<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[m0_61899108的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/m0_61899108</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; m0_61899108]]></copyright><item><title><![CDATA[【论文笔记】利用扩散模型DDPM做变化检测change detection]]></title><link>https://blog.csdn.net/m0_61899108/article/details/138751518</link><guid>https://blog.csdn.net/m0_61899108/article/details/138751518</guid><author>m0_61899108</author><pubDate>Sun, 12 May 2024 23:25:56 +0800</pubDate><description><![CDATA[去噪扩散模型DDPM去年开始在各种视觉任务取得惊人的效果，变化检测领域也不例外，本文介绍两篇关于如何使用扩散模型实现变化检测的论文。第一篇做法较为自然，先利用遥感数据预训练DDPM，然后将预训练好的网络当作变化检测任务的特征提取器；第二篇则更有意思，不再进行像素分类，而是直接利用扩散模型生成变化图。]]></description><category></category></item><item><title><![CDATA[【NeurIPS 2023】PromptIR: Prompting for All-in-One Blind Image Restoration]]></title><link>https://blog.csdn.net/m0_61899108/article/details/134754384</link><guid>https://blog.csdn.net/m0_61899108/article/details/134754384</guid><author>m0_61899108</author><pubDate>Sat, 02 Dec 2023 17:34:36 +0800</pubDate><description><![CDATA[图像恢复是从其受损版本中恢复高质量清晰图像的过程。deep-learning方法显著提升了图像恢复性能，然而，它们在不同类型和级别的退化上的泛化能力有限。这限制了它们在实际应用中的使用，因为需要针对每种具体的退化进行单独训练模型，并了解输入图像的退化类型才能应用相应的模型。本文介绍了一种基于提示的学习方法，称为PromptIR，用于全能图像恢复，可以有效地从各种类型和级别的退化中恢复图像。具体而言，本文方法使用提示来编码退化特定信息，并动态引导恢复网络。]]></description><category></category></item><item><title><![CDATA[【IJCAI2022】Uncertainty-Guided Pixel Contrastive Learning for Semi-Supervised Medical Image Segmentat]]></title><link>https://blog.csdn.net/m0_61899108/article/details/131152089</link><guid>https://blog.csdn.net/m0_61899108/article/details/131152089</guid><author>m0_61899108</author><pubDate>Sun, 26 Nov 2023 18:10:59 +0800</pubDate><description><![CDATA[论文将对比学习引入半监督分割，并提出了一种新的不确定性引导的半监督医学图像分割像素对比学习方法。具体来说，为每个未标记的图像构建一个不确定性图，然后重新移动不确定性图中的不确定性区域，以降低噪声采样的可能性。不确定性图由精心设计的一致性学习机制确定，该机制通过鼓励来自两个不同解码器的一致性网络输出来生成对未标记数据的全面预测。此外，论文认为由图像编码器学习的有效全局表示对于不同的几何变换应该是等变的，于是构造了一个等变对比损失来增强编码器的全局表示学习能力。]]></description><category></category></item><item><title><![CDATA[【半监督学习】CNN与Transformer的结合]]></title><link>https://blog.csdn.net/m0_61899108/article/details/130690701</link><guid>https://blog.csdn.net/m0_61899108/article/details/130690701</guid><author>m0_61899108</author><pubDate>Sun, 19 Nov 2023 20:01:53 +0800</pubDate><description><![CDATA[​本文介绍了几篇结合使用CNN和Transformer进行半监督学习的论文，CNN&Trans（MIDL2022），Semi-ViT（ECCV2022），Semiformer（ECCV2022）。]]></description><category></category></item><item><title><![CDATA[【TGRS 2023】RingMo-Sense: Remote Sensing Foundation Model for Spatiotemporal Prediction via Spatiotem]]></title><link>https://blog.csdn.net/m0_61899108/article/details/133553376</link><guid>https://blog.csdn.net/m0_61899108/article/details/133553376</guid><author>m0_61899108</author><pubDate>Sat, 11 Nov 2023 23:54:24 +0800</pubDate><description><![CDATA[遥感时空预测旨在从视频和时间序列图像等历史时空数据中推断未来趋势，在许多领域具有广泛的应用前景。