- 博客(69)
- 收藏
- 关注
RSS订阅原创 windows音频服务未响应，电脑装完驱动还是软件导致没有声音
至今仍然不确定问题的根源在哪，并且网上提供的大部分方法都没用，下面说一下我的解决方案。选择local service就可以了，不要点击上面的本地服务，不一样，会没声音。前两天浏览器突然没声音了，然后我试着搞了一下驱动，结果全没声音了。win+R启动命令行，输入services.msc 进入服务界面。注意：这里必须是本地服务，密码两行一样就行。本地服务的选项在 浏览>高级 里面。
2024-06-12 08:52:26
527
原创 fatal: unable to access ‘https://github.com/XXXX/‘: Failed to connect to 127.0.0.1 port 7890 after 2
【代码】fatal: unable to access ‘https://github.com/XXXX/‘: Failed to connect to 127.0.0.1 port 7890 after 2。
2024-06-06 09:32:35
244
1
原创 Overall Accuracy（OA）、Average Accuracy（AAcc）计算公式
因对于一个样本来说，FN+TP是固定的，那么IoU就可以变为IoU=TP/(K+FP)，那么主要相当于分析TP与FP的变化趋势。计算二分类混淆矩阵中正负两类的MIoU MIoU=(IoU(正)+IoU(负))/2 =(TP/(FN+FP+TP)+TN/(TN+FN+FP))/2。4.F1-score：此指标综合了Precision与Recall的产出的结果，取值范围从0到1的，1代表模型的输出最好，0代表模型的输出结果最差。某一类的IoU的分母为：该类所在混淆矩阵对角线的位置对应的行和列的总和。
2024-05-27 18:54:38
1290
原创 二分类语义分割结果彩色可视化代码
FP表示分类器预测结果为正样本，实际为负样本，即误报的负样本数量；TN表示分类器预测结果为负样本，实际也为负样本，即负样本被正确识别的数量；FN表示分类器预测结果为负样本，实际为正样本，即漏报的正样本数量。对于一个特定的数据集，我们需要关注分类器的预测结果。如果分类器预测正样本，那么我们需要查看实际结果是否也是正样本，如果是，则说明分类器预测正确，否则说明分类器预测错误。如果分类器预测负样本，那么我们需要查看实际结果是否也是负样本，如果是，则说明分类器预测正确，否则说明分类器预测错误。
2024-05-17 18:49:32
177
原创 open-cd框架调试记录
有一点要注意的是，当版本对应，运行代码依然出现引用错误，显示在mmsegmentation框架下引用，实际上需要 pip install 'name' ,很奇怪。这类框架的特点就是比较难分解，调用比较抽象，好在作者在readme里面给出了相关的一些东西，但是总体来说还是比较麻烦，目前我还没找到网络调用的地方，后续也许会进行持续更新。同样是基于MMSegmentation框架的代码，不符合本人编程习惯所以一直也没有研究这东西，近期打算对这类框架进行复现，看一下他们的精度。
2024-04-04 10:45:15
701
原创 【问题记录】RuntimeError: GET was unable to find an engine to execute this computation
当网络输出结果中包含少量负值，训练代码可以正常跑通，当出现大量负值时，会出现大量不同的关于CUDA的报错警告信息。问题解决：对于这类问题的解决要点在于BN和RELU等结构的适当调整，以个人经验看来适当控制网络输出，增加激活函数来减少网络负值现象，能够有效解决此类问题。在神经网络搭建设计过程中遇到关于CUDA报错（指搜索结果的指向），实际问题出现在网络的损失计算阶段（这里使用交叉熵损失函数、二元交叉熵、*小技巧：对于调试过程中不显示报错位置，错误比较模糊的可以调用os精准化报错信息。
2024-03-29 17:03:00
739
1
原创 【问题记录】RuntimeError: element 0 of tensors does not require grad and does not have a grad_fn
进行了修改，能够解决报错问题，但是能够从评论区看出该方法治标不治本，并且存在漏洞，在本实验中表现为初轮iteration损失巨巨巨高（高达97…，而正常损失之介于0…经调试发现，在传播过程中BCE在网络返回值与标签值均为内存地址，而BCL为Tensor张量可见。在对神经网络的损失函数进行修改时遇到标题中的问题。
