<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Power__ll的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/Power__ll</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; Power__ll]]></copyright><item><title><![CDATA[跟踪论文阅读：STAR: A Unified Spatiotemporal Fusion Framework for Satellite Video Object Tracking]]></title><link>https://blog.csdn.net/Power__ll/article/details/151318021</link><guid>https://blog.csdn.net/Power__ll/article/details/151318021</guid><author>Power__ll</author><pubDate>Mon, 22 Sep 2025 20:34:53 +0800</pubDate><description><![CDATA[卫星视频目标跟踪(SVOT)技术为地表观测提供了全时空维度的分析能力，但现有方法受限于数据稀缺性、模态局限性、范式差异性及多维特征利用不足等问题，导致性能瓶颈难以突破。本研究提出统一时空融合框架STAR以解决上述挑战：首先通过场景增强模块(SEM)生成优化的多模态表征；进而设计提取-关联-适配模块(ECAM)，采用融合局部与全局关系建模的多模态分层Transformer架构，协同实现特征提取、关系学习与域适应；同时引入时序解码结构，通过注意力传播机制整合深层时间特征；]]></description><category></category></item><item><title><![CDATA[YOLO演变史（一）]]></title><link>https://blog.csdn.net/Power__ll/article/details/149425255</link><guid>https://blog.csdn.net/Power__ll/article/details/149425255</guid><author>Power__ll</author><pubDate>Fri, 18 Jul 2025 19:57:17 +0800</pubDate><description><![CDATA[在YOLOV1发布后，作者并没有满足于此，而是持续对YOLO进行了改进。]]></description><category></category></item><item><title><![CDATA[YOLO算法原理]]></title><link>https://blog.csdn.net/Power__ll/article/details/149359280</link><guid>https://blog.csdn.net/Power__ll/article/details/149359280</guid><author>Power__ll</author><pubDate>Wed, 16 Jul 2025 19:52:57 +0800</pubDate><description><![CDATA[笔者喜欢直白的讲述方式，因此文中使用了大量比喻手法。]]></description><category></category></item><item><title><![CDATA[深度学习入门（十三）：加深网络]]></title><link>https://blog.csdn.net/Power__ll/article/details/148231027</link><guid>https://blog.csdn.net/Power__ll/article/details/148231027</guid><author>Power__ll</author><pubDate>Mon, 26 May 2025 17:55:17 +0800</pubDate><description><![CDATA[首先要认识一点，深度学习是加深了层的深度神经网络。]]></description><category></category></item><item><title><![CDATA[深度学习入门（十二）：池化层、实践]]></title><link>https://blog.csdn.net/Power__ll/article/details/148118060</link><guid>https://blog.csdn.net/Power__ll/article/details/148118060</guid><author>Power__ll</author><pubDate>Thu, 22 May 2025 16:23:31 +0800</pubDate><description><![CDATA[最开始的层对简单的边缘有响应，接下来的层对纹理有响应，再后面的层对更加复杂的物体部件有响应。比如，在矩阵计算的库（线性代数库）等中，矩阵计算的实现已被高度最优化，可以高速地进行大矩阵的乘法运算。因此可以发现，滤波器1对垂直方向上的边缘有反应，滤波器2对水平方向上的边缘有反应。如图7-27所示，它有连续的卷积层和池化层（正确地讲，是只“抽选元素”的子采样层），最后经全连接层输出结果。第1层的神经元对边缘或斑块有响应，第3层对纹理有响应，第5层对物体部件有响应，最后的全连接层对物体的类别（狗或车）有响应。]]></description><category></category></item><item><title><![CDATA[深度学习入门（十一）：卷积神经网络（1）卷积层]]></title><link>https://blog.csdn.net/Power__ll/article/details/148091190</link><guid>https://blog.csdn.net/Power__ll/article/details/148091190</guid><author>Power__ll</author><pubDate>Tue, 20 May 2025 18:09:01 +0800</pubDate><description><![CDATA[从这里开始，将介绍重中之重，卷积神经网络（Convolutional Neural Network，CNN）。