基础模型由于其强大的特征提取能力，是时空信息挖掘的一个很有前途的研究方向，在自然场景中取得了快速的进展。然而，由于遥感数据的空间多尺度和时间多尺度特性，这些方法在应用于遥感时仍然会遇到瓶颈。因此，论文提出了一种基于时空演化去模糊的时空预测遥感基础模型，简称RingMo-Sense。考虑到空间亲和性、时间连续性和时空相互作用，论文构建了空间、时间和时空三分支预测网络。]]></description><category></category></item><item><title><![CDATA[【ICCV 2023】EfficientViT: Multi-Scale Linear Attention for High-Resolution Dense Prediction]]></title><link>https://blog.csdn.net/m0_61899108/article/details/133490485</link><guid>https://blog.csdn.net/m0_61899108/article/details/133490485</guid><author>m0_61899108</author><pubDate>Thu, 02 Nov 2023 20:30:49 +0800</pubDate><description><![CDATA[高分辨率密集预测得到越来越多的应用，如计算摄影、自动驾驶等。然而，巨大的计算成本使得在硬件设备上部署最先进的高分辨率密集预报模型变得困难。本文提出EfficientViT，一个新的高分辨率视觉模型家族，具有新颖的多尺度线性特性。不同于现有的高分辨率密集预测模型依赖于大量的softmax注意力、硬件低效的大内核卷积或复杂的拓扑结构来获得良好的性能，多尺度线性注意力只需轻量级和硬件高效的操作就可以实现全局感受野和多尺度学习（高分辨率密集预测的两个理想特征）。]]></description><category></category></item><item><title><![CDATA[【TGRS 2023】RingMo: A Remote Sensing Foundation ModelWith Masked Image Modeling]]></title><link>https://blog.csdn.net/m0_61899108/article/details/133520831</link><guid>https://blog.csdn.net/m0_61899108/article/details/133520831</guid><author>m0_61899108</author><pubDate>Wed, 25 Oct 2023 22:09:18 +0800</pubDate><description><![CDATA[深度学习方法促进了遥感 (RS) 图像解释的快速发展。最广泛使用的是利用ImageNet预训练模型来处理指定任务的 RS 数据。然而，存在自然场景与RS场景之间的领域差距，以及 RS模型泛化能力差 等问题。开发具有通用 RS 特征表示的基础模型是有意义的。由于有大量未标记的数据可用，自监督方法在遥感方面比全监督方法具有更大的发展意义。然而，目前大多数自监督方法都使用 对比学习，其性能对数据增强、附加信息以及正负对的选择很敏感。本文利用。]]></description><category></category></item><item><title><![CDATA[【综述】Diffusion Models: A Comprehensive Survey of Methods and Applications]]></title><link>https://blog.csdn.net/m0_61899108/article/details/133935794</link><guid>https://blog.csdn.net/m0_61899108/article/details/133935794</guid><author>m0_61899108</author><pubDate>Thu, 19 Oct 2023 21:57:57 +0800</pubDate><description><![CDATA[论文：github：Conditional Image Generation (Image Super Resolution, Inpainting, Translation, Manipulation)]]></description><category></category></item><item><title><![CDATA[【论文合集】Awesome Diffusion Models 3]]></title><link>https://blog.csdn.net/m0_61899108/article/details/133580174</link><guid>https://blog.csdn.net/m0_61899108/article/details/133580174</guid><author>m0_61899108</author><pubDate>Tue, 17 Oct 2023 15:52:27 +0800</pubDate><description><![CDATA[介绍使用diffusion来实现多模态学习、3D视觉、对抗攻击，以及语音领域的生成、增强等任务。]]></description><category></category></item><item><title><![CDATA[【论文合集】Awesome Diffusion Models 2]]></title><link>https://blog.csdn.net/m0_61899108/article/details/133580013</link><guid>https://blog.csdn.net/m0_61899108/article/details/133580013</guid><author>m0_61899108</author><pubDate>Tue, 17 Oct 2023 12:56:41 +0800</pubDate><description><![CDATA[介绍diffusion做生成、分类、分割、图像翻译、医学图像的论文。