- 博客(91)
- 资源 (2)
- 问答 (1)
- 收藏
- 关注
RSS订阅原创 MHF-Net(CVPR2019,TPAMI2020):一种可解释的光谱融合网络
在光谱融合超分的领域中，现有传统方法极大依赖于手工先验知识，造成大量的主观性问题，而基于深度学习的方法，只是利用了通用图像超分的框架进行的处理，不具有很好的可解释性。 基于此，本论文从融合模型下手，通过将模型使用神经网络进行优化求解，让提出的MHF-net的每个模块都具有其自己的物理意义。在网络架构基础上，还针对训练数据和测试数据响应矩阵不匹配的问题进行了单独设计。
2023-12-18 11:27:56
1121
原创 HAT（CVPR 2023）：基于混合注意力机制的图像重建网络
通过归因分析attribution analysis method - Local Attribution Map (LAM)，发现目前基于Transformer的方法只能来利用有限的输入空间信息。这意味着 Transformer 的潜力在现有网络中仍未得到充分利用。为了激活更多的输入像素以获得更好的恢复，提出了一种新的混合注意Transformer(HAT)。它结合了通道注意力和基于窗口的自注意力机制，从而利用了它们的互补优势。此外，为了更好地聚合窗口之间信息，引入了一个重叠的交叉注意模块。
2023-12-13 09:59:23
2857
1
原创 EMT（light sr）：基于引入PixelMixer高效混合注意力机制的图像超分网络
最近，基于 Transformer 的方法在单图像超分辨率 (SISR) 中取得了令人印象深刻的结果。然而，局部性机表现不好和较高的模型复杂性限制了它们在超分辨率(SR)领域的应用。为了解决这些问题，提出了一种新的方法——高效混合Transformer（EMT）。具体来说，提出了由多个连续Transformer层组成的混合Transformer块(MTB)，其中一些像素混合器(PM)被用来取代自注意机制(SA)。PM可以通过像素移位操作增强局部信息聚合。
2023-12-13 09:59:09
1172
1
原创 SAN (CVPR 2019) :基于二阶通道注意力机制的单图像超分网络
提出一种基于二阶统计信息的通道注意力机制，产生更好的表征能力，同时，模型对non-local机制也进行了优化，针对low-level任务，直接将non-local应用在整个图会导致计算量过大，于是采用了patch进行region-level的non-local机制。 对于给定输入，将其特征reshape为XwithC×SwheresWHXwithC×SwheresWH,计算样本的协方差矩阵ΣXIˉXTwh。
2023-12-12 00:09:06
1591
原创 EDT：针对Low-Level视觉任务的一种高效Transformer基准框架
提出了一个用于低级视觉的高效且通用的Transformer框架：改进window attention，分别从高、宽进行切块计算注意力。 预训练在high-level计算机视觉中产生了许多最先进的技术，但很少有人尝试研究预训练如何在low-level任务中。 分组卷积是指将输入和输出通道分为若干组，在每组内部进行卷积操作，这可以加速计算并在一定程度上提高模型的表征能力。是第一个对低级视觉的图像预训练进行深入研究的人，揭示了预训练如何影响模型的内部表示以及如何进行有效的预训练的见解。
2023-12-12 00:08:33
1042
原创 ZSL (TPAMI 2023): 基于Zero-Shot方法的光谱锐化模型
近年来CNN在光谱图像融合锐化效果出色，然而这些方法往往缺乏训练数据，泛化能力有限，于是提出了一种用于光谱图象的Zero-Shot学习方法。 具体而言，我们首先提出了一种高精度定量估计成像传感器空间和光谱响应的新方法。在训练过程中，我们根据估计的空间响应对MSI和HSI进行空间抽样，并使用下采样的HSI和MSI来推断原始HSI。这样，我们不仅可以利用HSI和MSI的固有信息，而且训练好的CNN也可以很好地泛化到测试数据中。 此外，我们在HSI上进行了降维。
