- 博客(267)
- 收藏
- 关注
RSS订阅原创 恶劣天气目标检测D-YOLO
D-YOLO提出了一种针对恶劣天气条件下目标检测的双路径网络框架。该方法通过清晰特征提取子网络(CFE)获取无雾图像特征，并设计特征适配模块(FA)将清晰特征迁移到检测网络中。网络采用注意力特征融合模块(AF)自适应融合有雾和去雾特征，避免了传统"先修复后检测"方法的潜在信息丢失问题。实验表明，该方法能有效提升雾霾、雨雪等恶劣天气条件下的检测性能。关键创新包括：1)训练阶段利用清晰图像特征指导学习；2)特征适配模块实现清晰特征迁移；3)雾感知注意力机制实现特征融合。
2025-11-18 15:26:56
746
原创 小目标检测：PKINet详解
本文提出了一种新型轻量级特征提取网络PKINet，针对遥感图像目标检测任务进行了优化。该方法采用并行排列的不同尺寸深度可分离卷积核提取多尺度特征，并结合上下文锚定注意力(CAA)机制增强特征表示。实验表明，在VisDrone2019和AI-TOD数据集上，PKINet展现不佳，在小目标检测任务中表现一般。这可能是由于网络设计复杂度较高导致训练难度增加，或实验配置未完全优化所致。
2025-11-15 13:09:17
1100
原创 小目标检测：HS-FPN详解
本文详细讲解了HS-FPN，通过高频率感知模块(HFP)和空间依赖感知模块(SDP)增强小目标检测性能。HFP采用双分支结构，利用DCT变换进行高通滤波来保留微小物体特征；SDP改进自注意力机制，解决特征错位问题。实验表明，在VisDrone数据集上，HS-FPN比原版Faster-RCNN的mAP50-95提升2.4%（0.286→0.293）。论文创新性地结合频域分析与空间感知，为小目标检测提供新思路。
2025-11-03 15:09:29
804
原创 小目标检测：PRNet详解
本文提出PRNet方法解决航空图像小目标检测中的信息退化问题。针对传统FPN方法在特征融合中的不足，PRNet设计了渐进式refinement颈部(PRN)和增强切片采样(ESSamp)两个核心模块。ESSamp通过优化重排和卷积操作在下采样过程中保留浅层空间信息；PRN则通过多阶段骨干网络复用和迭代refinement实现空间-语义对齐。该方法在YOLO11框架上实现，相比传统方法能更好地保留小目标的细节特征。论文提供了完整的网络结构和实现代码，为小目标检测任务提供了新的解决方案思路。
2025-10-28 09:48:56
905
原创 小目标检测：IF-YOLO详解
本文提出了一种针对无人机遥感图像目标检测的IF-YOLO算法。针对无人机图像中目标尺度变化大、小目标密集分布等问题，该算法设计了三个核心模块：1) IPFA特征聚合模块，通过3x3卷积和特征重组保留小目标特征信息；2) CSFM特征融合模块，包含通道和空间冲突抑制分支，减少特征融合中的信息干扰；3) FGAFPN金字塔网络，促进多尺度特征交互。实验表明该算法能有效提升小目标检测性能。文章详细介绍了各模块的设计思路和代码实现，并提供了完整的消融实验结果。
2025-10-27 12:19:08
962
原创 恶劣天气目标检测IA-YOLO
本文介绍了恶劣天气下小目标检测方法IA-YOLO的PyTorch复现工作。该模型通过可微图像处理模块DIP（包含去雾、白平衡等6个可调滤波器）和CNN参数预测器，实现图像自适应增强以提升检测效果。作者针对原TensorFlow实现进行了多项改进：1）将DCP去雾算法嵌入网络；2）优化模块位置使其与检测器联合训练；3）改用YOLOv5n作为检测器；4）调整训练策略和损失权重。在RTTS雾天数据集上的实验表明，改进后的模型mAP50达到0.364，较基线YOLOv5n提升2.4%。研究还提供了完整的数据预处理流
2025-10-23 15:07:03
1023
原创 小目标检测：VRF-DETR详解
VRF-DETR是一种基于Transformer的高效无人机图像检测模型，针对小目标检测问题进行了优化。该模型在RT-DETR基础上引入多尺度上下文融合模块MSCF和门控卷积模块GConv，通过并行不同空洞率的卷积扩大感受野，并采用自适应特征选择策略增强多尺度目标感知能力。VRF-DETR采用精简的通道设计替代传统2倍增长模式，并通过GMCF模块替换标准C2f中的瓶颈结构，在保持轻量化的同时提升检测性能。实验表明，该模型在无人机小目标检测任务中表现出色，有效解决了传统方法因NMS导致的漏检和误检问题。
