- 博客(168)
- 收藏
- 关注
![](https://csdnimg.cn/release/blogv2/dist/pc/img/listFixedTop.png)
原创 女子举重问题
问题及要求1、搜集各个级别世界女子举重比赛的实际数据。分别建立女子举重比赛总成绩的线性模型、幂函数模型、幂函数改进模型,并最终建立总冠军评选模型。应用以上模型对最近举行的一届奥运会女子举重比赛总成绩进行排名,并对模型及结果进行必要的分析。2、请对以上模型作进一步的改进,或提出更好的模型,并应用模型进行排名。3、同样对最近举行的一届奥运会所有男女举重冠军行进评选,选出1名最优秀的举重运动员,给出你的定量评选方法并合理论述。4。
2023-03-05 14:30:11
4731
11
原创 论文《Few-Shot Object Detection with Model Calibration》的解读
少样本目标检测(Few-Shot Object Detection, FSOD)旨在将已知类别的知识转移到未知类别,以检测新类别的目标。然而,以往的研究忽略了转移学习过程中固有的模型偏差问题。这种模型偏差导致了对训练类别的过拟合,并破坏了已学到的可转移知识。本文全面探讨了FSOD模型中的模型偏差问题,并提出了一种简单而有效的方法,通过在三个层次上进行模型校准来解决模型偏差问题:1)骨干网络校准,以保留已学到的先验知识并缓解对基本类别的模型偏差;2)区域建议网络(RPN)校准,以识别新类别的未标记目标;
2024-07-30 21:09:13
923
原创 《基于深度学习的目标检测算法综述论文的解读》
在 2015 年,Ren S Q 团队[19] 在之前的基础上提出了Faster R-CNN 算法,该算法在简单网络的目标检测速度达到 17 fps,在PASCAL VOC 上准确率为 59.9 %,而复杂网络下达到 5 fps,准确率 78.8 %。SSD 通过对 Faster R-CNN 算法和 YOLO 算法的优点结合,利用特征的金字塔结构充分挖掘卷积层的特征信息,使得其在满足检测精度的同时保证了算法的速度,在一定程度上克服了 YOLO 算法难以检测小目标、定位不准的缺点。此外两者的输出也有所不同。
2024-07-29 21:13:42
755
原创 Detect AI Generated(Kaggle竞赛)
每篇文章的标题前面都有一个标题,如 .当注明作者时,他们的名字将在标题中给出。测试集中大约有 9,000 篇论文,包括学生撰写的和 LLM 生成的。所有的文章都是根据七个论文提示之一写的。几乎所有的训练集论文都是由学生撰写的,只有少数生成的论文作为示例。generated- 论文是由学生()撰写的,还是由法学硕士()撰写的。[PAD] (Padding Token): 用于文本序列的填充,使所有输入的长度匹配,常用于处理成批数据。train_prompts.csv - 论文是针对这些领域的信息而写的。
2024-04-16 02:08:16
1082
原创 量化算子的介绍
量化算子是神经网络量化中的关键组件,它指的是在神经网络模型中将数据从一种精度(通常是浮点精度,如FP32)转换为另一种较低精度(如INT8或INT4)的过程。然而,量化也可能引入一定的精度损失,因此如何设计和实现量化算子,以在加速推理和减少资源消耗的同时,尽可能保持模型的精度,是量化研究的关键挑战之一。这涉及到确定量化的范围(即最小值和最大值)、量化的级别(即量化后的值的数量,由位宽决定),以及量化公式,后者通常是一个线性映射。(或去量化):将量化后的固定点数值转换回浮点数值的过程。
2024-03-15 18:16:15
380
原创 A White Paper on Neural Network Quantization
这篇文章《神经网络量化白皮书》主要讨论了神经网络量化在提高现代网络计算效率方面的重要作用,特别是对于具有严格功耗和计算限制的边缘设备。文章深入讨论了如何在保持低比特权重和激活的同时,减轻量化噪声对性能的影响的方法。首先,文章从硬件角度介绍了量化的基本概念,然后分别讨论了两种主要的量化方法:训练后量化(Post-Training Quantization, PTQ)和量化感知训练(Quantization-Aware Training, QAT)。PTQ方法无需重新训练或标记数据,是一种轻量级的量化方法。
2024-03-11 20:07:18
963
原创 BEVFormer v2: Adapting Modern Image Backbones to Bird’s-Eye-View Recognition via Perspective Supervi
