<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[qq_44785998的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/qq_44785998</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; qq_44785998]]></copyright><item><title><![CDATA[Pytorch冻结网络层]]></title><link>https://blog.csdn.net/qq_44785998/article/details/126103165</link><guid>https://blog.csdn.net/qq_44785998/article/details/126103165</guid><author>qq_44785998</author><pubDate>Mon, 01 Aug 2022 16:03:58 +0800</pubDate><description><![CDATA[Pytorch冻结网络层]]></description><category></category></item><item><title><![CDATA[语义分割一些数据预处理的方式]]></title><link>https://blog.csdn.net/qq_44785998/article/details/125914422</link><guid>https://blog.csdn.net/qq_44785998/article/details/125914422</guid><author>qq_44785998</author><pubDate>Thu, 21 Jul 2022 16:18:17 +0800</pubDate><description><![CDATA[一整套语义分割改变尺寸与数据扩充方法（随机裁剪，对数据和标签同时适用）]]></description><category></category></item><item><title><![CDATA[转置卷积(反卷积)]]></title><link>https://blog.csdn.net/qq_44785998/article/details/125828285</link><guid>https://blog.csdn.net/qq_44785998/article/details/125828285</guid><author>qq_44785998</author><pubDate>Sun, 17 Jul 2022 09:14:00 +0800</pubDate><description><![CDATA[其中output是输出尺寸，input是输入尺寸，s是步长，k是卷积后大小，p是padding。]]></description><category></category></item><item><title><![CDATA[【文献阅读笔记】之Label Refinement Network for Coarse-to-Fine Semantic Segmentation]]></title><link>https://blog.csdn.net/qq_44785998/article/details/124460260</link><guid>https://blog.csdn.net/qq_44785998/article/details/124460260</guid><author>qq_44785998</author><pubDate>Thu, 28 Apr 2022 21:12:12 +0800</pubDate><description><![CDATA[摘要：



研究了基于深度卷积神经网络的语义图像分割问题。我们提出了一种新的网络结构，称为标签细化网络，它以一种从粗到细的方式在几个分辨率上预测分割标签。粗分辨率的分割标签与卷积特征一起使用以获得更细分辨率的分割标签。我们在网络的不同阶段定义了损失函数，以提供不同阶段的监督。我们在多个标准数据集上的实验结果表明，该模型提供了一种产生像素级密集图像标记的有效方法

一.引言

一些语义分割工作的常见方法，一是基于结合CNN中多个层的卷积特征，二是使用上采样（也称为反卷积）来放大CNN顶层的特征图的空间尺寸，]]></description><category></category></item><item><title><![CDATA[【文献阅读笔记之】ACFNet: Attentional Class Feature Network for Semantic Segmentation]]></title><link>https://blog.csdn.net/qq_44785998/article/details/124391229</link><guid>https://blog.csdn.net/qq_44785998/article/details/124391229</guid><author>qq_44785998</author><pubDate>Mon, 25 Apr 2022 21:51:38 +0800</pubDate><description><![CDATA[一. 摘要

传统的语义分割网络大的是从空间的角度设计的，充分利用丰富的上下文信息。文章中提出一种新的观点，类中心，即从分类的角度提取全局的上下文。除此之外，作者还提出一个新的模块，名为注意类特征（ACF）模块，用来计算和自适应地结合每个像素的不同类中心。在此基础上，作者引入了一个从粗到细的分割网络，称为Atten-tional Class Feature Network (ACFNet)，它可以由ACF模块和任何非壳分割网络（基础网络）组成。

二. 引言

一些常见的模块，例如PPM、ASPP模块，..]]></description><category></category></item><item><title><![CDATA[目标检测中的各种FPN]]></title><link>https://blog.csdn.net/qq_44785998/article/details/124297137</link><guid>https://blog.csdn.net/qq_44785998/article/details/124297137</guid><author>qq_44785998</author><pubDate>Wed, 20 Apr 2022 15:16:25 +0800</pubDate><description><![CDATA[早期的物体检测算法，无论是一步式的，还是两步式的，通常都是在Backbone的最后一个stage（特征图分辨率相同的所有卷积层归类为一个stage）最后一层的特征图，直接外接检测头做物体检测。此种物体检测算法，可以称之为单stage物体检测算法。

