- 博客(8)
- 收藏
- 关注
RSS订阅原创 2021-07-22
这几天调代码的坑（二）为了节省存储空间，我想直接将多分类的标签映射成二分类，只分背景和不透水面。首先，在投影的过程中，我就用了很笨的方法。再者就是，我发现精度和loss不变，我找到了两个问题。（1）映射成二分类后，正样本占的比例太低了，要踢出一部分负样本。（2）我为了好显示，将原始标签的像素值都乘以了10，但是我再将路面，城区，农村这几个类映射成1，其他类映射成0后，居然还将像素值除以了10。这个问题以前也遇到过！！！要注意啊。（3）batch踢出空数据，读不出来的数据。利用my_colla
2021-07-22 23:04:48
74
原创 2021-07-22
这几天调代码的坑。。。首先，是调多分类的代码。当在训练的过程中停了的话，那肯定是有脏数据，要检查一下是不是有打不开的数据，有的话要在batch里清除。其次，因为超算停电我把之前训练的权重想load进来接着训练，结果我在一个epoch里加进去了load的代码，这样每一个epoch都要重新load同一个预训练的权重，相当于没训练。我应该找到哪里调用这个训练函数，在进入epoch的语言前加入load权重的代码。最后，如果读不进去数据一定要检查文件夹层层是不是设置正确！！！能不能和代码里的路径对起来。..
2021-07-22 22:44:36
71
原创 2021-07-14
RuntimeError: cuDNN error: CUDNN_STATUS_INTERNAL_ERRORnum_workers好像指的就是多个线程或者线程来加载数据，但是我的电脑本来就只有4进程，所以，我将num_workers改为1或者小于4的数值之后，可以运行了，问题就在这。...
2021-07-14 15:57:40
73
原创 2021-07-14
RuntimeError: CUDA error: device-side assert triggered原因：有可能是最后一层的layer的参数num_labels不对，导致GPU跑的时候出错
2021-07-14 15:48:19
152
原创 场景分类综述——Remote Sensing Image Scene Classification Meets Deep Learning
一 场景分类面临的挑战场景分类的挑战包括：(1)类内多样性大，(2)类间相似性高(也称为类间可分性低)，(3)对象/场景尺度的差异大。就类内的多样性而言，挑战主要来自于在同一个语义类中出现的地物的巨大差异。地物通常在样式、形状、大小和分布上各不相同，这使得正确地分类场景图像很困难。类间相似性的挑战主要是由于存在相同的对象在不同的场景类或高语义场景类别之间的重叠。目标/场景尺度的巨大差异也是航空图像场景分类不可忽视的挑战。在卫星成像中，传感器在不同高度的轨道上工作，从几百公里到一万多公里，成像高度变
2020-05-20 16:00:23
7155
2
原创 域自适应——Taking A Closer Look at Domain Shift: Category-level Adversaries for Semantics Consistent
目前方法的缺陷：只顾及了源域和目标域之间的边缘分布，没有顾及源域和目标域之间的联合概率分布，不仅对齐不好，而且会把已经对齐的特征进行负迁移。为了解决全局对抗学习的局限性，提出了类别级的对抗网络。本文贡献如下：（1）通过提出对不同特征的对抗损失进行自适应加权，强调了类别级特征对齐对减少域移位的重要性。（2）论文结果与最先进的UDA（unsupervised domain adaptation）...
2019-11-20 21:52:44
2330
原创 域自适应——Bidirectional Learning for Domain Adaptation of Semantic Segmentation
本文的域位移是针对虚拟数据和真实数据之间的。本文的贡献是：（1）提出了一种语义分割的双向学习系统，它是一个学习分割适应模型和图像翻译模型的闭环学习系统。（2）对于语义分割，提出了一种基于翻译结果的自监督学习算法，该算法在特征层次上逐步调整目标域和源域。（3）在图像到图像的翻译中引入了感知损失，通过更新分割自适应模型来监督图像翻译的过程。...
2019-11-14 21:01:34
2174
原创 域自适应——Learning to Adapt Structured Output Space for Semantic Segmentation
论文地址：https://arxiv.org/abs/1802.10349代码地址：https://github.com/wasidennis/AdaptSegNet首先是基于pixel-level的理由：一方面，与基于特征描述图像全局视觉信息的图像分类不同，用于语义分割的高维特征编码了复杂的表示。因此，在特征空间中进行自适应不一定是语义分割的最佳选择。另一方面，虽然分割输出是在低维空间中，但...
2019-11-06 20:36:24
777
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人