折了往衷.-CSDN博客

原创经典论文阅读：ChangeFormer

论文开篇明确了变化检测（CD）的核心：从不同时间获取的同一地区的一对配准图像中识别出感兴趣的变化。作者强调，这一技术在灾害评估、资源管理和城市扩张监测中具有不可替代的作用。作者在本章末尾总结道：尽管 CNN 已经做得很好了，但在处理高分辨率遥感影像时，它们无法有效地捕捉到多尺度的长距离上下文信息。而 ChangeFormer 的出现，正是为了填补这一空白，将 Transformer 的全局建模能力引入到孪生网络中。第二章小结CNN 擅长局部但缺全局，Transformer 擅长全局且能兼顾尺度。

2026-04-09 17:34:40 430

原创语义变化检测论文阅读：BT-HRSCD

范式转移：论文成功证明了在 SCD 任务中，维持高分辨率表征（High-Resolution Representation）比“先下采样再上采样”的传统模式更有效。架构优势：通过将HRNet与双时相任务相结合，模型能够直接在141/41/4分辨率的特征图上进行解码，极大地减少了细小地物（如乡村道路、小型建筑物）在传递过程中的特征丢失。模块效率BiFAM模块以极小的计算开销，实现了深层语义对浅层细节的精准引导，解决了高分辨率特征“空有细节、缺乏大局观”的弱点。

2026-04-08 14:08:17 394

原创语义变化检测论文阅读：S2ENet

利用频域：填补空域卷积在边缘结构保持上的短板。协同增强：不只是简单地叠加模块，而是让频域的“结构敏感性”与空域的“语义一致性”产生协同效应。第二章小结：本章通过文献综述论证了引入频域分析的必要性，明确了高频信息对解决“边缘不均”问题的关键作用，为下一章介绍具体的 FSCF 模块设计做好了铺垫。

2026-04-03 16:51:09 380

原创语义变化检测论文阅读：Late-SCD

在融合不同时相的特征时，很多方法缺乏对特征的显式细化（Explicit Refinement）。与传统的“三分支耦合”架构不同，该模型采用了一种更为清晰的**后期融合（Late-Stage Fusion）**策略。在本章节中，作者梳理了 SCD 任务的技术演进，并重点讨论了现有架构在处理复杂任务时的不足，为本文提出的“后期融合”策略提供理论支撑。实验结果表明，Late-SCD 达到了新的 SOTA（先进水平）性能，尤其是在处理多尺度地物变化时表现卓越。模型首先利用强大的编码器分别提取两时相的深度语义特征。

2026-04-01 16:59:10 440

原创语义变化检测论文阅读笔记：SCNet (Semantic Change Detection Network)

论文开篇明确了语义变化检测 (Semantic Change Detection, SCD)的定义。传统二值变化检测 (BCD)：仅关注“变”与“不变”（0 或 1）。语义变化检测 (SCD)：不仅要定位变化区域，还要识别变化前后的具体地物类别（例如：从“林地”变为“建筑用地”）。应用价值：在土地利用监测、自然资源管理和防灾减灾中，SCD 能够提供比 BCD 更丰富、更具决策价值的信息。SCNet 接收两个时相的影像（T1T_1T1和T2T_2T2T1T_1T1。

2026-03-31 11:32:22 418

原创含噪学习——ALASCA

深度神经网络（DNNs）具有强大的表达能力，但在面对时容易过拟合，从而影响泛化性能。ALASCA 方法旨在解决上述问题，提出一种**结合自适应标签平滑（ALS）与辅助分类器（AC）**的高效正则化框架，以低计算成本实现鲁棒性。这两部分的结合使得 ALASCA 能够高效地提升特征提取器的鲁棒性，并改善现有抗噪方法的性能。ALS 的目标是根据样本的不确定性调整正则化强度。αx平滑参数αx依赖于样本的置信度1−Pry∣x，即置信度越低（可能是噪声样本），正则化越强。ℓALSf。

2024-12-11 11:06:11 1214

原创含噪学习--《Generalized Cross Entropy Loss for Training Deep Neural Networks with Noisy Labels》

文章链接：https://proceedings.neurips.cc/paper_files/paper/2018/file/f2925f97bc13ad2852a7a551802feea0-Paper.pdf这篇文章提出了广义交叉熵损失函数（Generalized Cross Entropy Loss，Lq），用于在标签噪声的情况下实现对深度神经网络的鲁棒训练。定义：Lq(f(x),ej)=1−fj(x)qq,q∈(0,1]L_q(f(x), e_j) = \frac{1 - f_j(x)^q}{q

2024-11-25 14:33:36 1107

原创含噪学习--《SELFIE: Refurbishing Unclean Samples for Robust Deep Learning》

文章链接：http://proceedings.mlr.press/v97/song19b/song19b.pdf为了解决噪声标签对网络的影响，增强网络的鲁棒性。现有研究主要分为两派，一种是“loss correction”，即损失修正，利用估计的噪声转移矩阵去修正损失函数，另一种是“sample selection”，即样本选择，只保留干净样本，舍弃噪声样本。对于loss correction：噪声转移矩阵的估计困难，造成网络会积累错误修正导致的误差，尤其是在类比数或错误标记样本数较大的情况。对于samp

2024-11-21 11:11:31 1228

原创含噪学习--《Learning from Noisy Labels with Deep Neural Networks: A Survey》——2

接上篇。

2024-11-20 13:40:48 1046

原创含噪学习 --《Learning from Noisy Labels with Deep Neural Networks: A Survey》

在许多研究中，人们已经对架构进行了更改，以对噪声数据集的噪声转移矩阵进行建模 [16]、[75]–[82]。通过基于估计的标签转移概率修改 DNN 输出，最终架构实现了更好的泛化。专用架构旨在提高对复杂标签噪声的处理能力，特别是比简单标签转移更复杂的噪声类型。假定在给定真实标签的情况下，噪声的产生与数据特征无关：通过噪声转移矩阵T建模，定义。深度学习网络受到噪声标签的影响，拟合时包括噪声标签的特征，导致网络泛化性差。为了解决噪声数据对网络的影响，提出了不同的方法。用于描述真实标签和噪声标签之间的关系。

2024-11-19 17:02:45 1132

原创 scrcpy介绍以及安装

scrcpy通过USB或TCP/IP连接的Android设备（视频和音频），并允许使用计算机的键盘和鼠标控制设备。它不需要任何根访问权限。适用于Linux、Windows和macOS。

2023-09-08 13:55:03 1940 1

原创百度地图flutter 地图demo使用（超详细教程）

在经历过无数次报错后，痛定思动，决定照着官方demo一点一点扣，终于跑通了demo。jdk 1.8。

2023-09-06 17:17:22 2917 2

D2461798571的博客