CNN被用于图像识别、语音识别等各种场合，在图像识别的比赛中，基于深度学习的方法几乎都以CNN为基础。]]></description><category></category></item><item><title><![CDATA[深度学习入门（十）：权重初始值、Batch Norm、超参数的验证]]></title><link>https://blog.csdn.net/Power__ll/article/details/148065681</link><guid>https://blog.csdn.net/Power__ll/article/details/148065681</guid><author>Power__ll</author><pubDate>Mon, 19 May 2025 17:33:08 +0800</pubDate><description><![CDATA[所谓逐渐缩小范围，是指一开始先大致设定一个范围，从这个范围中随机选出一个超参数（采样），用这个采样到的值进行识别精度的评估；然后，多次重复该操作，观察识别精度的结果，根据这个结果缩小超参数的“好值”的范围。然后，测试时，虽然会传递所有的神经元信号，但是对于各个神经元的输出，要乘上训练时的删除比例后再输出。换句话说，用测试数据确认超参数的值的“好坏”，就会导致超参数的值被调整为只拟合测试数据。于是，在超参数的最优化中，减少学习的epoch，缩短一次评估所需的时间是一个不错的办法。这说明过拟合受到了抑制。]]></description><category></category></item><item><title><![CDATA[深度学习入门（九）：神经网络学习的技巧之更新方法]]></title><link>https://blog.csdn.net/Power__ll/article/details/148029362</link><guid>https://blog.csdn.net/Power__ll/article/details/148029362</guid><author>Power__ll</author><pubDate>Sat, 17 May 2025 16:37:33 +0800</pubDate><description><![CDATA[从这里开始，我们将介绍神经网络的学习中的一些重要观点，主题涉及寻找最优权重参数的最优化方法、权重参数的初始值、超参数的设定方法等。]]></description><category></category></item><item><title><![CDATA[深度学习入门（八）：误差反向传播法的实现]]></title><link>https://blog.csdn.net/Power__ll/article/details/148003732</link><guid>https://blog.csdn.net/Power__ll/article/details/148003732</guid><author>Power__ll</author><pubDate>Fri, 16 May 2025 20:08:47 +0800</pubDate><description><![CDATA[本篇聚焦于如何实现前篇所述的方法。]]></description><category></category></item><item><title><![CDATA[深度学习入门（七）：误差反向传播法]]></title><link>https://blog.csdn.net/Power__ll/article/details/147987475</link><guid>https://blog.csdn.net/Power__ll/article/details/147987475</guid><author>Power__ll</author><pubDate>Thu, 15 May 2025 18:02:39 +0800</pubDate><description><![CDATA[如果某个函数由复合函数表示，则该复合函数的导数可以用构成复合函数的各个函数的导数的乘积表示。如图所示，计算图的反向传播从右到左传播信号。反向传播的计算顺序是，先将节点的输入信号乘以节点的局部导数（偏导数），然后再传递给下一个节点。]]></description><category></category></item><item><title><![CDATA[深度学习入门（六）：学习算法的实现]]></title><link>https://blog.csdn.net/Power__ll/article/details/147957177</link><guid>https://blog.csdn.net/Power__ll/article/details/147957177</guid><author>Power__ll</author><pubDate>Wed, 14 May 2025 17:23:30 +0800</pubDate><description><![CDATA[但是严格来说，减少的是“对训练数据的某个mini-batch的损失函数”的值。之所以要计算每一个epoch的识别精度，是因为如果在for语句的循环中一直计算识别精度，会花费太多时间。随着学习的进行，我们发现使用训练数据和测试数据评价的识别精度都提高了，并且，这两个识别精度基本上没有差异。因此，要评价神经网络的泛化能力，就必须使用不包含在训练数据中的数据。中，输入参数依次表示输入层的神经元数、隐藏层的神经元数、输出层的神经元数。神经网络的学习的实现使用的是mini-batch学习。]]></description><category></category></item><item><title><![CDATA[深度学习入门（五）：神经网络的学习之数值微分和梯度]]></title><link>https://blog.csdn.net/Power__ll/article/details/147928048</link><guid>https://blog.csdn.net/Power__ll/article/details/147928048</guid><author>Power__ll</author><pubDate>Tue, 13 May 2025 21:05:10 +0800</pubDate><description><![CDATA[在神经网络的学习中，一般会一边改变学习率的值，一边确认学习是否正确进行了。