- 博客(52)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 超分辨率遥感图像去云的扩散增强训练
load_state_dict方法参数的官方说明 strict 参数默认是true，他的含义是 是否严格要求state_dict中的键与该模块的键返回的键匹配。在报错代码guided_diffusion/diff/gaussian_diffusion_enhance.py路径下，将strict=True改为strict=False。super_res_train.py中的os.environ["CUDA_VISIBLE_DEVICES"] = "1" 改为0，电脑默认的cuda是0。
2024-04-25 10:35:25
756
原创 我的创作纪念日
学习工作过程中，记录一下自己的学习过程，同时给网友们提供一些解答的思路。提示：你过去写得最好的一段代码是什么？要了解工作的整个流程，整体来学习，这样才能控制全局。多看看csdn上其他大佬的经验，集百家之所长。提示：当前创作和你的工作、学习是什么样的关系。提示：可以和大家分享最初成为创作者的初心。可能是yolo系列的代码把，有很多。提示：在创作的过程中都有哪些收获。创作花费的时间并不多，用心做。提示：职业规划、创作规划等。
2024-04-23 19:15:27
297
原创 Diffusion Enhancement for Cloud Removal in Ultra-Resolution Remote Sensing Imagery论文翻译
超分辨率遥感图像去云的扩散增强方法论文翻译
2024-04-19 10:13:26
1014
原创 论文对比实验
MmDMs是一种新颖的扩散模型，用于重建去噪扩散概率模型（DDPMs）的逆过程，以整合来自辅助模态（例如，对云层干扰具有鲁棒性的合成孔径雷达）的附加信息，帮助学习主模态（即光学卫星图像）的分布。通过实现控制网改进稳定扩散。从方法论的角度来看，提出了一种新的基于扩散的纹理细节恢复框架，称为扩散增强（DE），用于执行渐进纹理细节恢复，这在提高推理精度的同时减轻了训练难度。在新建立的CUHK-CR和现有数据集（如RICE）上的大量实验证实，所提出的DE框架在感知质量和信号保真度方面都优于现有的基于DL的方法。
2024-04-17 10:06:36
892
原创 Always Clear Days: Degradation Type andSeverity Aware All-In-One Adverse WeatherRemoval论文翻译
Always Clear Days: Degradation Type andSeverity Aware All-In-One Adverse WeatherRemoval论文翻译
2024-04-11 20:13:35
1004
原创 Continual All-in-One Adverse Weather Removalwith Knowledge Replay on a Unified NetworkStructure模型运行
Continual All-in-One Adverse Weather Removalwith Knowledge Replay on a Unified NetworkStructure模型运行，解决去云去雨去雪去雾问题
2024-04-04 15:52:31
600
原创 报错解决--01权限不够，加user
'D:\\an\\anaconda\\envs\\yolov8\\Lib\\site-packages\\~umpy\\core\\_multiarray_tests.cp38-win_amd64.pyd' Consider using the `--user` option or check the permissions.我在安装包 albumentations 时，出现了以上问题，出现以上代码是权限不够，文章已经提示加--user。代码能够正常安装了，
2024-03-11 09:35:13
405
原创 DEYO: DETR with YOLO for End-to-End Object Detection论文翻译
DETR的训练范式在很大程度上取决于在ImageNet数据集上预训练其骨干。然而，由图像分类任务和一对一匹配策略提供的有限监督信号导致DETR的预训练不充分的颈部。此外，在训练的早期阶段匹配的不稳定性会导致DETR的优化目标不一致。为了解决这些问题，我们设计了一种创新的培训方法，称为逐步培训。具体来说，在训练的第一阶段，我们采用一个经典的检测器，用一对多的匹配策略进行预训练，以初始化端到端检测器的主干和颈部。在训练的第二阶段，我们冻结了端到端检测器的主干和颈部，需要从头开始训练解码器。
2024-03-07 15:25:01
1118
原创 YOLOv9: Learning What You Want to Learn Using Programmable Gradient Information论文翻译
cvpr2024 YOLOv9论文翻译
2024-03-04 08:18:19
976
原创 多篇论文介绍-可变形卷积
在道路场景下，车辆行人等目标多样且复杂，由于目标的大小、形状、位置、方向等都育有一定的变化性,因此使用传统的卷积操作往往难以准确地捕获目标的准确位置,甚至可能会导致目标漏检或误检的问题。为了解决上述问题，本文采用 DAI等4提出的可变形卷积网络，重新构建了YOLOv8算法中C2f网络结构来提升网络的检测能力。在传统卷积中，每个卷积核都是固定形状的，因此无法处理物体形变的情况。而可变形卷积中，每个卷积核不再是一个固定的矩形,而是由一个基础网格和一组偏移量共同组成的可变形矩形。
2023-11-22 16:03:25
306
原创 IEEE--DSConv: Efficient Convolution Operator 论文翻译
本文是对IEEE--DSConv论文进行原文翻译
2023-11-14 21:39:00
580
原创 NeurIPS-Gold-YOLO: Efficient Object Detector viaGather-and-Distribute Mechanism 论文翻译
本文是华为2023年9月在NeurIPS顶会上提出的Gold-YOLO进行原文翻译
2023-11-11 21:16:31
306
原创 Gold-YOLO最新YOLO系列模型
