<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[x_efwf的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/x_efwf</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; x_efwf]]></copyright><item><title><![CDATA[论文分析笔记（《在资源受限设备上使用知识蒸馏进行实时空中火灾检测》）]]></title><link>https://blog.youkuaiyun.com/x_efwf/article/details/163830237</link><guid>https://blog.youkuaiyun.com/x_efwf/article/details/163830237</guid><author>x_efwf</author><pubDate>Fri, 21 Aug 2026 19:31:54 +0800</pubDate><description><![CDATA[论文聚焦于在资源受限的边缘设备上实现实时、高效的火灾检测。作者针对传统火灾检测系统在视野覆盖和计算效率方面的局限，提出了一种结合知识蒸馏（Knowledge Distillation, KD）技术的轻量化模型。该模型以MobileViT-S作为主干网络，通过从大型“教师”模型中蒸馏知识，训练出一个紧凑高效的“学生”模型。研究的主要贡献包括：构建了用于火灾检测的最佳主干模型并实施KD方法，从大型教师模型向轻量级学生模型传递关键见解；开展了广泛的消融实验，以评估教师模型、学生模型以及所选KD技术对性能的影响；]]></description><category></category></item><item><title><![CDATA[论文分析笔记（《BGC-LiteNet：北斗网格码嵌入式轻量神经网络架构，用于实时无人机火灾检测与定位》）]]></title><link>https://blog.youkuaiyun.com/x_efwf/article/details/163828812</link><guid>https://blog.youkuaiyun.com/x_efwf/article/details/163828812</guid><author>x_efwf</author><pubDate>Mon, 17 Aug 2026 17:11:51 +0800</pubDate><description><![CDATA[对于输入图像中的每个像素，根据无人机的姿态信息（位置、姿态、高度）和相机参数，通过射线-平面交线计算（ray-plane intersection）将像素坐标映射到地面的经纬度坐标，然后通过化公式计算对应的北斗网格索引(i,j)。将北斗网格码嵌入神经网络的输入阶段，使检测和定位在特征学习的底层就完成了耦合，这是一个从问题定义层面的创新。BGC-LiteNet采取了不同的路线：一方面，它引入了北斗网格码作为结构化的空间先验——这不是人工设计的启发式特征，而是国家标准化的地理编码体系，具有强大的先验价值；]]></description><category></category></item><item><title><![CDATA[论文分析笔记（《LAFNET：轻量级空中火灾检测模型，用于机载边缘计算》）]]></title><link>https://blog.youkuaiyun.com/x_efwf/article/details/163441317</link><guid>https://blog.youkuaiyun.com/x_efwf/article/details/163441317</guid><author>x_efwf</author><pubDate>Mon, 17 Aug 2026 16:49:14 +0800</pubDate><description><![CDATA[论文提出了一种面向无人机机载边缘计算场景的轻量化航拍火灾检测模型，以1.3M参数量实现了较YOLOv5n基线提升2.1%的mAP，同时参数量和计算量分别减少27.8%和29.3%，在边缘设备上推理速度提升24.8%。论文核心定位是无人机机载 +轻量化计算高效，强调的是在真实边缘设备上的实际部署能力而不仅仅是理论上的轻量化。研究背景与意义火灾检测是一个具有高度实际价值的应用场景，无人机因其灵活性和可低空飞行能力，在火灾监测中具有独特优势。]]></description><category></category></item><item><title><![CDATA[论文分析笔记（《UAV-FlameNet：一种用于无人机航空火灾监测的轻量级高精度火焰检测模型》）]]></title><link>https://blog.youkuaiyun.com/x_efwf/article/details/163448413</link><guid>https://blog.youkuaiyun.com/x_efwf/article/details/163448413</guid><author>x_efwf</author><pubDate>Mon, 03 Aug 2026 18:24:44 +0800</pubDate><description><![CDATA[数据流从输入图像开始，首先经过ADown无损下采样模块保留微弱火焰特征，然后进入YOLOv11的骨干网络进行多尺度特征提取，在特征融合阶段插入DCFA模块以增强对非刚性目标的建模能力和背景抑制能力，最后在检测头部分使用MPDIoU损失函数加速边界框回归。通过计算局部方差，可以自动给高方差区域（即火焰可能出现的位置）赋予更高的注意力权重，而给低方差区域（背景）赋予较低的权重。传统卷积使用固定的矩形感受野，对于形态规则的目标（如车辆）效果很好，但火焰的形态在燃烧、飘动、扩散过程中不断变化，固定感受野无法对准。]]