由于单stage物体检测算法中，Backbone的最后一个stage的stride通常是32，导致输出的特征图分辨率是输入图片分辨率的1/32，太小，不利于物体检测，因此单stage的物体检测算法，一般会将最后一个stage的MaxPooling去掉或者将str]]></description><category></category></item><item><title><![CDATA[【文献阅读笔记】之基于Deeplabv3+的图像语义分割优化方法]]></title><link>https://blog.csdn.net/qq_44785998/article/details/124209158</link><guid>https://blog.csdn.net/qq_44785998/article/details/124209158</guid><author>qq_44785998</author><pubDate>Sat, 16 Apr 2022 20:43:36 +0800</pubDate><description><![CDATA[中文，包装工程，第 43 卷 第 1 期，2022 年 1 月

DOI：10.19554/j.cnki.1001-3563.2022.01.024

摘要

目的 为了实现良好的图像语义分割精度，同时尽可能降低网络的参数量，加快网络训练速度， 提出基于 DeepLabv3+ 的图像语义分割优化方法。方法 编码器主干网络增加注意力机制模块，并采用更 密集的特征池化模块有效聚合多尺度特征，同时使用深度可分离卷积降低网络计算复杂度。结果 基于 CamVid 数据集的对比实验显示，优化后网络的 MIoU 分数达到]]></description><category></category></item><item><title><![CDATA[【网络结构复现】之ACNet]]></title><link>https://blog.csdn.net/qq_44785998/article/details/124133723</link><guid>https://blog.csdn.net/qq_44785998/article/details/124133723</guid><author>qq_44785998</author><pubDate>Tue, 12 Apr 2022 20:52:02 +0800</pubDate><description><![CDATA[网络出处请看这篇博客：基于注意力机制的深度学习路面裂缝检测

直接上代码了，不会的地方可以留言

AFM.py


from torch import nn

class ConvG1(nn.Module): #ConvG1采用 7×7 和 3×3 步长均为 2 的 2 种卷积核
    def __init__(self):
        super(ConvG1, self).__init__()
        self.conv1 = nn.Conv2d(512,128,7,2,3)
      ]]></description><category></category></item><item><title><![CDATA[【文献阅读笔记】之Pixel-level pavement crack segmentation with encoder-decoder network]]></title><link>https://blog.csdn.net/qq_44785998/article/details/124042622</link><guid>https://blog.csdn.net/qq_44785998/article/details/124042622</guid><author>qq_44785998</author><pubDate>Sat, 09 Apr 2022 21:33:54 +0800</pubDate><description><![CDATA[DOI： 10.1016/j.measurement.2021.109914

年份：2021

标题



利用编码器-解码器网络在像素级别对路面裂缝进行分割



摘要：



关键信息：

1.这篇文章提出了一种针对裂缝分割得编码器-解码器网络（EDNet）来克服裂缝像素和非裂缝像素数量的不均衡。会造成很多假阴性错误（错误的否定，例如：有裂缝没检测出来）

2.本文提出的EDNet解码器是一种自动编码器，将ground truth自编码为完全抽象的对应特征映射，显著降低...]]></description><category></category></item><item><title><![CDATA[【文献阅读笔记】之基于注意力机制的深度学习路面裂缝检测]]></title><link>https://blog.csdn.net/qq_44785998/article/details/123992994</link><guid>https://blog.csdn.net/qq_44785998/article/details/123992994</guid><author>qq_44785998</author><pubDate>Wed, 06 Apr 2022 20:54:17 +0800</pubDate><description><![CDATA[中文，计算机辅助设计与图形学学报，第 32 卷 第 8 期，2020 年 8 月。

DOI: 10.3724/SP.J.1089.2020.18059

摘要：

为实现自动准确地检测路面裂缝, 提升路面裂缝检测效果, 提出了一种基于注意力机制的裂缝检测网络 (attention-based crack networks, ACNet). 该网络采用编码器-解码器网络构架, 编码器采用 ResNet34 为骨干网, 提取路面裂缝特征; 在编码器和解码器间加入基于注意力机制的特征模块(attention-b]]></description><category></category></item><item><title><![CDATA[数字图像处理之边缘检测]]></title><link>https://blog.csdn.net/qq_44785998/article/details/123967298</link><guid>https://blog.csdn.net/qq_44785998/article/details/123967298</guid><author>qq_44785998</author><pubDate>Tue, 05 Apr 2022 13:09:37 +0800</pubDate><description><![CDATA[原理：

图像边缘指的是图像中像素灰度值突然发生变化的区域，如果将图像的每一行像素和每一列像素都描述成一个关于灰度值的函数，那么图像边缘对应灰度值函数中函数值突然变大的区域。（这个很好理解，在图像边缘处，灰度值变化大，导数必然变变大）因此，我们可以寻找导数值较大的区域去寻找函数中突然变化的区域（即边缘）。