2024-03-25 21:14:48
179
原创 Python注册用法
在上述示例中，我们定义了一个 register 装饰器函数，它接受一个名称作为参数，并返回一个装饰器函数 decorator。在 decorator 函数内部，我们将被装饰的函数与给定的名称关联起来，并将其存储在 registry 字典中。一旦函数被注册，我们可以通过访问 registry 字典，并使用相应的名称来调用已注册的函数。需要注意的是，注册通常需要在应用程序启动时进行，以确保所有的函数都被正确注册。在Python中，注册通常是指将函数或对象与一个名称进行关联，以便在需要时能够方便地访问它们。
2024-03-15 19:42:22
384
原创 Python装饰器Decorators介绍
在这个示例中，my_decorator 是一个装饰器函数，它接受一个函数作为参数，并返回一个新的函数 wrapper。通过在 say_hello 函数定义之前加上 @my_decorator，我们告诉 Python 在调用 say_hello 函数之前先应用 my_decorator 装饰器。装饰器本质上是一个函数，它接受一个函数作为输入，并返回一个新的函数作为输出。在使用装饰器时，我们可以在不修改原函数代码的情况下，增加额外的功能或修改函数的行为。简单地说：他们是修改其他函数的功能的函数。
2024-03-15 19:34:29
353
原创 Stronger, Fewer, & Superior: Harnessing Vision Foundation Models for Domain Generalized Semantic Seg
利用更强的预训练模型和更少的可训练参数来获得更好的泛化性，我们引入了一种鲁棒微调方法，即“Rein”，以参数有效地利用DGSS的VFMs。因此，Rein增强了VFMs在DGSS任务中的能力，在保留预训练知识的同时，使用更少的可训练参数实现了这一目标。，是阿里云出品的一款基于通义大模型的智能编码辅助工具，提供行级/函数级实时续写、自然语言生成代码、单元测试生成、代码优化、注释生成、代码解释、研发智能问答、异常报错排查等能力，并针对阿里云的云服务使用场景调优，助力开发者高效、流畅的编码。
2024-03-14 14:39:05
1306
原创 SkyEyeGPT: Unifying Remote Sensing Vision-Language Tasks via Instruction Tuning with Large Language
我们的研究表明，通过一个简单而有效的设计，SkyEyeGPT在不需要额外编码模块的情况下，在相当不同的任务上工作得非常好。具体来说，在通过对齐层将RS视觉特征投射到语言域之后，它们与特定于任务的指令一起被馈送到基于llm的RS解码器中，以预测RS开放式任务的答案。但是，448 × 448的高分辨率会产生过多的patch N，这会降低LLM处理上下文输入的效率，并且对资源的要求很高。基于llm的RS开放式任务解码器：我们选择开源的LLaMA2-chat 作为我们的语言模型，这是一个仅解码器的LLM。
2024-02-28 16:14:56
890
原创 Changer: Feature Interaction Is What You Need forChange Detection
还有“交换“交互是一种完全不需要参数和计算的操作，它是通过交换空间或通道维度上的双时态特征映射来实现的，交换的特征在经过后续的卷积或令牌混合时进行混合。方法二：提出了两种简单的交互策略，AD和特征“交换”，大量的实验表明，它们可以极大地提高MetaChanger的性能，特别是特征“交换”，即使嵌入到复杂的网络中或应用于具有挑战性的数据集。在这里，我们用虚线勾勒本文的重点。这是变化检测任务的基本问题，双时相图像提供了同一地区在不同时间点的图像数据，通过对比这两个时间点的图像，我们可以检测出该地区的变化。
2024-02-28 10:41:01
1045
原创 Remote Sensing ChatGPT: Solving Remote Sensing Tasks with ChatGPT and Visual Models
为此，我们提出了遥感ChatGPT，一个llm驱动的代理，利用ChatGPT连接各种基于人工智能的遥感模型来解决复杂的口译任务。具体来说，给定一个用户请求和一张遥感图像，我们利用ChatGPT了解用户请求，根据任务的功能进行任务规划，迭代执行每个子任务，并根据每个子任务的输出生成最终响应。提出了遥感ChatGPT，这是一个类似ChatGPT的系统，能够理解用户的请求，规划遥感解译任务，并生成最终产品和对用户的响应。遥感ChatGPT可以理解用户的请求，规划遥感判读任务，并生成最终产品和对用户的响应。
