB-D语义分割模型，该模型使用ConvNeXt作为骨架网络，并嵌入了一个跨模态特征融合模块（CMFFM）。CMFFM设计了特征通道和光谱级别的融合，可以实现RGB和深度的深度特征融合

原创 Visdom使用

`Visdom`是一个面向科学研究的可视化工具

原创 交叉熵损失CrossEntropyLoss

语义分割交叉熵损失CrossEntropyLoss

原创 python报错记录

报错记录

原创 混淆矩阵和语义分割评价指标:Acc CAcc MAcc loU MIoU FWMIoU

混淆矩阵和语义分割评价指标:Acc CAcc MAcc loU MIoU FWMIoU

原创 visio转esp

visio转esp

原创 【MobileNetsv1】: Efficient Convolutional Neural Networks for Mobile Vision Applications

我们提供了一种称为MobileNets的高效模型类，用于移动和嵌入式视觉应用。MobileNets基于一种简化的架构，使用深度可分离卷积来构建轻量级深度神经网络。我们引入了两个简单的全局超参数，可以有效地权衡延迟和准确性。这些超参数允许模型构建者根据问题的约束条件选择适合其应用程序的正确大小的模型。我们进行了大量的资源和准确性权衡实验，并在ImageNet分类任务上展现出与其他流行模型相比的较强表现。

原创 A Novel Semantic Segmentation Algorithm for RGB-D Images Based on Non-Symmetry and Anti-Packing Patt

语义分割在计算机视觉研究中起着重要作用。它指的是在像素层面上识别图像，也就是标记图像中每个像素所属的对象类别。目前，语义分割已被广泛应用于自动驾驶、机器人感知和医学图像诊断等智能任务[1], [2], [3], [4], [5]。近年来，基于深度学习的图像分割方法发展迅速。自Shelhamer等人[6]提出全卷积神经网络（FCN）以来，卷积神经网络（CNN）在语义分割任务中取得了令人瞩目的成绩。因此，它们被广泛地应用于语义分割领域。

原创 【PIDNet】: A Real-time Semantic Segmentation Network Inspired by PID Controllers

在实时语义分割任务中，双分支网络架构显示出其高效性和有效性。然而，

原创 A ConvNet for the 2020s

重新审视设计空间并测试了纯ConvNet可以实现的极限。我们逐步将标准ResNet“现代化”成为一个视觉Transformer的设计，并在过程中发现了几个关键组成部分，它们对性能差异做出了贡献

原创 层次多尺度注意力用于语义分割

多尺度推断通常用于提高语义分割的结果。多个图像尺度通过网络传递，然后使用平均或最大池化方法将结果组合起来。在本文中，我们提出了一种基于注意力的方法来结合多尺度预测。我们表明，在某些尺度上的预测能够更好地解决特定的失败模式，并且网络学习在这些情况下偏向于选择这些尺度以生成更好的预测。我们的注意机制是分层的，使其大约比其他最新方法节省4倍内存。除了使训练速度更快外，这样也允许我们使用更大的裁剪大小，从而提高模型的准确性。

原创 LPP 和 Kernel LPP

非线性降维技术（如ISOMAP、LLE和Laplacian eigenmaps）的一个问题是这些方法仅在训练数据点上定义，不清楚如何评估新测试点的映射。Locality Preserving Projection（LPP）算法的主要动机是产生一种方法，可以简单地应用于任何新测试数据点以定位它在降维表示空间中的位置。与Laplacian Eigenmaps方法相似，我们寻求一个平滑映射，保持局部性，即图形中的接近必须意味着在线上的接近。我们在之前的章节中已经展示了，如果最小化以下准则，则映射。

原创 DeepLab v3

在本工作中，我们重新审视了空洞卷积这一强大的工具，它可以明确调整过滤器的视野，以及通过深度卷积神经网络计算特征响应的分辨率。我们设计了模块来处理多尺度分割对象的问题，这些模块采用多个空洞率级联或并行地使用空洞卷积来捕获多尺度上下文。此外，我们建议利用全局上下文编码图像级特征来进一步提高我们之前提出的" Atrous Spatial Pyramid Pooling" 模块对多尺度卷积特征的探究，并进一步提高性能。我们还详细说明了实现细节，并分享了我们在训练系统方面的经验。所提出的 “DeepLabv3” 系统

原创 DeepLab V3+

对于语义分割任务，深度神经网络通常使用空间金字塔池化模块或编码器-解码器结构。前者通过以多种速率和多种有效视野的滤波器或池化操作来探测传入特征以编码多尺度上下文信息，而后者则通过逐渐恢复空间信息来捕捉更加清晰的物体边界。在本文中，我们提出了将两种方法的优点结合起来的方法。具体而言，我们的提出的模型DeepLabv3+扩展了DeepLabv3，通过添加一个简单而有效的解码器模块来特别改善物体边界的分割结果。我们进一步探索了Xception模型，并将深度可分离卷积应用于空洞空间金字塔池化和解码器模块，从而得到了

原创 DeepLab v1

深度卷积神经网络（DCNNs）最近在高级视觉任务中表现出了最新的性能，如图像分类和物体检测。这项工作将来自DCNN和概率图形模型的方法结合起来，以解决像素级分类任务（也称为“语义图像分割”）。我们证明DCNN的最终层的响应对于准确的对象分段不足够局部化。这是由于使DCNNs用于高级任务的非常不变属性所致。通过将最终DCNN层的响应与完全连接的条件随机场（CRF）相结合，我们克服了深度网络的这种劣质本地化特性。在定性上，我们的“DeepLab”系统能够定位超过以前方法的准确性水平的片段边界。

原创 python格式化输出

python格式化输出

原创 Python的类变量和对象变量声明解析

不过建议将对象变量声明在__init__()方法中，因为对象一被创建的时候即会调用这个方法，否则的话，比如上面那个例子，如果我先调用sayName()的话，那么就会出错，说对象实例还没有name这个属性！比如这里的类变量__count就是类私有的，只能被类的函数成员调用（13行），而在类外面调用（16行）就是错误的！Python的类和C++一样，也都是存在两种类型的变量，类变量和对象变量！那个cvar就是属于Python类的变量，而那个fvar就是方法sayHi()中的局部变量，第11条语句那里就会报错！

原创 VSCode终端选择虚拟环境

VSCode终端选择虚拟环境

原创 pycharm参数运行

参数运行

原创 【EMSANet2022】Efficient Multi-Task RGB-D Scene Analysis for Indoor Environments

语义场景理解对于在各种环境中行动的移动代理至关重要。尽管语义分割已经提供了很多信息，但关于单个物体以及一般场景的细节还是缺失的，但对于许多现实世界的应用来说是需要的。然而，鉴于移动平台上有限的计算和电池能力，单独解决多个任务是昂贵的，而且不能实时完成。在本文中，我们提出了一种高效的RGB-D场景分析的多任务方法（EMSANet），它同时进行语义和实例分割（全景分割）、实例方向估计和场景分类。我们表明，所有的任务都可以在移动平台上使用单一的神经网络实时完成，而不会降低性能–相比之下，各个任务之间能够相互受益。