2025-10-08 09:15:00
872
原创 目标检测算法RT-DETR详解
RT-DETR：突破DETR的实时目标检测新范式 摘要：百度提出的RT-DETR在保留DETR端到端优势的同时，实现了实时目标检测。其核心创新包括：1）高效混合编码器结构，结合单尺度注意力交互和跨尺度卷积融合；2）不确定性最小查询选择机制，优化解码器初始查询；3）灵活可扩展的架构设计。实验表明，RT-DETR在保持精度的同时显著提升速度，在ResNet50主干上达到0.645的精度和0.0848的mAP50。该模型通过减少冗余计算（快35%）和改进特征融合（AP提升0.4%），成功解决了传统DETR训练慢、
2025-10-06 09:32:19
1445
原创 小目标检测：LUD-YOLO详解
本文介绍了基于YOLOv8改进的LUD-YOLO算法，专门针对无人机目标检测场景中的小目标检测难题。该算法通过三方面创新实现性能提升：(1)提出新型特征融合模式，在FPN和PAN结构中引入上采样操作，增强小目标检测能力；(2)采用动态稀疏注意力机制，实现内容感知计算分配；(3)实施模型稀疏化和轻量化处理，提升边缘设备部署效率。实验表明，改进后的算法在保持精度的同时显著降低计算开销，适合无人机等资源受限设备。文章详细解析了算法改进思路，包括特征金字塔网络优化、注意力机制引入和轻量化策略，并提供了完整的模型配置
2025-09-29 00:54:35
1019
原创 使用Docker将PyQt深度学习项目打包成镜像
本文详细介绍了如何将一个封装YOLO的PyQt项目打包成Docker镜像的完整流程。首先说明了Docker的安装方法及基本命令，然后重点解析了Dockerfile的编写要点，包括环境变量设置、依赖安装、中文编码配置等关键步骤。针对PyQt项目在Docker中运行的特殊需求，提供了X11显示问题的解决方案。文中还包含了Docker镜像源配置方法、项目目录结构示例，以及最终运行容器时的参数设置。通过QT_QPA_PLATFORM=wayland等特殊配置，成功解决了PyQt界面在容器中的显示问题，最终实现了YO
2025-09-25 19:39:21
1132
原创 解决ubuntu无法连接上security.ubuntu.com:80 (185.125.190.81)的问题
摘要：本文详细记录了解决Ubuntu虚拟机无法连接security.ubuntu.com的问题排查过程。通过逐步检查网络连接、DNS解析和服务器访问，最终定位到官方服务器连接问题。提供了两种解决方案：使用阿里云或清华大学的国内镜像源替换官方源，并给出具体操作步骤，包括备份源文件、根据系统版本修改源内容以及更新软件列表。该方法有效解决了因网络限制导致的软件更新问题。
2025-09-22 16:29:17
1259
原创 虚拟机VMware中调整屏幕显示大小的两种方法，并解决VMware Tools安装失败
本文针对VM17虚拟机屏幕显示过小的问题提供了两种解决方法：1.通过调整分辨率并启用"拉伸客户机"选项消除黑边；2.安装VMwareTools时若报错，需先卸载旧版本后重新安装，并在关键步骤选择"no"。
2025-09-22 15:03:25
1206
原创 MMDetection新手教程
本文介绍了在MMDetection框架下使用Faster R-CNN算法训练VisDrone2019数据集的完整流程。首先详细说明了环境配置步骤，包括PyTorch、MMCV和MMDetection的安装；然后讲解了COCO格式数据集的准备过程，重点演示了如何修改配置文件以适应VisDrone数据集（10个类别）。接着展示了训练和测试命令，最终模型在测试集上取得了26.7%的mAP指标。文章还提供了模型分析工具的使用方法，包括计算参数量、测试推理速度、生成混淆矩阵等。该教程为初学者提供了基于MMDetect
2025-09-19 16:32:12
812
原创 小目标检测：FBRT-YOLO详解
FBRT-YOLO是一种针对航拍图像小目标检测的轻量化高效网络，基于YOLOv8框架改进。创新点包括：1）FCM模块通过双向注意力机制融合浅层空间信息和深层语义特征，解决小目标空间信息丢失问题；2）MKP模块采用多尺度卷积核（3×3/5×5/7×7）增强跨尺度特征感知能力。实验表明该方法在保持实时性的同时，显著提升了小目标检测精度，尤其适用于航拍场景。网络结构通过优化通道分配和下采样策略，实现了计算效率与检测性能的平衡。
