- 博客(33)
- 收藏
- 关注
原创 CVPR2024:PKINet(上下文锚点注意力机制)
PKINet采用无扩展的多尺度卷积核来提取不同尺度的目标特征并捕获局部上下文。具体来说,首先,PKINet不依赖于大核卷积或膨胀卷积来扩展感受野,而是利用无扩展的深度卷积(inception-style)来提取不同感受野之间的多尺度纹理特征。最后,这两个模块协同工作,促进了局部和全局上下文信息的自适应特征提取,从而提高了遥感目标检测的性能。为了解决上述问题,以前的方法是通过大核卷积或膨胀卷积来扩展主干网络的空间感受野。但是,前者通常会引入相当大的背景噪声,而后者可能会产生过于稀疏的特征表示。
2024-11-06 21:49:29
4865
原创 pip常用命令(简要整理)
pip 是 Python 的包管理工具,用于管理 Python 项目的依赖包。通过 pip ,可以方便地从 Python 包索引(PyPI)及其他源获取和管理各种扩展功能的包。下面就来介绍一些pip的常用命令。最后,欢迎关注公众号。
2024-08-03 16:49:17
660
原创 混合域注意力机制(空间+通道)
在计算机视觉任务中,空间域注意力通常关注图像中不同位置的重要性,例如突出图像中的关键对象或区域。而通道域注意力则侧重于不同通道(特征图)的重要性,决定哪些特征对于任务更具判别力。混合域注意力机制结合了空间域注意力机制与通道注意力机制。它同时考虑空间和通道维度的重要性,通过学习每个空间位置和通道的权重,动态调整特征图中不同位置和通道的重要性,以增强模型对视觉任务的表达能力和性能。具体来说,它通常会经过以下步骤实现:假设输入特征图的尺寸为C×H×W,其中C是通道数,H和W分别是高度和宽度。
2024-08-03 14:35:38
3373
原创 空间域注意力机制(Spatial Attention)
空间域注意力机制(Spatial Attention)是深度学习中一种重要的注意力机制,用于在处理如图像或视频数据时聚焦于特定区域,以提高模型的性能和效率。举例来说,首先,卷积神经网络处理一张图像,经过特征提取后得到特征图。然后,空间域注意力机制就可以通过计算每个像素点的注意力权重,集中模型的注意力在图像中最重要的区域,例如目标的周围或者有信息丰富的区域。这种机制使得模型能够更有效地处理复杂的视觉任务,提高其性能和泛化能力。
2024-08-01 22:26:03
5484
原创 数据增强之transforms库(torchvision)
transforms 库包含了多种对图像进行处理的方法,主要用于数据加载和预处理过程中,常用于图像分类、目标检测和语义分割等任务。以下是一些常见的transforms库的操作。
2024-07-31 17:59:48
775
原创 深度学习之优化器(简要总结)
优化器是用于训练神经网络模型的关键组件,它们决定了模型参数如何根据损失函数的梯度进行更新。不同的优化器具有不同的特性和适用场景。下面将介绍几种常见的深度学习优化器,以及基于pytorch版本的定义和使用方法。
2024-07-29 20:27:04
724
原创 通道注意力机制(CA)
通道注意力机制(Channel Attention, CA)是一种广泛应用于计算机视觉中的注意力机制。它主要用于提取图像特征中不同通道之间的相关性,以帮助网络更好地聚焦于重要的特征信息。在深度学习中,卷积神经网络(CNN)通常通过堆叠多个卷积层来提取图像的高级特征表示。然而,具体来说,通道注意力机制通过引入一个注意力模块来学习每个通道的权重,从而动态调整每个通道的重要性。如图1所示,通道注意力机制通过以下步骤实现:输入:假设输入特征图的尺寸为C×H×W,其中C是通道数,H和W分别是高度和宽度。
2024-07-29 17:29:05
6225
原创 conda常用命令整理
Anaconda是一个流行的Python和R编程语言的开源发行版,用于科学计算和数据分析。它包含了许多常用的开源软件包和工具,适用于数据科学、机器学习、大数据处理和科学计算等领域。Anaconda的核心是conda。conda是一个包管理器和环境管理器,可以轻松安装、升级和管理软件包。并且,conda还能够处理Python包及其依赖项,使得在不同项目之间切换和维护环境变得更加容易。本文就来介绍一下conda常用的一些命令。
2024-07-23 21:43:09
822
原创 Linux常用命令整理
本文将分享一些常用的Linux命令。根据功能的不同,大概分为以下几个方面,一是文件相关命令,二是进程相关命令,三是网络相关命令,四是磁盘相关命令,五是用户管理相关命令,六是系统命令。
2024-07-23 20:35:41
2028
1
原创 常用的pip源
有时候使用默认的pip源可能会导致下载速度较慢或无法连接的问题。为了解决这个问题,可以切换到国内的一些常见源。以下是几个常见的pip。