需要注意的是，梯度表示的是各点处的函数值减小最多的方向。实际上，在复杂的函数中，梯度指示的方向基本上都不是函数值最小处。两处的“真的导数”分别为0.2和0.3，而计算差分值为0.19999和0.29999，虽然在严格意义上不相等，但是误差非常小，小到可以认为它们是相等的。梯度法就是指函数的取值从当前位置沿着梯度方向前进一定距离，然后重新求梯度，再沿着新梯度方向前进，如此反复，不断前进，可以做到函数值逐渐减小。梯度的计算方法不再赘述。]]></description><category></category></item><item><title><![CDATA[深度学习入门（四）：神经网络的学习过程之损失函数]]></title><link>https://blog.csdn.net/Power__ll/article/details/147903832</link><guid>https://blog.csdn.net/Power__ll/article/details/147903832</guid><author>Power__ll</author><pubDate>Tue, 13 May 2025 16:26:39 +0800</pubDate><description><![CDATA[这里的学习，指的是从训练数据中自动获取最优权重参数的过程。]]></description><category></category></item><item><title><![CDATA[深度学习入门（三）：输出层、softmax函数]]></title><link>https://blog.csdn.net/Power__ll/article/details/147855779</link><guid>https://blog.csdn.net/Power__ll/article/details/147855779</guid><author>Power__ll</author><pubDate>Mon, 12 May 2025 17:51:19 +0800</pubDate><description><![CDATA[神经网络只把输出值最大的神经元所对应的类别作为识别结果，并且即使使用softmax函数，输出值最大的神经元的位置也不会变。softmax函数的输出是0.0~1.0之间的实数，并且输出总和是1，这是softmax函数的一个重要性质。机器学习问题大致可以分为分类问题和回归问题，分类问题是数据属于哪一个类别的问题（识别），而回归问题是根据某个输入预测一个数值的问题（预测）。这个公式通过取对数的方式来防止溢出，在分子和分母上都乘上一个任意常数，而且因为是相同的常数，所以计算结果不变。的指数函数，分母是输入信号。]]></description><category></category></item><item><title><![CDATA[深度学习入门（二）：神经网络组成、激活函数、数组运算]]></title><link>https://blog.csdn.net/Power__ll/article/details/147854964</link><guid>https://blog.csdn.net/Power__ll/article/details/147854964</guid><author>Power__ll</author><pubDate>Sat, 10 May 2025 16:47:48 +0800</pubDate><description><![CDATA[神经网络由输入层、输出层和夹在中间的中间层（也称隐藏层）构成。隐藏层的神经元肉眼看不见。fxsignw⋅xbwxbsign⋅signz1−1​z≥0z0​感知机的目标是通过调整w和b，使得对输入x的分类结果fx尽可能正确。]]></description><category></category></item><item><title><![CDATA[深度学习入门（一）：感知机]]></title><link>https://blog.csdn.net/Power__ll/article/details/147802957</link><guid>https://blog.csdn.net/Power__ll/article/details/147802957</guid><author>Power__ll</author><pubDate>Thu, 08 May 2025 19:29:18 +0800</pubDate><description><![CDATA[它接收多个输入信号，根据设定的权重和偏置计算加权和，如果结果达到或超过某个阈值（条件），就输出响应（通常是1或0）。偏置的作用可以理解为在公式或模型中引入一个基础值，使得模型能够更好地适应数据。线性和非线性，感知机无法解决非线性问题，因为它说到底是凭借线性公式进行操作（单层）。感知机的核心思想就是通过学习调整权重和偏置，使模型能够对特定条件做出正确响应。通过不同感知机结合，来获得一个可以实现复杂判定的新感知机。权重代表着对应信号的重要程度，权重越高，这个信号对于感知机的影响越大。]]></description><category></category></item><item><title><![CDATA[新手程序员做梦都在写Shader（一）]]></title><link>https://blog.csdn.net/Power__ll/article/details/120979081</link><guid>https://blog.csdn.net/Power__ll/article/details/120979081</guid><author>Power__ll</author><pubDate>Sun, 31 Oct 2021 16:34:03 +0800</pubDate><description><![CDATA[废物程序员做梦都在写Shader（一）
学习用，编者死废物一个