我们提出了一种新颖的鸟瞰(BEV)检测器,采用透视监督,能够更快地收敛,并更适合现代图像骨干网络。现有的领先鸟瞰检测器通常与特定的深度预训练骨干网络(如VoVNet)相关联,这限制了繁荣的图像骨干网络与鸟瞰检测器之间的协同效应。为了解决这一限制,我们优先考虑通过引入透视视图监督来简化鸟瞰检测器的优化。为此,我们提出了一个两阶段的鸟瞰检测器,其中来自透视头的候选框被馈送到鸟瞰头进行最终预测。为了评估我们模型的有效性,我们进行了大量的消融研究,重点关注监督形式和所提出的检测器的普遍性。
2024-03-01 11:07:13
1264
原创 深度学习中常见的backbone、neck、head的理解
Neck(颈部):颈部位于骨干网络和头部之间,负责对骨干网络提取的特征进行进一步的处理和整合。颈部的作用类似于连接骨干网络和头部的桥梁,可以帮助将特征更好地传递给头部进行最终的预测或分类任务。Backbone(骨干网络):骨干网络通常是指整个深度神经网络的主要部分,负责提取输入数据的特征。头部通常由全连接层或卷积层组成,用于将颈部提取的特征映射到最终的输出空间,生成网络的最终预测结果。在不同的任务中,头部的结构会有所不同,以适应不同的任务需求。
2024-02-29 10:55:38
4404
原创 读论文的技巧
第二遍阅读完之后,你就对整个论文的各个部分,都有一个大概的了解,中间可以把作者引用的别人的相关文献圈出来,比如作者是在某某某的方法上进行了改进,做了哪些改进之类的。确定论文值得读之后,可以快速的把整个论文过一遍,不需要知道所有的细节,需要了解重要的图和表,知道每一个部分在干什么,圈出相关文献。读实验部分的时候,可以思考一下,作者是如何描述自己的实验的,你可以思考,如果换自己来做的话,能不能比作者做得更好?第三遍是最后一遍了,也是最详细的一遍,这里就需要自己知道每一句话在干什么,每一段在说什么。
2024-02-15 20:43:31
401
原创 vscode 代码调试from IPython import embed
在调用embed()函数的地方,程序执行会暂停,并打开一个交互式的IPython终端。在这个终端中,你可以访问到目前为止程序中定义的所有变量和函数,这对于调试和快速测试非常有用。当你完成交互式会话后,可以通过退出IPython终端(通常是输入exit或按Ctrl+D)来继续程序的执行。上面的代码片段是用于Python中嵌入一个交互式IPython shell的方法。这可以在任何Python脚本或程序中实现,允许在执行到该点时暂停程序,并提供一个交互式环境,以便于检查、调试或动态执行代码。
2024-02-14 22:03:00
465
原创 vscode-python的debug 教学(最全)
Visual Studio Code 的主要功能之一是其强大的调试支持。VS Code 的内置调试器有助于加速编辑、编译和调试循环。
2024-02-14 21:37:08
15559
原创 精读Relational Embedding for Few-Shot Classification (ICCV 2021)
提出了用于少样本分类的自相关表示方法,从图像内部提取可迁移的结构模式。提出了用于少样本分类的交叉相关注意力模块,通过卷积滤波学习图像之间的可靠共注意力。在四个标准基准数据集上的实验显示,本文方法达到了最先进的水平,且通过消融研究验证了组件的有效性。这一部分为读者提供了该研究背景的深入理解,展示了其相对于现有工作的创新点和优势,特别是在处理自相关和交叉相关以提高少样本分类性能方面的新颖贡献。
2024-02-14 20:05:41
918
原创 关于少样本学习、零样本学习、单样本学习中的support set和query set的概念解析
梳理一下关于少样本学习(如few-shot learning)、零样本学习(zero-shot learning)、单样本学习(one-shot learning)中的support set和query set的概念,以及为何测试集中会涉及到“unseen”(未见过)的新类。
2024-02-13 18:24:25
1200
原创 如何实现深度学习模型的离线训练
Ctrl+b是一个指令,用于通知会话准备接收一个命令,而按下d键表示要"分离"当前会话(detach的意思)。原理描述:通过tmux创建一个会话,这个会话将持续运行直到被用户显式地终止。因此,只要会话保持开启,会话内的进程也将持续运行,从而使得模型可以在离线状态下继续训练。这种方法允许你从任何终端会话中精确地结束指定的tmux会话,提供了更大的灵活性。理论上,这一步骤已足够,但为了不让tmux会话永久占用服务器资源,你需要在某个时刻结束该tmux会话。为了结束tmux会话,你需要指定会话目标。
2024-02-13 16:19:05
535
原创 Pytorch的可视化
导航到 W&B 应用程序,查看 https://wandb.ai/home 中我们使用 W&B 记录的指标(准确性和损失)在每个训练步骤中是如何改进的。使用 wandb.init() 在 Python 脚本或笔记本中初始化 W&B Run 对象,并使用超参数名称和值的键值对将字典传递给参数:config。这里的project 和 entity是wandb上创建项目的名称和用户名,可以在官网上参考创建项目,运行是 W&B 的基本组成部分。本文章将从wandb的安装、wandb的使用、demo的演示进行讲解。