2024-01-23 17:51:54
8527
原创 pyecharts库的使用
pyecharts是一个基于Python语言的可视化库,用于创建交互式的图表和图形界面。它使用JavaScript库Echarts来绘制图表,支持各种类型的图表,包括折线图、散点图、柱状图、饼图等。pyecharts的优点在于其简单易用、可定制性强、图表样式丰富、支持中文显示等特点。它还支持导出为图片或HTML文件,方便在其他场景下使用。pyecharts下面是几个pyecharts的使用样例。
2024-01-22 22:03:43
583
原创 torchsummary库的使用
是一个用于打印PyTorch模型摘要信息的Python库,可以方便地查看模型的参数量、每一层的输出形状、以及总体的计算图结构等信息。在深度学习中,模型的复杂度和性能是非常重要的指标。通过打印模型的摘要信息,我们可以快速了解模型的规模、参数数量和计算图结构等信息,从而更好地理解模型的复杂度和性能,并进行相应的调整和优化。库提供了非常简单易用的API,只需要导入所需的库、定义模型和输入数据的尺寸,就可以打印出模型的摘要信息。在我们安装好后,我们需要引入自己的网络模型,然后使用。打印自定义网络模型的信息。
2024-01-22 20:26:39
1623
原创 常见的损失函数
Hinge损失基于间隔的概念,鼓励正确的分类结果具有较大的间隔。除了以上几种损失函数外,还有许多其他的损失函数,如Huber损失、KL散度损失等,它们适用于不同的问题和模型。在机器学习和深度学习中,常见的损失函数(loss function)用于衡量模型预测结果与真实值之间的差异。不同的任务和模型类型可能适用不同的损失函数。它与交叉熵损失密切相关,但对数损失通常更简单,并且可以避免一些数值计算上的问题。均方误差是回归问题中常用的损失函数,它计算模型预测值与真实值之间的平方差,并求取平均值。
2024-01-21 21:53:53
762
原创 torchvision库的使用
torchvision是PyTorch中一个处理图像和视频数据的库,提供了许多常用的预处理函数、模型和数据集。本文将介绍torchvision的主要功能和使用方法。
2024-01-20 17:13:19
673
原创 数据处理之pandas库
Pandas 是一个基于 NumPy 的开源数据处理和数据分析库,它提供了高效、灵活且易于使用的数据结构和数据分析工具。Pandas 的设计目标是使数据操作变得简单直观,同时提供高性能的数据操作能力。Pandas 提供两种主要的数据结构:Series 和 DataFrame。Pandas 提供了丰富的数据操作和处理功能,包括数据清洗、数据合并、数据过滤、数据排序、数据分组、数据计算等。它还支持从多种数据源读取数据,如 CSV 文件、Excel 文件、SQL 数据库等,并可以将数据写入不同的文件格式。
2024-01-19 16:25:19
1842
原创 传统边缘检测算法
在涉及到图像处理和计算机视觉任务时,边缘检测是一个重要的预处理步骤。边缘是图像中灰度或颜色变化的地方,通常表示了物体的边界和形状信息。传统的边缘检测算法旨在通过计算图像中像素点的梯度或差分信息来检测边缘。传统边缘检测算法主要分为以下几种:Sobel 算子:Sobel 算子是一种基于图像梯度变化来检测边缘的算法。它通过对图像进行卷积运算来计算每个像素点的梯度值,然后将梯度值进行阈值处理,得到二值化图像。
2024-01-19 14:53:12
756
原创 glob模块
是 python 标准库中的一个模块,它可以用来查找符合特定规则的文件路径名。模块可以实现通配符匹配,类似于在命令行中使用的通配符。匹配到多个文件路径名,则返回一个列表,包含所有匹配到的文件路径名。是要匹配的文件路径名,支持使用通配符。,也可以使用相对路径或绝对路径。匹配指定范围内的字符等。
2024-01-19 10:43:22
633
1
原创 pytorch中BCELoss 和 binary_cross_entropy_with_logits之间的区别
它们都是用于二分类任务的损失函数。它们之间存在一些区别如下。接受概率值作为输入,需要在模型输出前应用sigmoid激活函数。在实际使用时,你可以根据自己的需求选择使用哪个函数或类。都用于二分类任务的损失计算。接受logits作为输入,而。在PyTorch中,
2024-01-18 22:20:02
1023
原创 PIL、cv2、numpy,和pytorch(torch)之间的转换
在图像处理和深度学习中,经常需要在PIL(Python Imaging Library)、OpenCV(cv2)、NumPy和PyTorch之间进行图像数据的转换。下面是这些库之间常见的转换方法。