文章目录废物程序员做梦都在写Shader（一）一、渲染1.渲染流水线2.渲染状态3.Draw Call4.GPU流水线5.顶点着色器6.裁剪和屏幕映射二、使用步骤1.引入库2.读入数据总结


一、渲染
1.渲染流水线
渲染流水线从CPU开始，大致可分为3个阶段：
（1）把数据加载到显存中
（2）设置渲染状态
（3）调用Draw Call
2.渲染状态
定义渲染方式
3.Draw Call
Draw Call是一个由CPU发起的命令，由GPU]]></description><category></category></item><item><title><![CDATA[如何实现一个简单的对话系统]]></title><link>https://blog.csdn.net/Power__ll/article/details/116087444</link><guid>https://blog.csdn.net/Power__ll/article/details/116087444</guid><author>Power__ll</author><pubDate>Sat, 24 Apr 2021 13:57:44 +0800</pubDate><description><![CDATA[文章目录前言一、为什么需要对话二、创建对话框1.创建Canvas2.创建Panel3.创建Text和Image4.Text介绍5.Image介绍三、对话的实现（脚本）四、实际效果总结

前言
本文主要是对如何完成简单的游戏类对话做一个学习总结，新手菜勿喷


一、为什么需要对话
游戏需要剧情，对话能推动剧情发展，这在RPG或其他有故事情节的游戏十分重要，而对话框是实现对话的最基本方法。
二、创建对话框
1.创建Canvas
在U3D中，我们可以在场景内创建canvas来进行对UI界面的编写

2.创建P..]]></description><category></category></item><item><title><![CDATA[另类的PR——Unity Timeline学习经历(2)]]></title><link>https://blog.csdn.net/Power__ll/article/details/115426102</link><guid>https://blog.csdn.net/Power__ll/article/details/115426102</guid><author>Power__ll</author><pubDate>Sun, 04 Apr 2021 11:24:47 +0800</pubDate><description><![CDATA[前言：
经过前面的学习，我们能简单创建Timeline窗口，并为物体（对象）录制了关键帧，这次我们来分析A ctivation Track和Audio Track。
Activation Track:
Activation轨道就是可激活轨道，我们在玩RPG类游戏（原神）时常见到玩家视角在不同角色间进行切换，这有助于对剧情的叙述，而Activation轨道可以做到这种效果。
摄像头分身术
首先我们创建一个Activation轨道

首先可以很清楚看到添加物品，我们把主摄像头放上
可以看到轨道上有Active字]]></description><category></category></item><item><title><![CDATA[另类的PR——Unity Timeline学习经历(1)]]></title><link>https://blog.csdn.net/Power__ll/article/details/114729296</link><guid>https://blog.csdn.net/Power__ll/article/details/114729296</guid><author>Power__ll</author><pubDate>Sat, 13 Mar 2021 10:20:43 +0800</pubDate><description><![CDATA[前言：
何为Timeline：Timeline是Unity中控制动画过场等情况时所需要用到的工具。
Timeline的本质：对多个物体的Animator的一种整合

起步：
1、创建Timeline
 在Unity的菜单中找到Window选项，如图所示即可
2、 必须的操作步骤
简单的创建了一些基础物体，这些物体将是Timeline操作的对象。

Timeline窗口创建出来后就是这样，但是它必须要基于一个或多个对象
选中对象后再打开Timeline窗口，就会有提示创建，
创建的文件名会基于所创建的对象

]]></description><category></category></item></channel></rss>