2023-12-11 12:16:57
1126
原创 SwinIR: 基于Swin Transformer的图像重建网络
本文提出了一个基于swin transformer的图像超分模型swinIR。其中SwinIR分为三部分：浅层特征提取、深层特征提取和高质量图像重建模块。
2023-12-11 12:14:23
460
原创 生成模型之Flow-Based model
Flow-Based对概率密度函数的直接建模，这使得它们在数据生成和推断方面具有优势，并且在潜在空间中的操作更加直观。
2023-12-07 16:26:15
1187
原创 Channel Attention前言——一二阶统计量
一阶统计量和二阶统计量是统计学中常用的两类统计量。一阶统计量是指只考虑本身的统计量，而二阶统计量则是指考虑关系的统计量。
2023-12-07 16:23:32
1266
原创 生成模型之VAE模型及pytorch实现
VAE（变分自编码器）是一种生成模型，结合了自编码器和概率图模型的思想。它通过学习数据的潜在分布，可以生成新的数据样本。VAE通过将输入数据映射到潜在空间中的分布，并在训练过程中最大化数据与潜在变量之间的条件概率来实现。其关键思想在于编码器将输入数据编码成潜在分布的参数，解码器则从这个分布中采样生成新的数据。这种生成方式不仅能够生成新的数据，还能够在潜在空间中进行插值和操作，提供了强大的特征学习和数据生成能力
2023-11-28 19:43:02
2341
原创 生成模型之扩散模型DDPM学习笔记
从guassian distribution进行采样得到一个噪声的图片，图片大小与想输出的图像一致，接着通过一系列的Denoise得到最终输出的图片。因为如果不进行次数编码，对于不同噪声图片（图片差异很大），通过同一个模型，其处理效果可能就不是那么友好。Denoise通过Noise Predicter去预测输入的图片中，噪声是什么样的，然后进行相减就能得到输出图片。的过程，自己添加噪声和已知的step加到原始图片，就能生成一个带噪声的图片，反过来看，就是生成了训练数据了，才输出生成的图片。
2023-11-28 19:42:16
1053
原创 SSF-CNN：空间光谱融合的卷积光谱图像超分网络
本文提出了一种利用空间和光谱进行高光谱融合图像超分辨率的新型CNN架构，首先是对高光谱图像进行双三次插值，使其空间分辨率大小和多光谱一致，然后进行concat操作。使用类似于SRCNN的网络框架对融合超分的图像进行优化，最后输出高分辨率高光谱超分图像。 对于PDCon，也就是引入了部分密集连接，将输入concat到每一个卷积层后面。Hyperspectral-Image-Super-Resolution-Benchmark——光谱图像超分基准-CSDN博客PaperIEEECode。
2023-11-25 16:46:32
1251
原创 深度学习模型命令行传参——断点调试解决方案
在深度学习中，经常见到训练代码如下所示，通过命令行进行参数传递，但是通过这种方法，不利于我们使用pycharm自带的调试debug程序。
2023-11-25 16:44:25
645
原创 Hyperspectral-Image-Super-Resolution-Benchmark——光谱图像超分论文代码汇总
本文对光谱图像超分，如空间光谱图像、高光谱多光谱融合超分等近年来的论文进行了汇总，并附带上相应代码链接及pdf链接，参考至giuthub项目
2023-11-23 19:45:40
1246
原创 光谱图像超分辨率综述
采用channel attention以及spatial attention，可以分别学习channel维度（频段维度），spatial维度（空间维度hw）之间特定的信息，用于保留输入图像的关键空间信息以及频段信息。与L1损失相比，L2损失可以有力地处理较大的误差，但不能对较小的误差进行有效的惩罚，因此经常导致结果过于平滑。所有残差单元共享相同的权重，大大减少了模型参数的数量。密集连接最重要的特点是能够重用包括低级特征和高级特征在内的特征，与普通skip connection相比，这是一个优越的方面。