来源：https://github.com/diff-usion/Awesome-Diffusion-Models]]></description><category></category></item><item><title><![CDATA[【论文合集】Awesome Diffusion Models 1]]></title><link>https://blog.csdn.net/m0_61899108/article/details/133580082</link><guid>https://blog.csdn.net/m0_61899108/article/details/133580082</guid><author>m0_61899108</author><pubDate>Mon, 16 Oct 2023 22:13:30 +0800</pubDate><description><![CDATA[介绍关于diffusino的各种资源和综述论文。]]></description><category></category></item><item><title><![CDATA[ubuntu修改IP地址]]></title><link>https://blog.csdn.net/m0_61899108/article/details/133822801</link><guid>https://blog.csdn.net/m0_61899108/article/details/133822801</guid><author>m0_61899108</author><pubDate>Sat, 14 Oct 2023 13:20:23 +0800</pubDate><description><![CDATA[面对ubuntu18以上的版本，主要有两种界面：图形化界面和纯命令行界面。图形化界面配置比较简单，命令行配置稍许复杂，但方便。]]></description><category></category></item><item><title><![CDATA[【CVPR 2023】 All are Worth Words: A ViT Backbone for Diffusion Models]]></title><link>https://blog.csdn.net/m0_61899108/article/details/133522636</link><guid>https://blog.csdn.net/m0_61899108/article/details/133522636</guid><author>m0_61899108</author><pubDate>Tue, 10 Oct 2023 21:55:10 +0800</pubDate><description><![CDATA[文中首次使用U-Net建模score-based model (即diffusion model)，后续DDPMADMImagen等许多工作对U-Net进行了一系列改进。目前，绝大多数扩散概率模型的论文依然使用U-Net作为主干网络。ViT在各种视觉任务中显示出了前景，而基于CNN的U-Net在扩散模型中仍然占主导地位。论文设计了一种简单通用的基于ViT的架构（命名为U-ViT），用于使用扩散模型生成图像。]]></description><category></category></item><item><title><![CDATA[【论文合集】Awesome Video Diffusion]]></title><link>https://blog.csdn.net/m0_61899108/article/details/133579703</link><guid>https://blog.csdn.net/m0_61899108/article/details/133579703</guid><author>m0_61899108</author><pubDate>Sat, 07 Oct 2023 15:08:45 +0800</pubDate><description><![CDATA[A curated list of recent diffusion models for video generation, editing, restoration, understanding, nerf, etc.]]></description><category></category></item><item><title><![CDATA[【NeurIPS 2023】Backdoor对抗攻防论文汇总]]></title><link>https://blog.csdn.net/m0_61899108/article/details/133578047</link><guid>https://blog.csdn.net/m0_61899108/article/details/133578047</guid><author>m0_61899108</author><pubDate>Thu, 05 Oct 2023 13:00:44 +0800</pubDate><description><![CDATA[2023年以及2022年的NeurIPS有关backdoor的对抗攻防的论文。]]></description><category></category></item><item><title><![CDATA[【arXiv2309】RingMo-lite: A Remote Sensing Multi-taskLightweight Network with CNN-TransformerHybrid Fr]]></title><link>https://blog.csdn.net/m0_61899108/article/details/133550980</link><guid>https://blog.csdn.net/m0_61899108/article/details/133550980</guid><author>m0_61899108</author><pubDate>Wed, 04 Oct 2023 15:03:31 +0800</pubDate><description><![CDATA[近年来，RingMo的遥感（RS）视觉基础模型在各种下游任务中取得了优异的性能。