fovever_的博客

最近应该要整理中文资料的参考文献，很多会议文献都需要补全会议地点（新国标要求）。四处百度感觉也挺麻烦的，而且没有比较齐全的网站可以搜索。因此自己整理了一下领域相关的顶会，主要整理的是自以来每一届顶会的会议地点，便于以后整理文献的时候查找。

使用PIL读取图像后对其进行Resize时由于PIL 版本问题出现`AttributeError: module 'PIL.Image' has no attribute 'ANTIALIAS'`，简要介绍相关的Debug过程

在大模型横行的时代，无法在服务器上连接外网的研究僧真的是太苦逼了，每次想尝试类似于CLIP，BLIP之类的大模型面临无法从外网下载预训练权重的问题，本篇博客详细介绍了在本地下载预训练模型文件，并在服务器上调用的过程。

在服务器上配置环境时，有时候就想偷个懒，把其他服务器上现成的环境复制过来用，这里记录一下自己新建环境，复制环境，以及通过yml从其他服务器上移植环境，以及最后删除虚拟环境的一些操作或指令。

我们一般使用 VSCode 、MobaXterm、PuTTY等 SSH 客户端来远程管理 Linux 服务器。但是，一般的密码方式登录，容易有密码被暴力破解的问题。所以，一般我们会将 SSH 的端口设置为默认的 22 以外的端口，或者禁用 root 账户登录。但是即使是将端口设置为22之外的端口也容易泄露。为了保证服务器安全，此时希望使用密钥方式登录。而且使用秘钥登录能够避免每次登录时反复输入账户密码。

这篇博客利用Python把大部分图像融合指标基[图像融合评估指标复现了，从而方便大家更好的使用Python进行指标计算，以及一些I/O 操作。除了几个特征互信息的指标没有成功复现之外，其他指标均可以通过这篇博客提到的Python程序计算得到.

所有主流的基于深度学习的红外和可见光图像融合方法都被集成在了这个框架中。方便大家实验比较。

提供框选部分区域highligh部分区域，以及放大部分区域显示的MATLAB程序。

写在前面：最新想要用最新的分割算法如：Segformer or SegNeXt 在自己的数据集上进行训练，但是有不是搞语义分割出身的，而且也没有系统的学过MMCV以及MMSegmentation。所以就折腾了很久，感觉利用MMSegmentation搭建框架可能比较系统，但是对于不熟悉的或者初学者非常不友好，因此记录一下自己training Segformer的心路历程。

Pytorch 多卡并行训练教程 （DDP），关于使用DDP进行多开并行训练 网上有许多教程，而且很多对原理解析的也比较透彻，但是有时候看起来还是比较懵逼，再啃了许多相关的博客后，博主记录了一些自己对于使用torch.nn.DistributedDataParallel(DDP)进行单机多卡并行训练的一些体会，希望能对入门的小白有一定的帮助，不足之处也希望指出，大家一起交流学习。

在撰写论文的时候，美观，大气，上档次的图标能够很好地给自己的论文加分，好的可视化结果也能够让审稿人赏心悦目。但是有时候在可视化图片的时候有可能原始图像过大从而很占内存；这时候就希望能够是有一个无损压缩工具来压缩图像。目前笔者尝试过感觉能够达到较好的压缩效果而且基本上不影响视觉效果。而且也有对应的安装包, TinyGUI 是网友根据TinyPNG提供的应用程序接口开发的本地桌面端工具。b本篇博客主要提供一份Python来遍历文件夹下的所有图片以压缩图片。

最近Information Fusion接收了一篇题为《DIVFusion: Darkness-free infrared and visible image fusion》的文章。在此之前，图像融合领域一直徘徊在利用互补信息，设计loss，引入新的融合规则等。但是忽视了低光场景下可见光信息退化的问题，这将严重影响互补信息的聚合，也即产生不佳的融合结果。DIVFusion一文中给出了一个很新的思想来解决低光下的融合问题，即是耦合互促低光增强与融合，以获得良好视觉感知的融合图像。

一些方便自己处理文件的Python函数用python批量处理文件（复制、重命名比较方便）但是很多函数的用法就是记不住，因此在这里记录一些 以后免得四处去百度

博主朋友关于图像融合的综述论文[基于深度学习的图像融合方法综述](http://www.cjig.cn/jig/ch/reader/view_abstract.aspx?edit_id=20220728162841001&flag=2&file_no=202204300000002&journal_id=jig)已被《中国图象图形学报》正式接收！极力推荐想要入门图像融合领域的小伙伴下载学习，此外希望在图像融合领域深耕的朋友又可以从论文中总结的**挑战和展望**获取一些新的思路。...

作为一项重要的图像增强技术，图像融合在诸如目标检测、语义分割、临床诊断、遥感监测、视频监控和军事侦察等任务中发挥着至关重要的作用。近年来，随着深度学习技术的不断进步，基于深度学习的图像融合算法也如雨后春笋般涌现。尽管深度学习已经在图像融合领域取得了巨大的成功，但是仍存在一些严峻的挑战和难题需要被攻克。.........