2023-11-21 10:00:00
540
原创 光谱图像常见评价指标
SAM算法是由Kruse等[146]在1993年提出，把图像中的每个像元的光谱视为一个高维向量，通过计算两向量间的夹角来度量光谱间的相似性，夹角越小，两光谱越相似，属于同类地物的可能性越大，因而可根据光谱角的大小来辨别未知数据的类别。总的来说，ERGAS是一种用于评估遥感图像质量的定量指标，它考虑了图像的均方误差、均方根误差以及亮度信息，以提供对图像处理或压缩算法性能的综合评估。后的图像，二者的结构相似性可以看成是失真图像的图像质量衡量指标。在图像质量的衡量上更能符合人眼对图像质量的判断[
2023-11-20 10:53:19
3847
2
原创 MySql操作
在项目设定自增id之后，当需要删除某一行时，自增id常常会出现断层的现象，为了让其自动更新成连续的字段，可以通过如下形式重新更新自增id字段。在需要检测数据表中是否存在处理的数据时，可以通过如下形式进行操作，先进行插入操作，如果存在DUPLICATE KEY错误则进行更新字段操作。
2023-11-20 10:29:02
55
原创 HSRNet : 基于空间光谱注意力机制的卷积网络
对于高分辨率多光谱（高分辨率意味空间信息更好）图像，采用spatial attention机制进行空间信息的保留，对于低分辨率高光谱（多频段也就是多channel）图像，采用channel attention对于通道数（频段数）进行通道信息保留。引入PixelShuffle模块进行上采样操作在concat阶段，对MS和HS进行交叉concat，使得信息融合更好。
2023-11-20 10:23:49
568
1
原创 Attention is All You Need：Transformer各模块详解
将输入序列转换为一个连续向量空间中的表示。Encoder通常是一个循环神经网络（RNN）或者卷积神经网络（CNN），通过对输入序列中的每个元素进行编码，得到一个连续向量序列。：将连续向量序列转换为输出序列。Decoder通常也是一个RNN或者CNN，它接收Encoder输出的向量序列作为输入，通过生成一个输出序列。
2023-11-19 16:20:25
321
原创 Swin Transformer主要结构注解
对于相对位置编码，在2维坐标系中，当偏移从0开始时，（2，1）和（1，2）相对（0，0）的位置编码是不同的，而转为1维坐标后，却是相同数值，为了解决这个问题，采用对x坐标2 * self.window_size[1] - 1操作，从而进行区分。而该相对位置编码需要2 * self.window_size[1] - 1编码数值。如下所示，w-msa mask避免窗口5和窗口3进行相似度计算，通过mask只在窗口内部进行计算。在图像切分重排中，采用的是使用patch size大小的conv2d进行实现。
2023-11-19 16:18:15
157
原创 win11文件管理器收藏快速访问栏显示磁盘错误
在用户的AppData\Roaming\Microsoft\Windows\Recent\AutomaticDestinations\文件夹下找到f01b4d95cf55d32a.automaticDestinations-ms并删除即可成功解决问题。
2023-05-12 16:05:46
927
1
原创 现代检测技术-期末复习
用卡尺等精度测量某工件的厚度10次（卡尺测量的标准偏差未知），并确认测量已排除系统误差，测得值为：1.33，1.36，1.41，1.40，1.38，1.39，1.35，1.34，1.49，1.37mm。当金属导体为软磁性材料时，金属导体靠近传感器线圈，L1增大，L2也增大，但L1增大的程度大于L2增大的程度，从总的结果来看，传感器线圈的等效电感L随着线圈与金属导体间的距离x减小而增大。通过交流电桥的输出电压为交流电压，若采用一般的交流电压表测量，仅能反映幅值的大小，不能反映信号的相位。
2023-03-04 21:17:40
1786
原创 git中使用代理
