![](https://img-blog.csdnimg.cn/20201014180756757.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
论文精读
文章平均质量分 60
一直在努力的小宁
Uestc-cs 研0 (CV) 攻克深度学习中
展开
-
6.7组会
原创 2024-06-07 20:50:56 · 129 阅读 · 0 评论 -
《Boosting Object Detection with Zero-Shot Day-Night Domain Adaptation》2024CVPR
它是用于衡量预测值与真实值之间差异的一种常见的评估指标。Rl和Rn为什么可以互换:反射分量r和照明分量i相乘可以得到原图像img这是retinex的理论,而反射分量仅和物体的摆放以及物体本身的物理特性没关系,即使光照是好是坏,同一场景反射分量r都应该是相同的。实施域不变特征需要充分理解数据的特点和域间的差异,并选择合适的方法来处理域变化带来的挑战,从而提高模型的性能和泛化能力。weight设置的太多了,而且两个weight都直接设置了定值,另两个权重估计也是自己调的(直接调的效果其实是最好最便捷的)原创 2024-05-10 11:27:54 · 471 阅读 · 1 评论 -
Rethinking Transformers Pre-training for Multi-Spectral Satellite Imagery (2024CVPR)
无监督学习的最新进展表明,通过对大量未标记数据进行预训练,大型视觉模型能够在下游任务上取得有希望的结果。由于大量未标记数据的可用性,这种预训练技术最近也在遥感领域进行了探索。与标准的自然图像数据集不同,遥感数据是通过各种传感器技术获取的,并且表现出不同范围的尺度变化和模式。现有的卫星图像预训练方法要么忽略遥感图像中存在的尺度信息,要么限制自己只使用单一类型的数据模式。在本文中,我们重新访问变压器预训练和利用多尺度信息,有效地利用了多种模式。我们提出的方法,名为SatMAE++,原创 2024-04-29 20:36:38 · 720 阅读 · 0 评论 -
《InfMAE: A Foundation Model in Infrared Modality》CVPR2024
整体架构差不多,不一样的地方值得研究,就可以考虑A+B。2. 利用跨模态的基础模型去做我们领域的基础研究。3. 每天泛读3-5篇文献,精读1篇获取经验。以后的研究中必须把大模型和基础模型耦合进来。原创 2024-03-21 19:59:15 · 231 阅读 · 0 评论 -
《Positive-incentive Noise》IEEE Transactions on Neural Networks and Learnin S stems,论文精读
本文对噪声是否总是产生负面影响进行了反思。这种怀疑来自于对噪音的松散定义。通过对任务T和噪声的互信息建模,将传统的“噪声”分为π噪声和纯噪声两类。简而言之,π噪声是一种可以简化目标任务的随机信号。通过一些令人信服的实验,并表明一些已有的课题(如随机共振、多任务学习、对抗训练)可以作为特例来解释,我们从经验和理论上得出π噪声在各个领域都是普遍存在的结论。π噪声的一般性质、π噪声量的上界、π噪声在一般条件下的存在性、π噪声模型设计的新原则等仍有许多值得深入研究的问题。重要的是,π噪声也与信息容量的研究有关。这原创 2024-03-17 20:28:43 · 909 阅读 · 0 评论