></description><category></category></item><item><title><![CDATA[学习笔记（残差网络 ResNet）]]></title><link>https://blog.youkuaiyun.com/x_efwf/article/details/163441360</link><guid>https://blog.youkuaiyun.com/x_efwf/article/details/163441360</guid><author>x_efwf</author><pubDate>Mon, 03 Aug 2026 14:11:01 +0800</pubDate><description><![CDATA[========== 定义 BasicBlock ==========expansion = 1 # 输出通道数 = 输入通道数 * expansion# 主路径：两个 3x3 卷积# 快捷连接：如果通道数或尺寸变了，用 1x1 卷积调整if stride!# 主路径# 快捷连接out += self.shortcut(x) # 残差连接：F(x) + xreturn out# ========== 定义 ResNet-18 ==========]]></description><category></category></item><item><title><![CDATA[学习笔记（U-Net ）]]></title><link>https://blog.youkuaiyun.com/x_efwf/article/details/163045175</link><guid>https://blog.youkuaiyun.com/x_efwf/article/details/163045175</guid><author>x_efwf</author><pubDate>Mon, 20 Jul 2026 15:26:06 +0800</pubDate><description><![CDATA[U-Net 模型由编码器、解码器和跳跃连接三部分组成。下面代码使用 same 卷积（padding=1）以避免裁剪操作。每个卷积块包含两次 3×3 卷积加 ReLU 激活，编码器通过 MaxPool2d 下采样，解码器通过 ConvTranspose2d 上采样。]]></description><category></category></item><item><title><![CDATA[学习笔记（FNN前馈神经网络）]]></title><link>https://blog.youkuaiyun.com/x_efwf/article/details/162631314</link><guid>https://blog.youkuaiyun.com/x_efwf/article/details/162631314</guid><author>x_efwf</author><pubDate>Mon, 06 Jul 2026 17:56:35 +0800</pubDate><description><![CDATA[本任务是使用 PyTorch 搭建了一个三层前馈神经网络（输入层784维→隐藏层128维→隐藏层128维→输出层10维），通过 ReLU 激活函数和 Dropout 正则化，在 MNIST 手写数字数据集上进行监督学习训练，采用交叉熵损失函数和 Adam 优化器，经过10轮迭代完成模型优化，最终实现了对手写数字 0-9 的自动分类识别。反向传播算法的含义是：第l层的一个神经元的误差项等于该神经元激活函数的梯度，再乘上所有与该神经元相连接的第l+1层的神经元的误差项的权重和。diag(•)表示对角矩阵。]]></description><category></category></item><item><title><![CDATA[学习笔记（GRU 门控循环单元）]]></title><link>https://blog.youkuaiyun.com/x_efwf/article/details/162175369</link><guid>https://blog.youkuaiyun.com/x_efwf/article/details/162175369</guid><author>x_efwf</author><pubDate>Mon, 22 Jun 2026 19:54:45 +0800</pubDate><description><![CDATA[GRU 模型的最终隐藏状态的核心作用是作为时序信息的压缩载体与传递接口，在序列的每个时间步同时承担"当前输出"与"历史记忆"的双重职能。而门控循环单元支持隐状态的门控。GRU 模型的最终隐藏状态是单元在当前时刻的"输出记忆"，由更新门对旧状态和候选隐状态 进行加权插值得到它扮演着双重角色，既作为当前时刻的输出传递给上层网络，又作为下一时刻的输入继续承载序列信息。更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，也就是更新门帮助模型决定到底要将多少过去的信息传递到未来，简单来说就是用于更新记忆。]]></description><category></category></item><item><title><![CDATA[学习笔记（循环神经网络RNN）]]></title><link>https://blog.youkuaiyun.com/x_efwf/article/details/161777963</link><guid>https://blog.youkuaiyun.com/x_efwf/article/details/161777963</guid><author>x_efwf</author><pubDate>Mon, 08 Jun 2026 14:56:44 +0800</pubDate><description><![CDATA[循环神经网络（Recurrent Neural Networks, RNN）是一类神经网络架构，专门用于处理序列数据，能够捕捉时间序列或有序数据的动态信息，能够处理序列数据，如文本、时间序列或音频。