然而，对计算资源的高需求限制了这些模型在边缘设备上的应用。有必要设计一个更轻量级的基础模型来支持在轨遥感图像解释。现有方法在实现轻量级解决方案的同时在RS图像解释中保持通用性方面面临挑战。这是由于RS图像中复杂的高频和低频频谱分量，使得传统的单一CNN或视觉变换器方法不适合该任务。因此，本文提出了RingMo-lite，一个具有CNN-Transformer混合框架的RS多任务轻量级网络，它有效地利用了RS的频域特性。]]></description><category></category></item><item><title><![CDATA[【NeurIPS 2023】Toward Understanding Generative Data Augmentation]]></title><link>https://blog.csdn.net/m0_61899108/article/details/133521671</link><guid>https://blog.csdn.net/m0_61899108/article/details/133521671</guid><author>m0_61899108</author><pubDate>Tue, 03 Oct 2023 16:34:24 +0800</pubDate><description><![CDATA[生成式数据扩增通过条件生成模型生成新样本来扩展数据集，从而提高各种学习任务的分类性能。然而，很少有人从理论上研究生成数据增强的效果。为了填补这一空白，论文在这种非独立同分布环境下构建了基于稳定性的通用泛化误差界。基于通用的泛化界，论文进一步了探究了高斯混合模型和生成对抗网络的学习情况。在这两种情况下，论文证明了，虽然生成式数据增强并不能享受更快的学习率，但当训练集较小时，它可以在一个常数的水平上提高学习保证，这在发生过拟合时是非常重要的。]]></description><category></category></item><item><title><![CDATA[【CVPR 2023】EfficientViT: Memory Efficient Vision Transformer with Cascaded Group Attention]]></title><link>https://blog.csdn.net/m0_61899108/article/details/133490437</link><guid>https://blog.csdn.net/m0_61899108/article/details/133490437</guid><author>m0_61899108</author><pubDate>Tue, 03 Oct 2023 11:15:27 +0800</pubDate><description><![CDATA[Vision Transformer由于其高度的建模能力而取得了巨大的成功。然而，它们的卓越性能伴随着沉重的计算代价，不适合于实时应用。本文提出了一个高速ViT，即EfficientViT。论文发现，现有的Transformer模型的速度通常受到访存效率低的操作的限制，尤其是在MHSA中的张量重塑和逐元素函数。因此，论文设计了一种新的三明治布局的构建块，即在有效的FFN层之间使用单个内存受限的MHSA，在增强通道通信的同时提高了访存效率。此外，注意力图在头部之间有很高的相似性，导致计算冗余。]]></description><category></category></item><item><title><![CDATA[【推荐系统】多任务学习模型]]></title><link>https://blog.csdn.net/m0_61899108/article/details/133500144</link><guid>https://blog.csdn.net/m0_61899108/article/details/133500144</guid><author>m0_61899108</author><pubDate>Tue, 03 Oct 2023 09:24:52 +0800</pubDate><description><![CDATA[介绍一些多任务学习模型了解是如何处理多任务分支的。如ESSM，MMoE，PLE，DSSM，GateNet，GemNN。]]></description><category></category></item><item><title><![CDATA[【轻量化网络】MobileNet系列]]></title><link>https://blog.csdn.net/m0_61899108/article/details/131949282</link><guid>https://blog.csdn.net/m0_61899108/article/details/131949282</guid><author>m0_61899108</author><pubDate>Sat, 09 Sep 2023 16:25:23 +0800</pubDate><description><![CDATA[论文：https://arxiv.org/abs/1704.04861代码：解读：【图像分类】2017-MobileNetV1 CVPR_說詤榢的博客-CSDN博客 论文：https://arxiv.org/abs/1801.04381代码：https://github.com/d-li14/mobilenetv2.pytorch解读：【图像分类】2018-MobileNetV2_[18]sandler m,howard a,zhu m,et al. mobilenetv2: i_說詤榢的博客-CSDN博客]]></description><category></category></item></channel></rss>