通过再git clone时添加http.proxy参数，该参数将使得本次clone通过对应端口进行下载。使用-c http.proxy设置代理端口号。对于pip安装python库，
2023-02-24 16:13:41
262
原创 电力电子技术复习笔记
通常在开关过程前后加入谐振，使开关开通前电压先降到0，关断前电流先降到0，消除开关过程电压、电流的重叠，降低它们的变化率，从而大大减小甚至消除开关损耗。小信号线性化模型的原理：忽略开关频率分量和开关频率谐波分量及其边频分量，建立占空比、输入电压等的低频扰动对变换器中的电压、电流影响的模型。解:可以利用变压器的变比改变输出电压大小，避免控制过程的占空比过小或过大，提高控制精度,同时有利于减轻输出电路中电力电子器件的耐压要求。驱动电路：用于控制功率半导体器件的开关，从而控制电路的电流和电压。
2023-02-24 16:11:13
2996
3
原创 计算机软件技术基础复习
控制和管理系统资源，方便用户使用计算机的程序集合管理系统资源为用户提供资源共享的条件和环境，并对资源的使用进行合理调度。提供良好的输入输出的方便环境规定用户的接口处理机管理；2.存储器管理；3.设备管理；4.文件管理；5.作业管理批处理：作业成批进入系统后被队列，然后调度权限全部交给系统分时：对若干个并发程序对CPU的分时，其中每个程序对cpu的时间分享单位为时间片（解决人机交互，进行及时响应，共享主机，方便进行程序的调试特点：同时性、独立性、及时性、交互性。
2023-02-09 15:10:43
561
原创 自定义神经网络入门-----Pytorch
对于iou，显而易见它的取值范围为[0,1]，iou值越大，表示两个框重合的越好，也就是预测的越好。所以我们平时实际使用过程中，通常取某个阈值，当iou大于阈值，就认为其是一个有效的预测，反之，就属于一个无效预测。: 被正确地划分为正例的个数，即实际为正例且被分类器划分为正例的实例数（样本数）；: 被错误地划分为正例的个数，即实际为负例但被分类器划分为正例的实例数；: 被正确地划分为负例的个数，即实际为负例且被分类器划分为负例的实例数。预测样本中预测正确数占所有样本的比例。
2022-12-29 15:51:46
709
原创 电力电子技术---直流直流交换变换电路
我们可以从一个直观结果去认识电感伏秒平衡和电容充电平衡。比如若一个周期有直流电流流入电容，那么电容将连续充电，而其电压也会无线上升，同理对于电感，其磁通连续上升，电流也会无线上升，这显然是不合理的。而显然在一个周期中左侧为0，因此在稳态状态下，电感电压的周期积分为0。电感L和电容C组成低通滤波器，设计原则是:使。的直流分量可以通过电感L，而抑制。的开关频率以及谐波分量进入。用于推到开关变换器的稳态电流。用于推导输出电压的直流成分。DC-DC变换电路（的直流成分是其平均值。
2022-10-12 16:18:25
1570
原创 现代检测技术--概论
就是添加了补偿机构的输出量，可以看出，添加补偿机构有效抑制了一次项。检测过程包括测量、信息提取、信号转换与传输、存储显示等过程。结合两者优点，测量精度高、反映快，适合实时控制参数的检测。检测技术包括测量方法、检测装置和检测信号处理等内容。传感器、信号调理电路、信号处理和显示记录装置。用已知标准量的作用去抵消被测量的大部分作用。，再用偏差发来测量被测量与已知量的差值。就是未加补偿机构的时候的输出量，而。:此处应该是检测x的变化量，而。已知标准量、被测量、平衡机构。是更为意义的测量，其包含。
2022-09-19 15:54:52
667
原创 机器学习---决策树 算法原理及代码实现
如果用决策树进行分类，则是将一组给定数据从根节点开始，对样本的某一特征进行测试，判断其隶属于哪一个子节点，然后循环往复，直至没有子节点出现，也就是到达叶节点，最终实现分类效果。信息增益其存在偏向取值较多的特征类别，比如说在某次分类中，每个样本都有一个自己的id号，为了使得信息熵下降最快，决策树会认为按这个id号作为分类最快，但这也因此引发了模型的错误。也就是，当决策树对某个叶节点在未进行剪枝前的损失函数大于在进行剪枝操作后的决策树，也就是返回到其父节点去计算损失函数，就进行剪枝操作。......