2025-09-16 00:12:23
1321
原创 小目标检测：FFCA-YOLO详解
FFCA-YOLO是2024年发表在上的文章，主要为了解决遥感小目标检测任务中特征表示不足、背景混淆等问题。核心的架构采用的是yolov5，提出了三个创新模块，特征增强模块(FEM)、特征融合模块(FFM)和空间上下文感知模块(SCAM)。我们这里对其模块做一个详解，以便给我们自己的改进提供思路。
2025-09-09 19:32:48
1164
原创 Unity的UGUI更改背景以及添加中文字体
本文记录了在Unity中创建2D UI界面的过程，包括创建Canvas、设置背景图片、添加中文文本等步骤。重点解决了中文显示异常问题，建议使用TextMeshPro并导入中文字符集。文中提供了详细的操作指引和参考资源链接，适合Unity初学者参考。
2025-09-06 14:25:40
453
原创 目标检测算法YOLOv4详解
YOLOv4作为目标检测领域的重要里程碑，通过集成Bag-of-Freebies和Bag-of-Specials策略，在保持实时性的同时显著提升了检测精度。其创新点包括：采用CSPDarknet53作为主干网络，引入Mish激活函数和跨阶段连接；颈部网络结合SPP模块和多尺度特征融合；使用马赛克数据增强、DropBlock正则化等训练技巧；以及CIoU损失函数和DIoU-NMS后处理。这些改进使YOLOv4在准确率和速度间取得更好平衡，为后续YOLO系列发展奠定了框架基础。该技术至今仍具重要参考价值，特别是
2025-08-31 21:47:43
1095
原创 使用TexLive与VScode排版论文
本文记录了从零开始配置LaTeX排版环境的完整过程。作者选择VSCode作为编辑器，详细介绍了TexLive的安装步骤（包括镜像下载、管理员安装和系统变量配置），以及SumatraPDF的安装。重点讲解了VSCode中Latex Workshop插件的配置方法，提供了完整的settings.json配置代码，包含编译工具链设置和PDF阅读器关联。文章还分享了IEEE模板使用中遇到的标题字号问题解决方案（替换IEEEtran.cls文件并刷新texhash），并列举了多篇实用的参考文章。
2025-08-13 21:14:15
1168
原创 使用Zotero管理引用参考文献
Zotero文献管理工具使用指南 本文介绍了Zotero文献管理工具的安装与使用方法。首先需要下载安装Zotero桌面端和浏览器插件，完成账号注册和基础设置，包括引用样式选择和PDF自动检索设置。在使用过程中，虽然Zotero官方推荐与Microsoft Word配合使用，但文章也提供了在WPS中加载Zotero插件的方法。遇到文献引用问题时，可尝试通过右键创建参考文献表或复制引文格式来解决。最后文章指出，虽然Zotero存在一些小问题，但仍是一个实用的文献管理工具，并提供了相关参考文章链接。
2025-08-04 00:47:21
1981
2
原创 评估遥感云雾浓度的无参化指标（适用于其它合成雾的场景）
本文总结了四种用于评估遥感图像云雾浓度的无参考指标：FADE、densityD、AuthESI和JSFD。FADE通过MATLAB实现，能较好反映雾气浓度但计算耗时；densityD基于TensorFlow，对天空场景较为敏感；AuthESI主要用于评估合成雾真实性，不适用于浓度评估；JSFD结合HSV空间S值、白点比例和暗通道特征，准确性较高但计算时间长。实验表明，FADE和JSFD更适合遥感场景的雾浓度评估，虽然存在计算效率问题，但能较好区分薄雾和浓雾数据集。这些指标为遥感图像去雾研究提供了有效的量化评
2025-07-16 16:30:31
1328
原创 Sphinx和ReadtheDocs构建一个文档网站
本文介绍了如何从零开始使用Sphinx工具搭建Python文档系统并部署到ReadTheDocs平台。主要内容包括：1)通过Anaconda创建Python环境并安装Sphinx；2)使用sphinx-quickstart命令初始化项目；3)更换阅读主题为sphinx_rtd_theme；4)添加Markdown支持；5)构建文档目录结构；6)将项目托管到Gitee；7)最终部署到ReadTheDocs平台。整个过程涵盖了环境配置、文档编写、版本控制和在线部署等关键步骤，为Python开发者提供了完整的文档