2024-01-31 14:21:45
1014
原创 ChangeCLIP: Remote sensing change detection with multimodal vision-language representation learning
顺应这一趋势，在本研究中，我们引入了ChangeCLIP，这是一个利用图像-文本对的鲁棒语义信息的新框架，专门为遥感变化检测(RSCD)量身定制。此外，我们提出了一种视觉语言驱动的解码器，将图像-文本编码的结果与解码阶段的视觉特征相结合，从而增强图像的语义。面对遥感变化检测（RSCD）领域中只考虑单模态数据而忽略多模态数据中丰富语义信息的问题，本文引入了 ChangeCLIP，这是一个新的框架，利用来自图像-文本对的强大语义信息，专门为遥感变化检测（RSCD）量身定制。
2024-01-28 11:05:51
1376
原创 Multi-stage progressive change detection on high resolution remote sensing imagery
遥感图像的变化检测，特别是光学高分辨率和超高分辨率图像的变化检测，是有效识别对地观测变化的关键技术，在土地利用分析、城市规划、环境监测和灾害制图等领域有着广泛的应用。基于来自IDN的粗略变化预测，所提出的方法观察到了变化和未变化的区域分布，这逐渐给KDN带来了细化变化检测结果的轮廓。传统方法与数据融合技术的对比：虽然文中提到了使用ArcGIS软件进行简单的重采样方法，但实际上，对于低分辨率图像，理想的做法是使用数据融合技术，如pan-sharpening，而不是简单的重采样。
2024-01-03 17:03:28
906
原创 Unified building change detection pre-training method with masked semantic annotations
其次,采用所提方法对语义掩蔽建筑区域进行控制，确保样本分布均衡第三，在所提出的统一范式中，由于语义信息可以作为有效的监督信号来辅助CD训练，解决了伪标签对算法收敛能力产生不利影响的问题，因此在所提出的统一范式中采用了 多任务网络进行同时建筑物提取和变化检测。值得注意的是,使用我们的预训练权重进行微调的10%的基真值获得了交集并集(IoU) ，与在没有预训练权重的情况下使用100%的CD基真值获得的基值相当,而使用我们的预训练权重使用30%的基真值实现了更大的loU。PT-W 表示我们预先训练的权重。
2023-11-29 14:40:38
1003
原创 SARAS-Net: Scale and Relation Aware Siamese Network for Change Detection
此外，我们使用交叉变换模块来融合不同尺度的特征，以获得更好的变化检测表示。关系感知模块的目标是增强从两个输入图像提取的特征图之间的交互关系，以提高用于变化检测的特征的辨别能力。然后，在特征相减之后，尺度感知注意模块计算相减图上的跨尺度注意，以处理由多种尺寸的物体引起的场景变化问题。然而，在我们的实验中，我们发现在特征减法之前和之后执行所有的操作可以获得更多的信息并且导致更好的结果。提出了尺度感知模块，通过计算减影图上的交叉尺度注意力，使特征集中在更重要的通道上，从而更有效地检测由不同尺度的对象引起的变化。
2023-11-18 18:56:24
318
原创 Changes to Captions: An Attentive Network forRemote Sensing Change Captioning
在这项研究中，我们强调了准确描述遥感图像变化的重要性，并对自然图像、合成图像和遥感图像的变化字幕任务进行了比较。为了准确描述多时相遥感图像的变化情况，提出了一种新的用于遥感变化字幕的注意力网络，简称Chg2Cap。由于遥感图像是在高海拔垂直拍摄的，遥感图像中的大部分三维信息，如颜色、高度和纹理，都被压缩成地球表面的二维信息。所提出的Chg2Cap方法的总体框架由（a）基于CNN的特征提取器，（b）由N个分层自注意（HSA）块和残差块（ResBlock）堆栈组成的注意编码器，以及（c）字幕生成器构成。
2023-11-14 08:49:28
313
原创 Global-aware siamese network for change detection on remote sensing images