2022-08-01 13:14:31
1319
原创 朴素贝叶斯--学习笔记--基本原理及代码实现
Bayes是首先通过以训练集进行概率计算，得到先验概率分布和条件概率分布，而对于这两种概率，Bayes分类器是采用的用样本估计整体（极大似然估计）的思路，通过训练集中样本的这两种概率分布，进行总体近似。也就是计算出再知道这两种概率之后，就能利用贝叶斯定理P(A∣B)=P(AB)P(B)=P(B∣A)P(A)P(B)P(A|B)=\frac{P(AB)}{P(B)}=\frac{P(B|A)P(A)}{P(B)}P(A∣B)=P(B)P(AB)=P(B)P(B∣A)P(A)计算出在已知样本特征之后
2022-07-31 15:27:35
288
原创 机器学习---线性回归、Logistic回归问题相关笔记及实现
回归问题就是预测一个连续问题的数值，比如……，而如果将上面的回归问题，利用Sigmoid函数(Logistic回归)，能将预测值变为判断是否能做某事情的概率，将回归得到的连续数值变为（0，1）之间的概率，然后可以用于处理二分类问题。......
2022-07-30 20:30:30
415
原创 CNN--各层的介绍
卷积层Convolutional给定卷积核，将卷积核应用于输入图片特征的对应维度的地方，计算乘积，下图以步长stride=1为例，得到最终输出层特征。假设输入大小为(H,W)，滤波器大小为(FH,FW),输出大小为(OH,OW),填充padding为P,步幅stride为SOH=H+2P−FHS+1OW=W+2P−FWS+1OH=\frac{H+2P-FH}{S}+1\\OW=\frac{W+2P-FW}{S}+1OH=SH+2P−FH+1OW=SW+2P−FW+1对于多通道卷积计算，
2022-07-30 11:40:48
655
原创 KNN算法学习笔记+应用实例
KNN（K-Nearest-Neighbors）是一种最为简单的分类算法，它的学习过程，区别于一般的监督学习模型，如贝叶斯、神经网络，利用数据集训练模型之后，得到相应模型的参数，然后再利用这些参数去预测相关数据的类型。在KNN中，每次预测数据类型都是计算预测数据与数据集中的相关数据的（也称为距离），然后通过给定的K参数（超参数）去进行相似度筛选，再由，通过K个相似数据的标签信息，去表决该预测数据属于哪一种类型。也正因为如此，KNN不太适合使用在应用上，因为其每次预测都需要大量计算相似度。...
2022-07-30 11:23:52
2105
原创 PHP页面传值
前端页面：后端页面login.php通过前端的input输入框选择的数据，从后端通过选定的method方式进行调用2.< a >链接传值在所有类似href链接都可以使用如下形式进行传值调值。前端：可通过字符串函数进行拼接调用传值。后端调取值：传输过程中网址如下，可看到多的相应通过GET方式调取。3.Cookie和SessionCookie是相当于在本地自动生成一个cookie文件用于存储数据，在文件到失效时间后会自动删除。session类似于cookie会生成一个随机id作为session的文件
2022-07-11 19:38:03
530
原创 win11中弹窗以新标签页打开---firefox
由于项目需求，需要使用windows.open()打开新页面进行下载处理，但win11系统上没有找到类似win11系统得浏览器管理项设置，之后了解到火狐浏览器能直接在浏览器中配置。写下此篇blog作为备忘。输入之后会跳出如下界面，点击接受风险并继续即可。在进入如下界面后，在首选项名称输入进行以上操作之后重启浏览器即可...
2022-07-09 23:26:40
1766
原创 Numpy基础
均匀间隔数组数据类型数据类型np.int64带符号64位np.float双精度浮点数np.complex复数np.boolbool值np.objectPython对象np.string_固定长度字符串np.unicode_固定长度Unicode数组信息数组计算算术运算/////点积比较...
2022-06-16 13:04:55
129
原创 自动控制原理学习笔记---线性离散系统
系统中有一处或几处信号是脉冲串或数码的系统离散系统的类型：采样系统：时间离散，数值连续，连续信号某处进行采样数字系统：时间离散，数值量化A/D过程采样：时间上离散，量化：数值上离散理想采样过程：τ≪T\tau \ll Tτ≪T，认为采样瞬时完成字长足够，认为e∗(kT)=e(kT)e^*(kT)=e(kT)e.........
2022-06-09 21:32:31
650
C#通过NPOI库操作Excel，并将Excel数据导入Mysql数据库（自动建表）
2022-04-25
TA创建的收藏夹 TA关注的收藏夹
TA关注的人