2025-07-04 02:07:31
1142
原创 图像去雾数据集总汇
图像去雾数据集汇总：RESIDE系列（IN/OUT/6K）提供室内外合成雾数据，D-HAZY基于深度图生成，NH-HAZE/I-HAZE/O-HAZE等为真实雾数据集。LMHaze是最大真实雾数据集（5040对）。遥感去雾数据集包括RRSHID、RSHaze等，RICE用于云去除。主要数据集来源包括论文作者GitHub、百度网盘及极市平台，部分需特殊解压处理。当前室内SOTA达PSNR42.72，室外40.73，6K数据集仍有提升空间（31.45）。
2025-06-05 18:13:30
3413
原创 暗通道先验去雾算法实现
本文实现了一种基于暗通道先验(DCP)的图像去雾算法。该算法首先计算输入图像的暗通道，通过取RGB三通道最小值获得；然后估计大气光值，选择暗通道中最亮0.1%像素在原始图像中的最大值；接着计算透射率图并利用物理模型恢复无雾图像。实验表明该算法在浅雾场景效果较好，但存在一定局限性。评估采用PSNR和SSIM指标，结果显示去雾后图像质量有显著提升。该实现支持PyTorch框架，可方便应用于不同尺寸的输入图像。
2025-05-28 22:05:05
1228
原创 文件夹图像批处理教程
本文介绍了一个用于图像批量处理的Python脚本集及可视化工具BatchVision的开发过程。该工具整合了多种实用功能：1) 获取图像路径并处理转义字符；2) 批量调整图像尺寸；3) 按比例划分训练/验证/测试集；4) 计算图像RGB均值标准化；5) 修改图像后缀名；6) 自定义规则批量重命名。作者详细说明了每个功能的实现逻辑，特别优化了数据集划分算法以避免比例误差。最终将这些功能整合为完整的脚本，并基于PyQt5开发了可视化界面BatchVision，提供离线可执行文件方便使用。该工具可显著提升图像数据
2025-05-24 22:54:28
1109
原创 图像处理：预览并绘制图像细节
因为最近在搞毕业论文的事情，要做出一下图像细节对比图，所以我这里写了两个脚本，一个用于框选并同时预览图像放大细节，可显示并返回框选图像的坐标，另外一个是输入框选图像的坐标并将放大的细节放置在图像中，效果如下所示，我们这里写了一个图像区域的选择工具，主要是选择好图像路径，框选和文字的颜色，以及放大的倍数，此处放大的倍数仅用于查看，所以不用担心最后的效果。这里需要的是选择图像路径，框选的坐标，也提供放置位置的坐标，放大的系数，线条的颜色，宽度，以及是否绘制箭头。如果你不提供放置的位置也可以，我们提供了一种自
2025-05-16 19:38:02
1157
原创 将PyQt5设计的程序打包成.exe文件
在打包Python程序时，为避免包含解释器中的大型包（如torch），建议创建一个独立的环境。首先使用conda create -n image_process python=3.8创建环境，并通过conda activate image_process激活。随后安装所需的库，如Pillow、natsort、NumPy和PyQt5，并使用PyInstaller进行打包。通过pyinstaller -F BatchSystem.py生成单个exe文件，或使用pyinstaller -F -w BatchSys
2025-05-11 22:32:09
532
原创 CLIP模型原理与代码讲解，并在flickr8k数据集上进行微调
CLIP的是由 OpenAI 开发的一种多模态模型，能够将图像和文本嵌入到同一个语义空间中进行处理，使用4亿个图像和文本对数据进行训练，通过对比学习的方式学习图像和文本之间的对齐关系。接下来，本文将梳理一下CLIP的原理以及使用流程。以前的分类任务分类的类别是固定的，如果要更改类别的数量，就需要修改最后一层的类别数目num_classes。而给CLIP提供的标签是不固定的，可以是任何的内容，此外，提供的句子模板的选择很重要，论文当中还对prompt engineering进行了讨论，并且测试了很多种类的句子
2025-05-06 17:03:37
1670
2
原创 特征融合后通道维度增加，卷积层和线性层两种降维方式
