![](https://img-blog.csdnimg.cn/20201014180756927.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
深度学习杂谈
文章平均质量分 70
云朵不吃雨
这个作者很懒,什么都没留下…
展开
-
算法思路-遥感语义分割与变化检测
首先需要考虑根据影像我们可以获取的可利用信息:原创 2024-04-16 22:24:41 · 261 阅读 · 0 评论 -
深度学习基础模型之Mamba
这项基础性模型研究旨在解决transformer模型的长序列数据计算效率低的问题,其解决方法的动机:利用选择性机制实现有效特征的提取。个人理解为通过有效特征信息的选择实现知识提取(信息压缩),这让我联想到,最初的VGG网络结构设计其实类似于模拟知识特征的压缩与抽取,但后来发现这种方式会损失边缘信息,因此提出了U-net架构,再进一步卷积的方式无法有效估计全局上下文信息的联系,进而提出注意力机制来解决这一问题。原创 2024-03-30 21:49:47 · 2069 阅读 · 0 评论 -
论文阅读:BLDnet: a semi-supervised change detection building damage framework using graph convolutional
内容来自于文心一言NetworkX:NetworkX是一个用于创建、操作和研究复杂网络的库。它提供了大量的图算法和绘图工具,使得构建和分析图结构变得简单。官方网站:https://networkx.org/PyTorch Geometric是基于PyTorch的几何深度学习扩展库,专注于图神经网络。它包含多种图神经网络模型和数据结构,可以方便地构建和训练GCN模型。官方网站:https://pytorch-geometric.readthedocs.io/en/latest/原创 2024-03-19 17:58:30 · 756 阅读 · 0 评论 -
图结构数据的构建-DGL库
图消息传递:定义在每条边上的消息函数,它通过将边上特征与其两端节点的特征相结合来生成消息,聚合函数接收消息,更新函数通过聚合后的消息和节点本身特征来更新节点特征。相比同构图,异构图里可以有不同类型的节点和边。这些不同类型的节点和边具有独立的ID空间和特征;基于dgl数据结构和pytorch线性层或lstm层构建图网络模型,前向传播包含,数据输入、消息聚合、数据输出。节点和边可具有多个用户定义的、可命名的特征,用以储存图的节点和边的属性。有向图一条边、无向图两条边、加权图具有权重;原创 2024-02-29 21:46:28 · 430 阅读 · 0 评论 -
论文阅读:基于超像素的图卷积语义分割(图结构数据)
GNN模型根据节点特征周围的边来训练节点特征,并获得最终的节点嵌入。通过利用具有不同滤波核的二维卷积对来自附近节点的信息进行整合,给定超像素方法生成的特征信息。本文是基于图卷积神经网络,利用超像素图斑对象构建图结构数据,通过对节点实现语义分类,实现超像素分割。原创 2024-02-29 21:13:42 · 839 阅读 · 1 评论 -
分类与分割的区别
图像分类与语义分割主要区别在于,分类通过像素的整体特征获得一个类别的概率值,而分割则是根据图像的之间像素之间的关系获取单个像素的类别概率值。因此在分类时需要再进行分类前将数据采用flatten进行整合在采用线性层将数据压缩为响应的类别数目得到概率值进行损失函数计算。而分割网络则采用圈卷积或对网络斤进行上采样,将数据恢复到原始图像尺度得到相应的概率值并计算损失函数。提示:以下是本篇文章正文内容,下面案例可供参考。原创 2023-08-19 17:25:38 · 658 阅读 · 0 评论