在某些情况下，RNNs会打破后者的限制，引导信息从输出单元返回隐藏单元，这些被称为“Back Projections”，并且隐藏层的输入还包括上一隐藏层的状态，即隐藏层内的节点可以自连也可以互连。粉色的圈代表 pointwise 的操作，诸如向量的和，而黄色的矩阵就是学习到的神经网络层。细胞状态类似于传送带。]]></description><category></category></item><item><title><![CDATA[学习笔记（卷积神经网络CNN）]]></title><link>https://blog.youkuaiyun.com/x_efwf/article/details/160993854</link><guid>https://blog.youkuaiyun.com/x_efwf/article/details/160993854</guid><author>x_efwf</author><pubDate>Mon, 25 May 2026 21:50:34 +0800</pubDate><description><![CDATA[去均值操作是将图像中每个像素点的 RGB 值减去数据集的均值，这样可以使数据的中心分布在原点附近，有助于模型的收敛。卷积神经网络模型有小到几层的浅层网络结构也有大道数百层的超深层网络（如ResNet 的变体），网络的层数并非越深越好，ResNet 论文指出，超过一定深度后（如 152 层 vs 1000 层），精度提升趋于饱和，甚至因过拟合而下降。对于图像数据而言，通常以多维数组的形式输入，比如常见的 RGB 彩色图像，其维度为 （高度，宽度，通道数），其中通道数为 3，分别对应红、绿、蓝三个颜色通道；]]></description><category></category></item><item><title><![CDATA[学习笔记（深度学习基础）]]></title><link>https://blog.youkuaiyun.com/x_efwf/article/details/160854850</link><guid>https://blog.youkuaiyun.com/x_efwf/article/details/160854850</guid><author>x_efwf</author><pubDate>Mon, 11 May 2026 19:19:17 +0800</pubDate><description><![CDATA[例如第一个隐藏层学习到的是“边缘”的特征，第二个隐藏层学习到的是由“边缘”组成的“形状”的特征，第三个隐藏层学习到的是由“形状”组成的“图案”的特征，最后的隐藏层学习到的是由“图案”组成的“目标”的特征。一般来说设计一个神经网络时，输入层与输出层的节点数往往是固定的，中间层则可以自由指定，神经网络结构图中的拓扑与箭头代表着预测过程时数据的流向，跟训练时的数据流有一定的区别，结构图里的关键不是圆圈（代表“神经元”），而是连接线（代表“神经元”之间的连接）。与sigmoid不同的是，tanh是“零为中心”的。]]></description><category></category></item><item><title><![CDATA[学习笔记（机器学习相关基础学习）]]></title><link>https://blog.youkuaiyun.com/x_efwf/article/details/160504640</link><guid>https://blog.youkuaiyun.com/x_efwf/article/details/160504640</guid><author>x_efwf</author><pubDate>Mon, 27 Apr 2026 11:47:59 +0800</pubDate><description><![CDATA[本文系统介绍了机器学习的基本概念、主要类型及常用算法。首先概述了机器学习的定义及其与传统编程的区别，然后详细讲解了监督学习、无监督学习、半监督学习和强化学习四种主要类型。重点介绍了线性回归、支持向量机、K-近邻算法、逻辑回归、决策树、朴素贝叶斯、随机森林、K-Means和主成分分析等九种基础算法的数学原理和Python实现方法，每种算法都配有示例代码和可视化结果。文章旨在为初学者提供全面的机器学习入门指导，涵盖从理论到实践的完整知识体系。]]></description><category></category></item><item><title><![CDATA[（保姆步骤）MySQL忘记密码了，重置密码。]]></title><link>https://blog.youkuaiyun.com/x_efwf/article/details/147167271</link><guid>https://blog.youkuaiyun.com/x_efwf/article/details/147167271</guid><author>x_efwf</author><pubDate>Sat, 12 Apr 2025 17:31:24 +0800</pubDate><description><![CDATA[本人因为忘记自己的本地mysql数据库密码，在网上搜了很多方法感觉太杂乱，自己重置密码后将步骤分享出来。一、操作步骤一.首先确定你的MySQL安装路径：1.按win+x ,点击任务管理器。2.点击服务，然后点右上角三个点，再点击打开服务，进入服务界面找到MySQL。3.右键MySQL点击属性可以看到文件路径，记住这个路径。二.执行重置操作。1.以管理员身份打开​​​。]]></description><category></category></item></channel></rss>