特征融合是深度学习模型设计中提升表达能力的关键步骤，主要有三种基础方法：逐元素相加、直接乘积、通道维度拼接，从我个人的使用角度来看，Concat要更加好用。我觉得相加和乘积属于是不可逆的操作，直接融合会导致原有信息丢失，无法再分离，如果两个特征图的响应模式差异较大，这两种方式会引入噪声冗余信息。在通道维度拼接（如torch.cat(dim=1)）则会保留所有原始特征，只不过Concat会增加参数量，所以我们需要对其进行降维，本篇将会讲解一写关于卷积层和线性层两种降维方式。
2025-04-02 15:07:43
973
原创 适合初学者的深度学习项目——基于Pytorch的图像分类系统
一个基于pytorch的分类训练模版此项目提供了一个清晰且高效的基于PyTorch的图像分类训练模板，旨在简化二分类和多分类任务的实现过程。无论是初学者还是有一定经验的开发者，都可以通过这个模板快速上手并构建自己的图像分类模型。二分类和多分类：每个样本只能属于一个类别。二分类是特殊的多分类任务，类别数为2。多分类通过softmax来选择一个最可能的类别。多标签：每个样本可以同时属于多个类别，每个标签的预测是独立的，通常需要sigmoid输出每个标签的概率值。
2025-02-18 19:48:52
1448
原创 Opencv项目实战：26 信用卡号码识别与类型判定
一个基于pytorch的分类训练模版此项目提供了一个清晰且高效的基于PyTorch的图像分类训练模板，旨在简化二分类和多分类任务的实现过程。无论是初学者还是有一定经验的开发者，都可以通过这个模板快速上手并构建自己的图像分类模型。二分类和多分类：每个样本只能属于一个类别。二分类是特殊的多分类任务，类别数为2。多分类通过softmax来选择一个最可能的类别。多标签：每个样本可以同时属于多个类别，每个标签的预测是独立的，通常需要sigmoid输出每个标签的概率值。关于模型的训练和推理部分，请严格按照仓库中的REA
2025-02-18 15:47:05
442
原创 Ubuntu20.04安装Nvidia显卡驱动教程以及深度学习环境搭建
记录一下新系统环境安装的过程，如果前面没有删除干净的，可以查看最下面参考文章中的链接。ubuntu的Nvidia显卡驱动教程，深度学习环境搭建，ubuntu安装Pycharm，这里应当使用你自己的PyCharm路径和图标路径。保存并关闭文件，使用 Ctrl + X 保存。接下来就可以在应用搜索框中找到了：
2025-02-13 00:51:10
5229
原创 如何使用Python脚本将本地项目上传到 GitHub
这里我们通过创建一个新的github仓库，来测试我们的脚本能否上传我们本地的项目，并且进行更新。首先你需要先安装Git，关于这部分我好像没有记录过，这里我搜索看了一下，这篇博客写的应该是比较齐全的，这里我们主要来展示我们的脚本能否上传。
2025-01-18 15:42:46
1230
原创 图像去雾数据集的下载和预处理操作
目前，因为要做对比实验，收集了一下去雾数据集，并且建立了一个数据集的预处理工程。这是以前我写的一个小仓库，我决定还是把它用起来，下面将展示下载的路径和数据处理的方法。I-HAZEI-HAZE.zip具有真实朦胧和无雾霾室内图像的去雾基准，包含35对朦胧和相应的无雾（地面实况）室内图像。实际下载下来只有30对。这属于是一个小的室内数据集，下载之后，文件夹名为：I-HAZYNTIRE2018,这里我们手动改为I_HAZY_NTIRE_2018。避免出现路径找不到的问题。
2025-01-18 14:08:06
2345
1
原创 Swin Transformer模型详解
Swin Transformer（Shifted Window Transformer）是一种新颖的视觉Transformer模型，在2021年由微软亚洲研究院提出。这一模型提出了一种基于局部窗口的自注意力机制，显著改善了Vision Transformer（ViT）在处理高分辨率图像时的性能，尤其是在图像分类、物体检测等计算机视觉任务中表现出色。Swin Transformer的最大创新之一是其引入了“平移窗口”机制，克服了传统自注意力方法在大图像处理时计算资源消耗过大的问题。
2025-01-09 15:24:11
3422
6
原创 Vision Transformer模型详解