遥感图像中的变化检测是以有效的方式识别观测变化的最重要的技术选择之一。CD具有广泛的应用，如土地利用调查、城市规划、环境监测和灾害测绘。然而，频繁出现的类不平衡问题给变化检测应用带来了巨大的挑战。为了解决这个问题，我们开发了一种新的全局感知连体网络（GAS-Net），旨在通过结合场景和前景之间的关系来生成全局感知特征，以进行有效的变化检测。所提出的GAS-Net由全局注意力模块（GAM）和前景感知模块（FAM）组成，它们既学习上下文关系，又增强了场景和前景之间的共生关系学习。
2023-11-04 20:28:22
272
原创 CIT: Content-invariant translation with hybrid attention mechanism for unsupervised change detection
在遥感领域，变化检测一直是一个基础性但具有挑战性的研究课题，具有深刻的理论意义和广泛的应用价值。在过去的几十年里，深度学习的出现和发展为监督变化检测提供了新的技术支持，并将其准确性提高到了前所未有的水平。然而，由于预标记参考文献的强依赖性和弱可转移性，监督学习模式仍然需要一定程度的人工辅助，这并不适用于所有的变化检测任务。此外，与任何特定的固有属性无关，当发生在不同的土地覆盖类别之间时，变化可能会显示出不稳定和不规则的特征，使其与传统的端到端学习模式不兼容。
2023-11-04 20:19:38
104
原创 变化检测数据集制作详细版
本文记录在进行变化检测数据集制作过程中所使用的代码首先需要准备相同地区不同时间的两幅影像，裁减成合适大小，如256*256。相同区域命名相同放在两个文件夹下。接着使用labelme对变化区域进行标注，这里不再进行labelme安装及标注的赘述。在标注完成后，会在A、B两个文件夹下生成对应的json文件，A文件夹的json文件为对影像A的标注，B同上。代码块包含四个部分：2.同名png合并（处理AB都发生变化的标签）3.独有png提取（处理只在A或B发生变化的标签）
2023-10-19 21:26:56
1555
7
原创 闲置手机电脑流量变现项目
在之前的文章中，我曾经介绍过一个叫Traffmonetizer的国外流量挂机项目，但是经过这段时间的测试。由于我是用的是最低宽带的校园网，并且没有路由器，所以会有些影响收益，如果你有路由器并且带宽比较高，会有更高的收益。部署期也就是前几天的收益会低一点，但是已经不少了，官方的生态做的也不错，有手机app可以查看每天的收益和设备状态。，具体来说要比Traffmonetizer好不少，并且能够兼容更多的设备，像安卓、Windows、树莓等。🏄一分钟上手网心云新品 (qq.com)
2023-09-30 16:52:24
428
原创 python报错ModuleNotFoundError: No module named ‘XXX‘
通过检查我并不觉得是别人的源码有问题，后来才发现，网络的运行文件在其他位置，而当前这个报错的文件与vit包在同一文件夹models下。考虑到可能是在调用时的位置识别问题，所以引用时加上了文件夹名称，解决了这个问题。2、导入的文件在其他文件夹下，与当前文件不在同一文件夹，导入方式也比较简单，一般加上文件夹名称，文件名称和类名称就行，最多就是用pycharm设置一下文件夹格式为源。这时可能会遇到包导入的错误。3、本次遇到的错误在于引用同一文件夹下面的另一个py文件里面封装的方法。
2023-09-06 08:26:41
289
原创 文心一言 VS CHATGPT
2、目前看来文心一言模型可能是接入了百度的搜索引擎，在我们进行一些询问时，能够给出一些出乎意料的答案。由于近几天来，我的手机短信不断收到百度公司对于“文心一言”大模型的体验邀请（真是不胜其烦）！对于个人来说，这两者在不同方面的具体效果如何还需要进一步探索，至少于我来说都很不错，并且达到了我对于深度学习目前能力的想法，甚至略有超出。目前文心一言模型的问题可能在于，你不能在提问界面停留过长时间，网页会提示你目前服务器人多。二者对于代码的理解我也测试了一下，总的来说大差不差吧，文心一言要更啰嗦些。
2023-08-31 15:49:14
4654
2
原创 RuntimeError: CUDA error: device-side assert triggered CUDA kernel errors might be asynchronously re
后面我在输出口增加了一个1×1的卷积调整通道数，问题到此解决。后面发现我的输出口原先是两个通道，经过改动后变成了一个通道。昨天还能正常跑的代码，今天改了一点网络结构就到处报错。看了网上大部分的方法，我觉得都不是我错误的原因。F.interpolate 并不能调整通道数。对于这个报错，不同的人作物的地方可能不同。起初我以为是环境的问题，甚至是电脑的问题。我的错误位置在backward。这里插入chatgpt问答。好好好，这么玩是吧！