2024-01-18 21:57:37
2147
原创 数据增强之Albumentations
Albumentations是一个用于图像增强的Python库,它提供了多种增强技术,包括随机裁剪、旋转、缩放、翻转、变形、颜色变换、模糊等操作。使用Albumentations库可以快速、高效地对图像数据进行增强,从而提升机器学习模型的鲁棒性。在使用Albumentations之前,我们需要先通过pip或者conda安装albumentations。然后,导入albumentations。下面介绍一些albumentations常见的操作。
2024-01-18 20:52:23
3112
4
原创 数据增强之OpenCV(cv2)
cv2是一个常用的计算机视觉库,全名为OpenCV(Open Source Computer Vision Library)。它提供了丰富的图像处理和计算机视觉相关的函数和工具,可以用于加载、处理、分析和操作图像和视频数据。在使用cv2库之前,我们需要通过pip或者conda安装cv2,然后在代码中导入cv2库。import cv2。
2024-01-18 17:57:27
919
1
原创 数据增强之PIL库
数据增强是一种常用的技术,用于扩充训练数据集来改善模型的泛化能力。通过对原始数据进行各种变换和操作,数据增强可以增加数据的多样性,提高模型对于不同场景的适应能力。PIL(Python Imaging Library)是Python中一个常用的图像处理库。它提供了丰富的功能,可以进行图像的打开、保存、裁剪、调整尺寸、变换、滤镜等操作。在使用PIL库之前,我们需要通过pip或者conda来安装PIL库,安装后,我们需要先导入这个库。
2024-01-18 16:18:09
601
原创 大数加法,乘法
在平时做题的时候,我们有时会遇到一些数据范围非常大的题,一般已经超过long long类型存储的范围。这个时候我们就需要用到字符串来实现这种大数据的运算。
2023-03-03 10:44:27
133
原创 欧拉回路I
一.什么是欧拉回路? 链接:点击打开链接二.怎样判断是否存在欧拉回路?1.无向图的判定无向图存在欧拉路径必须要满足所有的度数都为偶数或者除了起点和终点外其余的度数都为偶数。2.有向图的判定有向图存在欧拉路径必须要满足最多只有两个点的入度不等于出度。起点出度比入度大1,终点入度比出度大1。k-tickets题意:给你一个图,要求你经过每个顶点一次,问你最少需要添加多少条边。代码:#incl...
2018-06-22 11:09:55
267
1
原创 水题
题意:大陆是圆形的,在大陆的边缘有一条环形的道路,路上会有很多免费的天鹅肉领取处,假设第i个天鹅肉领取处可以领取gas[i]个天鹅肉从第i个天鹅肉领取处到第i+1个天鹅肉领取处,我要吃掉cost[i]个天鹅肉,要是路途中没有足够的天鹅肉吃了,我就会动不了。所以我的要求就是:你帮我找到一个起点i,使我从第i个领取点出发,能绕大陆一圈后回到第i个领取点。没有输出 "-1".代码:#include<...
2018-05-18 12:52:56
173
原创 明码(1)
蓝桥杯的第二题题意就是一个汉字由32个字节表示,根据输入的数字来显示出题意,1代表墨迹 ,0代表没有。输入的数字:4 0 4 0 4 0 4 32 -1 -16 4 32 4 32 4 32 4 32 4 32 8 32 8 32 16 34 16 34 32 30 -64 016 64 16 64 34 68 127 126 66 -124 67 4 66 4 66 -124 126 ...
2018-05-17 21:57:30
315
原创 A. Wrong Subtraction
题意比较简单。只要判断一下就可以了。代码:#include<bits/stdc++.h>using namespace std;int n,k;int ans;char a[11];int b[10];int main(){ scanf("%s%d",a,&k); if(k==0){ printf("%s",a); }...
2018-05-16 10:49:10
179
1
原创 B Treasure Hunt
题目链接 : B Treasure HuntAC代码:#include<bits/stdc++.h>using namespace std;const int maxn=1e5+10;typedef long long ll;char str[maxn];int value[5];int main(){ int n; scanf("%d",&...
2018-05-15 12:41:53
602
1
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人