- 博客(11)
- 收藏
- 关注
RSS订阅原创 用于变化检测的基于transformer的连体网络
摘要提出的方法在一个连体网络架构中统一了分层结构的transformer编码器和多层感知机（MLP）解码器，以有效地呈现多尺度长距离细节来得到精确变化检测。1 介绍变化检测(CD)旨在从在不同时间获取的一对配准图像中检测相关变化。变化的定义通常根据应用而变化。人造设施(如建筑物、车辆等)的变化。)、植被变化和环境变化(例如，极地冰盖融化、森林砍伐、灾害造成的损害)通常被视为相关变化。更好的CD模型是能够识别这些相关变化，同时避免由季节变化、建筑物阴影、大气变化和照明条件变化引起的复杂的不相关变化的模型
2022-04-14 21:20:56
929
1
原创 基于Transformer的遥感图像变化检测
1 摘要提出了一种双时间图像转换器（BIT）用来高效并有效地在空间-时间域内对上下文进行建模。2 介绍基于高分辨率遥感图像的变化检测（CD）在两个方面仍然具有挑战：（1）场景中对象的复杂性（2）不同的成像条件这两者都促使同一语义概念的对象在不同的时间、不同的空间位置表现出不同的光谱特征。例如一张图像中不同位置的建筑物具有不同的形状和外观，如下图Image1和Image2中的黄框所示；同一个建筑物在不同的光照下或不同的时间具有不同的颜色，如Image1和Image2两图红框对比所示。为了识
2022-04-14 19:19:01
4697
4
原创 Python机器学习实验课K-means聚类代码和注释
数据集为鸢尾花数据集，特征有4个，类别有3类，分为训练集和测试集，进行K-means聚类，以学习K-means聚类算法。import operatorimport csvimport numpy as npimport randomnames = ['Iris-setosa', 'Iris-versicolor', 'Iris-virginica'] #类别train_lables = []test_lables = []##数据集读取和划分def loaddata(filename1
2022-03-22 11:51:42
2435
原创 Android Studio调用科大讯飞关键词提取接口
1.在讯飞开放平台创建应用2.下载关键词提取Java代码2.1 代码解压，将下图3个java文件复制到Android项目的与MainActivity.java同一个目录下2.2 我把ltp中的main函数改成了tuque函数，并传入了参数，以便在MainActivity中调用。public static void tuque(String TEXT, TextView guarani) throws IOException { //提取关键词 System.out.println
2022-03-21 18:02:06
3125
原创 Detection in Crowded Scenes: One Proposal, Multiple Predictions（拥挤场景下的检测：一个提议，多个预测）
2020年发表在CVPR原文链接：https://arxiv.org/pdf/2003.09163v2.pdf1 目的检测拥挤场景中高度重叠的实例。2 关键让一个提议（proposal）预测一组实例，而不是单个实例。3 为什么在密集或遮挡情况下容易检测失败主要有两个原因：（1）高度重叠的实例(以及它们相关的提议)可能具有非常相似的特性。因此，检测器很难分别对每个提议产生有区别的预测。（2）由于实例之间可能严重重叠，因此预测很可能被NMS错误地抑制。（前面写过的DETR，即检测trans.
2022-01-13 16:14:41
1243
原创 编译原理复习备考——第一章
第一章 引论1 区分编译程序和解释程序编译程序是将源语言程序翻译成等价的目标语言程序的程序。一个编译程序的输入可能由一个或多个预处理程序来产生，为了得到能运行的机器代码，编译程序的输出可能仍需要进一步的处理。解释程序一个个地获取、分析并执行源程序语句，一旦第一个语句分析结束，源程序并开始运行并且生成结果。2 编译过程和每个过程的作用多数实用的编译程序都包含以下几个阶段的工作：（1）词法分析：编译过程的第一个阶段。从左到右一个字符一个字符地读入源程序，对构成源程序的字符流进行扫描和分解，从而识别
2021-11-30 22:29:25
228
原创 SETR：Rethinking Semantic Segmentation from a Sequence-to-Sequence Perspective with Transformers
原文：https://arxiv.org/pdf/2012.15840.pdf源码：https://github.com/fudan-zvg/SETR使用Transformers,从序列到序列的角度重新思考语义分割。本文语义分割处理成了一个序列到序列的预测任务。具体来说，部署了一个纯transformer(即，没有卷积和分辨率降低)来将图像编码为一系列patches。通过在转换器的每一层中建模全局上下文，这个编码器可以与一个简单的解码器结合使用，以提供一个强大的分割模型，称为segmentation.
2021-11-19 19:42:48
2036
原创 YOLOv3论文笔记
原文链接：https://arxiv.org/pdf/1804.02767v1.pdf2018年发表论文阅读，加上自己的理解。1 YOLOv3是什么对YOLO做了一些改进，还训练了一个新的分类器网络。YOLOv3的运行速度明显快于其他检测方法，且性能相当。1.1 边框预测和YOLO9000一样，使用维度集群作为锚框来预测边框。每个边框预测4个坐标tx,ty,tw,tht_x,t_y,t_w,t_htx,ty,tw,th。如果单元格从图像的左上角偏移(cx,cy)(c_x,c_y)(.
2021-10-21 13:48:39
210
原创 YOLOv2论文笔记
原文链接：https://arxiv.org/pdf/1612.08242v1.pdf2017年发表在CVPR上。摘要引入了YOLO9000。首先，提出了对YOLOv1的各种改进，既有新颖的，也有来自之前工作的。改进后的YOLOv2模型在PASCAL VOC和COCO等标准检测任务上是最先进的。用一种新颖的多尺度训练方法，同样的YOLOv2模型可以在不同的尺寸下运行，在速度和准确性之间轻松权衡。提出了一种目标检测与分类联合训练的方法。利用该方法，在COCO检测数据集和ImageNet分类数据.
2021-10-19 22:54:16
484
原创 You Only Look Once: Unified, Real-Time Object Detection论文笔记
原文链接：https://arxiv.org/pdf/1506.02640v5.pdf2016年发表在CVPR上摘要先前的目标检测工作重新利用分类器来执行检测。我们把目标检测设计为空间分离的边界框和相关的类概率的回归问题。比之前的模型快。每秒45帧实时处理图像。更小的版本Fast YOLO每秒155帧同时仍然达到其他实时检测器的mAP的两倍。与最先进的检测系统相比，YOLO的定位误差更大，但预测背景误报的可能性更小。YOLO学习非常通用的目标表示。当从自然图像到其他领域如艺术品时，它优于其他.
2021-10-16 17:43:54
842
原创 End-to-End Object Detection with Transformers论文笔记
原文链接：https://arxiv.org/pdf/2005.12872v3.pdf2020年发表在ECCV上摘要将目标检测看作直接集合预测问题。优点：简化了解决方案，有效的消除了许多手工设计组件的需要，如非极大值抑制步骤或锚框生成。明确编码关于任务的先验知识。新框架的主要组成部分被称为DEtection TRansformer(DETR)，是一个基于集的全局损失，通过二部匹配和transformer编码器-解码器结构，强制进行唯一预测。给出一个固定的小的学习过的目标查询集，DETR推理.
2021-10-15 23:52:39
432
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