？？的博客

利用大量训练数据（SA-1B），Meta AI Research 提出的SAM表现出显着的泛化和零样本能力。尽管如此，SAM作为一种与类别无关的实例分割方法，严重依赖于手动的先验信息，包括点、框和粗粒度掩码。此外，它在遥感图像分割任务上的性能尚未得到充分探索和演示。本文结合语义类别信息，设计了一种基于SAM基础模型的遥感图像自动实例分割方法。受提示学习的启发，本文提出了一种为 SAM 输入学习生成适当提示的方法，使得SAM能够为遥感图像生成语义可识别的分割结果，称之为RSPrompter。

根据PID搭建深度学习模型、融合任意模态特征、基于深度学习的多图像超分辨率

超分辨率和海冰联合估计网络、使用了AttnConv的CloFormer、两行代码缓解Tranformer过拟合

BRA、TSAM、海洋领域应用

本文提出的新的部分卷积PConv利用了特征图在不同通道上的相似性和冗余，只在一部分输入通道上使用常规卷积进行空间特征提取，它的FLOPs低于常规卷积，而FLOPS高于DWConv/GConv，并且能更好提取空间特征。对于连续或规则的内存访问，将第一个或最后一个连续的通道视为用于计算的整个特征图的代表，在不失一般性的情况下，认为输入和输出特征图具有相同数量的通道，此时PConv的FLOPs仅为常规卷积的1/16，内存访问量仅为常规卷积的1/4。底层负责精细尺度重建，顶层负责粗尺度重建。激活函数选择GELU。

HiViT、RIFormer、ODRE

SpatiallyAdaptiveSSID、GRL、Lite-Mono、FcF

DSTrans、3D UX-Net、SimpleNet、DRSformer

【组会整理及心得】RFnet(LWA+TSA)、SLaK、CDCN、LDGnet、EMO、ESWT

X-Pool、TransCeption、HiFormer、Cross Teaching between CNN and Transformer、CiaoSR、UHDFour

PatchDCT、SeaFormer、DilateFormer、MixFormer、ShadowFormer、MISSFormer、FMCNet

0210 LLFormer、ShuffleMixer、FCViT、DEA-Net、DAE-Former

去雨去雾专题

Vision Transformer & Swin Transformer & ConvNeXt

ShuffleNet&EfficientNet&迁移学习

MobileNetV1, V2, V3，SENet，HybirdSN

第3周学习记录：ResNet+ResNeXt

卷积神经网络基础

深度学习和pytorch基础