MengYa_Dream的博客

【python代码】Kittle数据集的ground truth生成深度图攻略|彩色深度图|代码无恼运行

简单明了，直接使用【科研】python-opencv批处理文件夹图像-灰度/深度图像彩色化目标：将文件中所有灰度/深度图像彩色化，增强图像效果。流程：在python中利用opencv的colormap函数完成转化。​

简单明了的图像拼接方式，流程详细。【科研论文必备】测试速通：python不同文件夹下同名图像拼接现有：测试样本相同（名命相同），测试模型不同，测试结果分别保存至不同文件夹目标：结果显示在同一张图像上

【科研】单目深度估计实验评价指标

终端直接构建虚拟环境-可直接用或待解析

CBMA:卷积注意力机制模块-结合了空间（spatial）和通道（channel）的注意力机制模块。给定一个中间特征图，CBAM模块会沿着两个独立的维度（通道和空间）以此推断注意力图，然后将注意力与输入特征图相乘以进行自适应特征优化。由于CBAM是轻量级的通用模块，因此可以忽略的该模块的开销而将其无缝集成到任何CNN架构中，并且可以与基础CNN一起进行端到端训练。

Python训练：Tensorboard等记录实验数据如loss等操作1 导入tensorboard-前提安装tensorboard！端口6006被占用报错情况2 确定存储位置3 作为预训练参数加载函数4 调用加载函数5 保存训练模型参数6 tensorboard可视化-环境：ubuntu

【MViTv2||图像分类||目标检测】Improved Multiscale Vision Transformers for Classification and Detection思路记录

pixelformer:Attention Attention Everywhere:Monocular Depth Prediction with Skip Attention

【Feature map visualization】卷积神经网络如何可视化特征图—详细记录-函数可直接调用- Feature map visualization干货满满，直接调用【Pytorch】图像处理深度学习网络中间特征图可视化—有效记录 特征图可视化模板该教程是从知晓特征图的位置进行特征图查看!至于特征图在哪，建议Debug跟踪一下x的序列！

基础详解，卷积神经网络/Pytorch，如何理解特征图Feature map?

【Timm】create_model概念理解及实践篇探究如何构建基于一文读懂create_model vision transformer的模型，发现，更多重点应该是放在如何有效利用现有库调用及构建模型，这篇就主要记录调用Timm:create_model相关应用！

训练DPT如何从test进一步得到train呢？一个epochs的optimize.zero_grad() loss.backward() optimizer.step()

Python：一张图像在网络中会遇到什么？imread、resize、normalization、scale、numpy、torch

以图像分类与图像深度估计为例，尽可能地探讨其思想的异同？如何实现思想的迁移？图像深度估计的训练仅作经验积累，不保证思考的都对！图像处理：如何将研究想法进行迁移学习应用？我们总会从不同领域的不同论文中获取一些想法，但是如何将其应用到自己所在的领域呢？

根据先前的一篇博客，可以关注到VitT作者引用类似flag的class token，其输出特征加上一个线性分类器就可以实现分类。那么，为什么可以这样做呢？是怎么实现的呢？1 Flag：究其根源，cls token类似flag？根据Flag的概念，cls token该如何理解？2 cls token在vision transformer中跟随的计算？3 cls token输出特征加上一个线性分类器就可以实现分类？线性分类器的概念？...

一文普及ViT: Vision transformer的cls token作用？够全面

GitHub：ViT-pytorch相关学习-视觉分类方向

搭建Vision Transformer系列实践，终于见面了，Timm库！手把手搭建transformer框架理念和实践的资源！工具了解很重要！根本就不是完全自己搭建哇！有现成的工具！

图像处理相关重点科研记录1.Cross attention概念2.Cross-attention vs Self-attention3.Cross-attention算法4.Cross-Attention 案例-感知器IO