2024-02-13 16:17:41
2651
5
原创 最近vscode链接Autodl出现的问题
step2:在vscode官网下载vscode1.85版本,直接将1.86版本覆盖(不需要卸载之前的版本,因为vscode的直接覆盖的)vscode版本过高的问题,(vscode1.86无法远程连接waiting the server log)在vscode的设置面板内搜索更新,将Mode项设置为。
2024-02-07 13:36:37
1089
原创 【代码随想录打卡day1---数组】
不同的编程语言,二维数组的空间的连续性是不同的,c++的二维数组的空间存储是连续的,而java就不是连续的了。
2024-01-24 23:43:20
858
原创 【Linux】
比如上边第一个Python进程CPU的占用率是101.4%,内存使用大小是1.796g(Tips:如果内存显示的单位和上述不同,按e键切换)可以通过ps -ef查看进程是否还存在,如果存在则用kill命令杀死进程,最后用nvidia-smi检查显存是否已经释放。可以使用Top命令查看进程的占用内存情况,确认内存是不是会停留在一个值而不会一直增长,如果一直增长说明程序对内存的释放有漏洞,可以分析Python代码变量的引用来进行优化。参数: -rf (-r代表递归,-f代表强制)参数:-r (-r代表递归)
2024-01-18 19:54:28
824
原创 8.Vue_Element
前后台混合开发和前后台分离开发。前后台混合开发,顾名思义就是前台后台代码混在一起开发,如下图所示:沟通成本高:后台人员发现前端有问题,需要找前端人员修改,前端修改成功,再交给后台人员使用分工不明确:后台开发人员需要开发后台代码,也需要开发部分前端代码。很难培养专业人才不便管理:所有的代码都在一个工程中不便维护和扩展:前端代码更新,和后台无关,但是需要整个工程包括后台一起重新打包部署。
2023-10-05 18:33:59
299
原创 7.JavaScript-vue
通过代码/js效果演示提供资料进行效果演示,通过浏览器打开,我们点击主题5按钮,页面的主题发生了变化,所以js可以让我们的页面更加的智能,让页面和用户进行交互。function 函数名(参数1,参数2..){要执行的代码形式参数不需要声明类型,并且JavaScript中不管什么类型都是let或者var去声明,加上也没有意义。返回值也不需要声明类型,直接return即可如下示例:接下来我们需要在VS Code中编写代码来演示。
2023-10-02 23:30:15
310
原创 6.html表单
其中,action属性指定了表单提交的地址,method属性指定了表单提交的方式(一般为GET或POST)。表单元素包括各种输入框、下拉列表、单选按钮等。表单由多个表单元素组成,通常包括输入框,复选框,单选按钮,下拉列表和提交按钮等。在表单提交到服务器后,服务器可以通过各种编程语言(如PHP、Python等)对表单数据进行处理,从而实现各种功能,例如登录、注册、搜索等。HTML表单元素还可以设置各种属性,如name、value、required等,用于限制用户输入或提供输入提示等功能。
2023-10-02 10:12:00
219
原创 5.html表格
此外,您还可以使用 标签添加表格标题;使用 colspan 和 rowspan 属性合并单元格;使用 CSS 样式设置表格的样式等。标签用于定义表格, 标签用于定义表格中的行,
2023-10-02 10:08:27
102
原创 软件过程的介绍
在规范的软件开发过程中,编码必须遵守一定的标准,这样有助于团队开发,同时能提高代码的质量。过程定义了运用方法的顺序,应该交付的文档资料,为保证软件质量和协调变化所需要采取的管理措施,以及标志软件开发各个阶段任务完成的里程碑。软件产品的生命周期是指从设计该产品的构想开始,到软件需求的确定、软件设计、软件实现、产品测试与验收、投入使用以及产品版本的不断更新,到最终该产品被市场淘汰的全过程。软件生命周期这个概念从时间的角度将软件的开发和维护的复杂过程分解为了若干个阶段,每个阶段都完成特定的相对独立的任务。
2023-10-01 12:17:06
312
原创 【3】贪心算法-最优装载问题-加勒比海盗
(2)按照贪心策略,每次选择重量最小的古董放入(tmp 代表古董的重量,ans。(1)当载重量为定值c时,wi越小时,可装载的古董数量n越大。(1)因为贪心策略是每次选择重量最小的古董装入海盗船,因此可以按照古董重。(2)把n个古董的重量从小到大(非递减)排序,然后根据贪心策略尽可能多。是固定的,那么优先把重量小的物品放进去,在载重量固定的情况下,装的物。本题要求物品不可分割,要求装载的物品的数量尽可能多,而船的载重量。够大,但载重量为C,每件古董的重量为wi,海盗们该如何把尽。代表已装裁的古董个数)。