求导公式如下：



这种沿x轴方向求导对应的滤波器为,同样沿y轴方向求导对应的滤波器为。

    这种求导方式的计算结果最接近两个像素中间的位置，而两个邻近像...]]></description><category></category></item><item><title><![CDATA[数字图像处理]]></title><link>https://blog.csdn.net/qq_44785998/article/details/123942288</link><guid>https://blog.csdn.net/qq_44785998/article/details/123942288</guid><author>qq_44785998</author><pubDate>Sun, 03 Apr 2022 22:34:15 +0800</pubDate><description><![CDATA[目录

一、常见的颜色空间

二、噪声



一、常见的颜色空间

1.RGB（最常用的，Red，Green，Blue）

2.HSI （色调、饱和度、明度）

3.YUV （“Y”表示明亮度，“U”和“V”表示的则是色度）

4.CMYK（用于印刷，Cyan = 青色，Magenta = 品红色，Magenta = 品红色，blacK=黑色）

注：

   1、图片的格式为[h, w, c]( RGB 和 BGR 都是)

   所以需要转换通道：img =img.transpose...]]></description><category></category></item><item><title><![CDATA[指针常量和常量指针]]></title><link>https://blog.csdn.net/qq_44785998/article/details/123907600</link><guid>https://blog.csdn.net/qq_44785998/article/details/123907600</guid><author>qq_44785998</author><pubDate>Sat, 02 Apr 2022 14:44:57 +0800</pubDate><description><![CDATA[一、指针常量

const修饰常量 ：int * const p

指针的指向不可以改，指针指向的值可以改

二、常量指针

const修饰指针：const int * p

指针的指向可以修改，指针指向的值不可以改






]]></description><category></category></item><item><title><![CDATA[ASPP模块]]></title><link>https://blog.csdn.net/qq_44785998/article/details/123776818</link><guid>https://blog.csdn.net/qq_44785998/article/details/123776818</guid><author>qq_44785998</author><pubDate>Sun, 27 Mar 2022 17:10:44 +0800</pubDate><description><![CDATA[空洞空间卷积池化金字塔(atrous spatial pyramid pooling (ASPP))对所给定的输入以不同采样率的空洞卷积并行采样。





几个步骤

1. 1*1卷积

2. 3*3卷积( padding=6, dilation=6 )

3. 3*3 卷积( padding=12, dilation=12 )

4. 3*3 卷积( padding=18, dilation=18 )

5.先全局平均池化 ----&gt; 输出尺寸(1,1)

 1*1卷积 改变通道

  ...]]></description><category></category></item><item><title><![CDATA[深度可分离卷积]]></title><link>https://blog.csdn.net/qq_44785998/article/details/123776390</link><guid>https://blog.csdn.net/qq_44785998/article/details/123776390</guid><author>qq_44785998</author><pubDate>Sun, 27 Mar 2022 16:56:50 +0800</pubDate><description><![CDATA[深度可分离卷积网络]]></description><category></category></item><item><title><![CDATA[deeplabv3+网络模型]]></title><link>https://blog.csdn.net/qq_44785998/article/details/123775962</link><guid>https://blog.csdn.net/qq_44785998/article/details/123775962</guid><author>qq_44785998</author><pubDate>Sun, 27 Mar 2022 16:40:07 +0800</pubDate><description><![CDATA[说一下个人理解：

1、先经过backbone提起特征，这时有两个输出：一个是向下的低级特征，是xception的entry flow的第一个残差块的输出，大小为输入的1/4，再经过一个1*1卷积；另一个为向右的高级特征，是整个xception网络的输出，大小由自己决定，本文采用的代码为输入的1/16，具体参数设置也可以见上篇博文。

2、高级特征经过一次ASPP模块，concat融合5个输出的通道，再通过1*1卷积调整通道，这时，因为输出为原始1/16，需要对进行上采样，上采]]></description><category></category></item><item><title><![CDATA[Xception网络模型]]></title><link>https://blog.csdn.net/qq_44785998/article/details/123775759</link><guid>https://blog.csdn.net/qq_44785998/article/details/123775759</guid><author>qq_44785998</author><pubDate>Sun, 27 Mar 2022 16:27:21 +0800</pubDate><description><![CDATA[Xception网络模型]]></description><category></category></item></channel></rss>