最近，我在学习Transformer模型在图像领域的应用。图像处理任务一直以来都是深度学习领域的重要研究方向，而传统的卷积神经网络已在许多任务中取得了显著的成绩。然而，近年来，Transformer模型由于其在自然语言处理中的成功，逐渐被引入到计算机视觉领域。Vision Transformer（ViT）是应用Transformer架构于图像分类任务的一个重要突破，它证明了Transformer在视觉任务中的潜力。虽然我这里实现的可以进行图像分类训练，但对于大多数实际应用，我还是推荐使用官方实现的代码模型，
2025-01-05 19:00:21
2283
原创 Transformer中Self-Attention以及Multi-Head Attention模块详解（附pytorch实现）
尽管官方的 MultiheadAttention 模块经过优化，具有更高的效率，但手动实现能够帮助大家更好地理解多头注意力机制的各个计算步骤。通过这些实验，我们不仅深入了解了注意力机制的原理，还能在实际应用中灵活使用这些机制，尤其是在图像任务中，Transformer 的强大能力得到了广泛的应用。最近在项目中需要使用Transformer模型来处理图像任务，所以稍微补充一下这部分的知识，本篇主要了解一下Self-Attention以及Multi-Head Attention模块。
2025-01-04 22:27:06
3190
原创 基于PyQt5的UI界面开发——图像与视频的加载与显示
本篇展示了如何使用PyQt5和OpenCV实现一个图像浏览与视频播放应用，涵盖了文件路径选择、图像/视频显示、自动播放或切换、暂停与恢复、图像保存等多种功能。本篇的代码具有较高的灵活性，你只需要按照相同的命名方式就能够实现代码的移植。希望通过本篇，为其他大家提供有用的参考和实现思路。另外，需要注意的一点是，在循环播放的时候图像会重复的保存，关于这一部分的相关逻辑，我不想再修改，也不怎么碍事。最后，我这里不提供原来设计ui文件，因为，我写的已经很清楚了，大家能够自己简单的设计，没必要再找我要。
2024-12-30 17:20:05
3573
原创 Opencv项目实战：25 车道线检测
本项目的主要目标是通过视频输入流实时检测并显示车道线。通过在GUI界面中集成OpenCV图像处理功能，用户可以加载视频，启动检测过程，并在窗口中查看每帧图像的处理结果。本项目利用 PyQt5 作为图形用户界面框架，并结合 OpenCV 进行图像处理，开发了一个车道线检测系统。该系统能够从视频文件中实时读取每一帧图像，并通过车道线检测算法对视频进行处理，最终在界面中展示车道线检测结果。用户可以选择视频文件并查看车道线检测的实时效果。
2024-12-26 21:11:59
1418
原创 基于PyQt5的UI界面开发——多界面切换
最初，因为课设的缘故，我只是想做一个通过按键进行切面切换而已，但是我看网上资料里面仅是语焉不详，让我困惑的很，但后面我通过摸索才发现这件事实在是太简单了，因此我想要记录下来。本博客将介绍如何使用PyQt5库创建一个具有多界面切换功能的应用程序。通过详细的代码示例，我们将展示如何设计一个包含两个主要界面的应用，用户可以通过菜单栏的选项在这两个界面之间自由切换。代码示例中，我们使用了QStackedWidget来实现界面的切换。此外，我们还将分享如何连接菜单项与界面切换功能的技巧。
2024-12-26 16:51:28
2547
原创 virtuoso设计一个CMOS反相器并进行仿真
本文为基于Cadence Virtuoso的CMOS反相器设计与仿真图文教程，旨在记录个人学习集成电路设计的过程。文章详细描述了从打开Virtuoso软件、新建工程、绘制反相器原理图，到进行原理图仿真的完整步骤。在绘制反相器时，介绍了快捷键使用、器件放置、引脚创建、电源和地线连接等关键操作。在仿真部分，指导了如何设置仿真类型、添加模型库、配置输入信号和仿真参数，以及如何选择输出部分并运行仿真。通过本文，读者可以掌握使用Cadence Virtuoso进行CMOS反相器设计与仿真的基本技能。
2024-10-27 11:53:39
6425
2
基于FPGA的DDS信号仿真
2024-07-02
基于opencv的物体计数与表单信息系统.docx
2023-08-21
用于FPGA的学习资料
2023-06-07
基于matlab的食堂优化报告
2022-11-15
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人