2023-09-25 09:45:23
1567
原创 【2】贪心算法-综述
买玩具,总是想要最好的,这些东西并不是大人教的,而是与生俱来的。如果原问题的解没有办法通过子问题的解而得到,那么这个分解是没有意义的。最大的苹果放起来,记为a1,第二次再从剩下的苹果堆中选择一个最大。恩,于是就让这个人提出要求,满足他的愿望。单的衣食,蛇都满足了他的愿望,后来慢慢地贪欲升起,要求做官,蛇。于明白了,人的贪心是永无止境的,于是一口就把这个人吞掉了。从前,有一个很穷的人救了一条蛇的命,蛇为了报答他的救命之。所以,蛇吞掉的是宰相,而不是大象。(2)有可能得到的不是最优解,而是最优解的近似解。
2023-09-21 17:53:06
525
原创 【1】趣学算法-算法之美
对于普通人来说,学习算法不会推导复杂的数学公式等,其实没关系的,因为我们关注的点:是如何利用算法去解决相关的问题,对于计算机的从业人员来说,最重要的能力是解决问题的能力-解决那些从实际的生活中冒出来的新问题。算法关注点在于求解问题的方法,不局限具体的实现的实现方法,因此,我们不仅可以使用(java、python、c++、c)这类的编程语言实现,而且还可以使用伪代码进行实现。算法作为一门学问,有两条平行线:一条是数据结构(数据对象):数、矩阵、集合、树、串、图、表达式等;:算法是求解问题的步骤。
2023-09-21 17:10:46
91
原创 从零基础学习PyQt5软件app开发
上⾯(/Users/zhenguo/anaconda3)是我的anaconda安装路径,⼤家需要替换为⾃⼰的。Python有⼤量⽤于开发GUI的框架,我们在下⾯的列表中收集了⼀些最流⾏的Python GUI框架。信号(Signal)和槽(Slot)是Qt中的核⼼机制,也是在PyQt编程中对象之间进⾏通信的机制。第⼆点:Qt Designer的设计符合MVC的架构,其实现了视图和逻辑的分离,从⽽实现了开发的便。GUI,全称为图形⽤户界⾯,⼜称为图形⽤户接⼝,是⼀种⼈与计算机通信的界⾯显示格式。
2023-09-16 23:55:59
1203
1
转载 pycharm-debug
主要思路:利用断点注:打断点之后,程序运行到断点的哪一行处,但此行并未执行调试的过程分为三步:第一步:在你想要调试的地方,打上第二步:使用调试模式来运行这个 python 程序第三步:使用各种手段开始代码调试。
2023-08-31 09:20:30
72
原创 软件与软件工程
计算机和软件技术的快速发展,提高了用户对软件的期望,促进了软件产品的演化,为软件产品提出了新的、更多的需求,难以在可接受的开发进度内保证软件的质量。80年代:COCOMO模型,CMM模型,关系数据库,测试工具和配置管理工具,计算机辅助软件工程(CASE),其他一些潜在的提高软件生产率的方法。软件工程的方法提供了建造软件在技术上需要“做什么”,它覆盖了一系列的任务,包括需求分析、设计、编程、测试和支持等;(1)将系统化、严格约束的、可量化的方法应用于软件的开发、运行和维护,即将工程化应用于软件。
2023-08-28 22:58:33
457
原创 需求分析入门
管理软件就是用来辅助企业进行管理的软件,既包括对企业“人、财、物”相关的资产信息的管理,也包括对企业“供、产、销”相关的业务活动信息的管理。管理软件的重点在于管理信息的收集、流转,资源的共享、集成,任务的下发、驱动,工作流程的审批、监控,管理决策的支持、验证等。注意:需要管理的并不仅仅是企业。学校、政府机关等都需要管理。在这里使用“组织”两个字比较准确,但为了表述方便,后面统一称之为“企业”。【案例】一款典型的管理软件认识两个常用的名词:“软件”与“系统”。
2023-08-28 22:22:41
285
原创 【AC-自动机】- 字符串的逆序
来源:牛客网题号:NC14310时间限制:C/C++ 1秒,其他语言2秒空间限制:C/C++ 32768K,其他语言65536K。
2023-08-27 18:47:49
336
原创 Yolo系列-yolov3
终于到V3了,最大的改进就是网络结构,使其更适合小目标检测特征做的更细致,融入多持续特征图信息来预测不同规格物体。13特征图上:(116x90),(156x198),(373x326)26。52*52特征图上:(10x13),(16x30),(33x23)26特征图上:(30x61),(62x45),(59x119)这张图讲道理真的过分了!先验框更丰富了,3种scale,每种3个规格,一共9种。YOLO-V2中选了5个,这回更多了,一共有9种。YOLO-V2中选了5个,这回更多了,一共有9种。
2023-08-27 17:43:00
146
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人