本博文全面整理了图像融合领域的论文及代码。主要包括红外和可见光图像融合，医学图像融合，多聚焦图像融合，多曝光图像融合以及全色图像锐化等众多融合场景。同时提供了每个融合场景中常用数据集的下载地址并整理了常用评估指标。有助于新人系统地了解图像融合领域的脉络及发展。............

本博客主要介绍如何处理图像融合问题中的色彩信息。大部分算法都可以将彩色图像从RGB空间转换至YCbCr空间，由于图像的结构细节以及强度信息主要集中在Y通道中，因此通常将Y通道作为融合算法的输入并生成融合的Y通道。对于只有一幅图像包含色彩信息的融合场景像红外和可见光图像融合，医学图像融合，以及近红外和可见光图像融合，只需要将融合的Y通道与彩色图像的Cb和Cr通道转换会RGB空间即可。对于两幅图像都具有色彩信息则根据下式进行融合：

基于深度学习的医学图像融合(Medical image fusion)论文及代码整理。主要将已有的基于深度学习的医学图像融合算法归类为基于卷积神经网络的医学图像融合框架和基于生成对抗网络的医学图像融合框架。

基于深度学习的全色图像锐化(Pansharpening)论文及代码整理。主要从有监督的全色图像锐化框架和无监督的全色图像锐化框架两个方面来整理现有的基于深度学习的全色图像锐化论文。

基于深度学习的多聚焦图像融合(Multi-Focus Image Fusion)论文及代码整理。主要介绍了基于卷积神经网络的多聚焦图像框架和基于生成对抗网络的图像融合框架。

基于深度学习的多曝光图像融合论文及代码整理

图像融合常用数据集整理

图像融合综述论文整理.

通用图像融合框架论文及代码整理

基于深度学习的红外和可见光图像融合论文及代码整理。将基于深度学习的图像融合划分为基于自编码器的图像融合框架、基于卷积神经网络的图像融合框架以及基于生成对抗网络的图像融合框架。...

在SeAFusion发表之前，关于图像融合的研究一直在魔改网络，设计loss function， 调整学习范式中徘徊，SeAFusion给与了我们新的启发，即联系高级视觉任务来研究图像融合。尽管SeAFusion的方法设计还比较简单，但是这也给了我们更多的优化空间。此外之前感觉大家觉得红外和可见光图像融合都已经没啥可做的，主要是TNO数据集的数据集的局限性，导致不同方法都各有各的优势。但是随着一些新的数据集的发布，图像融合依旧任重而道远。

本篇博文在转载：《图像融合论文及代码网址整理总结（2）——红外与可见光图像融合》的基础上进行了扩充，整理汇总一下现有的红外与可见光图像融合算法（文章和代码）。希望为自己以及大家查红外和可见光图像融合领域的文章代码提供一些便捷。......

低光图像增强是图像增强任务中的重要组成部分，目前对于低光图像增强方法的整理参差不全。因此希望在以有的文章基础上整理汇总一下现有的低光图像增强算法（文章和代码）。希望为自己以及大家查找低光图像增强领域的文章和代码提供一些便捷。

最近尝试使用VS Code远程连接服务器时，发现非常香。调试代码与结果查看非常方便，而且可以dubug代码，不用每次都是print来查看错误信息。但是在使用VS Code时总是需要输入密码，更有甚者有时需要输入3次密码，非常令人烦恼，所以最近探索了使用公钥私钥的方式来告别密码输入，具体解决方案如下。

电脑关机或重启后，NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver. Make sure that the latest NVIDIA driver is installed and running. 问题解决方案。

Ubuntu环境禁止TensorFlow打印Warning。在运行tensorflow代码时经常发现tensorflow会输出许多无关紧要warning。在这篇博文中归纳了网上查阅的解决方式，并在最后给出了能够有效禁用TensorFlow输出Warning的方式。

HRNet是用于多种视觉任务的新颖网络框架，但是由于网络比较复杂，对于初学者了解其实现比较困难。一次本篇论文不仅给出了HRNet的TensorFlow实现，而且提供了HRNet详细的网络框架供大家参考。

tensorflow小技巧之查看保存模型参数的 name 和 value在将tensorflow训练好的模型保存之后，可能会遇见需要查看其中的权重和偏置的名称以及具体的值的大小，可以使用`tensorflow.python 中的 pywrap_tensorflow库进行查看

tensorflow小技巧之不同模型参数设置不同学习率，对训练参数进行组合可实现同时以多个学习率训练不同模块。

tensorflow采坑记录之conv2d_transpose。在使用tensorflow对图像进行处理（诸如图像自编码器、图像分割、图像超分辨率、图像融合等图像生成过程）时难免会遇到下（降）采样然后上采样的情况，虽然大家都会尝试使用conv2d_transpose也就是反卷积来实现上采样，但是关于在使用conv2d_transpose时遇见的几个坑在这里特此记录一下。

利用图像梯度损失约束网络能够更好的在图像生成过程中产生更加清晰的纹理细节，但是如何利用pytorch计算图像梯度并作为梯度损失可能在网络优化过程中造成梯度爆炸。本文将阐述如何利用pytorch计算图像梯度并作为图像梯度损失训练网络。