2023-07-29 09:30:46
182
原创 plt亮度折线图
读取文件夹下所有图片，传入generate_histogram统计像素值。解决中文显示问题，在import额外加两行。读取单张影像各像素值出现频次。
2023-07-27 14:42:03
195
原创 利用卫星影像进行海岸线提取
渤海（Bohai Sea），是中国最北的近海，是中华人民共和国的内海，同时也属于内水范畴。海岸线全长约3800公里。东西宽约346公里，南北长约550公里。面积约8万平方公里，平均深度18米。渤海是一个近封闭的内海，东面以辽东半岛的老铁山岬经庙岛至山东半岛北端的蓬莱岬的联线与黄海分界。其它三面环陆，北，西，南三面分别与辽宁、河北、天津和山东三省一市毗邻。根据地形地貌，渤海可分辽东湾、渤海湾、莱州湾、中央浅海盆地和渤海海峡5部分。
2023-07-15 19:13:19
1125
原创 海洋水质参数提取
NewRoi_from_ASCII.sav，将 ASCI 文件格式存储的实测数据转换成感兴趣区文件（ROI），安装扩展补丁步骤如下:（1）将“ENⅥ_HJ1A1B_Tools.sav”和“ENⅥ_HJ1A1B_Tools.sav”两个文件复制到“...\ Exelis\ENVI51\extensions”文件夹内。首先利用 Feature Extraction 模块中提供的面向对象图像分割工具获取分割矢量结果，然后手动提取太湖边界矢量，最后利用此矢量文件裁剪大气校正结果得到太湖区域的图像。
2023-07-15 10:52:51
1366
1
原创 海岸带地物分类步骤
（1）打开非监督分类结果图像并在视窗口中显示。（2）在图层管理器（Layer Manager）中，在 Classes 上右键选择 Hide all classes 菜单，之后勾选 Class1，只显示一个分类类别，通过目视判别该类的名称。（3）在 Toolbox 工具箱中，双击 Raster management/ Edit ENVI Header 工具，在文件输入对话框中选择非监督分类结果。
2023-07-15 10:42:27
880
原创 partially initialized module ‘cv2‘；module ‘cv2‘ has no attribute；cv2.error: OpenCV(4.7.0) D:\a\pencv
这些错误的原因是和两个库之间的版本不兼容所造成的，如果你按照某一个错误原因去查询解决方案，那么你大概率会在这几次个错误之间反复跳转，并且。
2023-06-14 19:50:57
822
原创 python将灰度图或三通道黑白图转换为像素值0或255的八位图
用于深度学习分割任务标签计算之前的二值化操作，将24位或8位图片转换为8位的二值图像，当然，这里标签只有背景和变化两类（变化检测）
2023-05-12 09:22:28
676
1
原创 python裁剪png图片文件
读取文件夹下的png文件，然后进行裁剪。示例为将1024*1024裁剪为256*256的16开图片，在原始文件夹的文件编码规则为00001，裁剪后的编码为00001+行号+列号（行列号为裁剪后图片左上角像素坐标）
2023-05-09 15:35:40
669
原创 PermissionError: [Errno 13] Permission denied:
的时候，除了传入路径，还需要加上读取文件的占位符和格式，也就是下面的。1、当前文件被占用了。2、用户没有访问权限。3、打开目标不是文件。
2023-05-06 14:54:40
5839
原创 Locally-enhanced Feed-Forward（LEFF）局部增强前馈网络
这里展示的代码我只使用了上面的部分，下面是源码里面摘出来的一段没有去细看。从这段代码里面可以看出来LEFF模块大概就是一个展平然后复原的过程。通过实验，我们发现这个模块对于细节部分的关注过于着重，导致检测结果并不是特别好，所以如果大家对于比较小的目标进行检测，倒是可以去进行尝试。为了能成功运行这个模块，在传入张量之前需要进行一个格式的转换，并且在处理之后需要进行一个还原。对于这个模块，网上相关的资料不是很多，这里我在网络中加入了此模块以期望提升模型的精度。以上内容仅为个人观点，请大佬批评指正。
2023-05-04 17:06:45
557
变化检测最常用数据集之一的CDD数据集
2023-05-26
台式机秃然耳机没声音了
2024-06-11
TA创建的收藏夹 TA关注的收藏夹
TA关注的人