本文介绍最新YOLO改进模型，Gold-YOLO是华为2023年9月在NeurIPS顶会上提出的有关yolo系列中普遍存在的FPN中的信息传输问题的解决方案。
2023-11-11 20:21:21
2060
11
原创 IEEE--AdaPool: Exponential Adaptive Pooling forInformation-Retaining Downsampling 论文翻译
池化方法将空间输入降采样到较低分辨率。它们的目标是减小后续网络操作的计算开销并增大它们的感受野。池化操作在图像和视频处理方法中至关重要，包括基于卷积神经网络（CNNs）的方法。池化的一个重要方面是它在模型内部引入了信息损失。因此，保留输入的结构方面的细节，如对比度和纹理，可能变得具有挑战性。由于池化是几乎所有流行的CNN架构的关键组件，因此必须确保这种信息损失不会影响性能。已经提出了一系列不同属性的池化方法（参见第II节）。
2023-11-08 19:43:01
317
原创 CVPR--Deformable ConvNets v2: More Deformable, Better Results 论文翻译
本文是对CVPR论文，Deformable ConvNets v2进行全文内容的文献翻译
2023-10-25 15:31:24
91
原创 ICCV--Dynamic Snake Convolution 论文翻译
本文主要对Dynamic Snake Convolution based on Topological Geometric Constraints forTubular Structure Segmentation这篇论文进行翻译。
2023-10-24 16:43:00
413
原创 ＜＜数值分析＞＞ 第五章 插值法
通过曲线上若干点，确定一条"简单的"与未知曲线"最接近"的曲线。简单的指多项式函数，最接近指最佳逼近。就是从指定的一类简单的函数中寻找一个和给定的函数“最贴近”的函数，从几何（空间）的角度看，函数最佳逼近就是从指定的一类简单的函数（点的集合）中寻找一个和给定的函数（定点）之间距离最短的函数（点）。函数空间中不同的距离度量确定了不同的逼近准则，不同的逼近准则定义了不同的函数最佳逼近。
2023-10-23 10:33:39
206
原创 ＜＜数值分析＞＞ 第四章 非线性方程组的数值解法
非线性方程组的数值解法，非线性现象广泛存在物质时间与社会生活，由于自然现象和实际问题的复杂性，无法求解出一般方程的准确解，因此很有必要进行数值解的研究，本文介绍非线性方程求根问题的数值方法。
2023-10-23 10:27:13
235
原创 YOLOV8改进-添加Dynamic Snake Convolution-动态蛇形卷积
ICCV 2023 | 动态蛇形卷积（Dynamic Snake Convolution）用于管状结构分割。能够完美添加到YOLOv8网络中，提高对细长目标的检测效果。
2023-10-18 15:35:10
4834
28
原创 YOLOV8进行resume接续训练
路径在ultralytics/yolo/engine/trainer.py。路径在ultralytics/yolo/engine/trainer.py。路径在ultralytics/yolo/engine/model.py中。修改train中模型的加载方式。01找到check_resume方法。03修改完整体的代码为。03替换为直接加载路径。03修改完整体的代码为。02 注释掉下面代码。
2023-10-12 20:42:36
1672
原创 模型训练-SSD模型
SSD（Single Shot MultiBox Detector）是一种用于目标检测的深度学习模型，它是一种快速、高效的检测算法，广泛应用于计算机视觉领域。SSD的主要特点是可以在单个前向传递中同时进行目标检测和定位，而无需额外的复杂步骤或多次前向传递。
2023-10-08 16:51:25
274
3
原创 YOLOV7断点接着训练
路径在runs/train/exp3。选取自己的最后的，将其中的last.pt复制到weights路径下。路径在train.py，加载最后的权重。
2023-10-08 15:42:09
744
2
原创 YOLOV8改进-添加动态ODConv
动态卷积的始祖是CondConv，其基于普通卷积改进。常规卷积只有一个静态卷积核且与输入样本无关，且会用到所有数据集上。此外，卷积神经网络的特点是，通过扩展宽度、深度、分辨率来提升网络模型的表现。在以往的注意力模型中，注意力主要是应用到特征图上。比如在特征图不同的通道上进行加权（SE Net），在特征图不同的空间位置加权（Spatial attention）。对于动态卷积来说，它对多个卷积核进行线性加权，而加权值则与输入有关，这就使得动态卷积具有输入依赖性。
2023-09-12 20:49:22
3199
45
原创 YOLOV8改进-添加EIOU,SIOU,AlphaIOU,FocalEIOU,WIOU.
本文介绍的是在yolov8模型上修改成其他的IOU包括EIOU,SIOU,AlphaIOU,FocalEIOU,WIOU.各种IOU需要自己测试才知道效果。
2023-08-17 10:07:42
3138
21
原创 python运行报错及解决
安装报错，Failed to build pycocotoolsERROR: Could not build wheels for pycocotools, which is required to install pyproject.toml-based projects，完美解决方案
2023-08-10 10:11:01
281
1
原创 YOLOV5改进-增加小目标的检测层，K-means聚类生成框
YOLOv5对于小目标检测效果不佳的原因之一是小目标样本尺寸较小，YOLOv5的下采样乘数较大。较深的特征图使得学习小目标的特征变得困难，因此本文提出添加小目标检测层来检测较浅的特征图。具体流程如图5所示。YOLOv5原本只对最后三个C3层进行特征预测，但由于小目标在连续下采样的过程中丢失了特征信息，导致小目标检测效果不理想。因此，我们添加了一层特征预测。新增的预测层下采样次数更少，小目标分辨率更高，有助于模型学习小目标的特征。
2023-08-09 14:49:37
2822
15
原创 YOLOV5改进-Focal-EIoU
回归通过确定(梯度信号)损失函数减小的方向，梯度是损失函数关于参数的导数，它表示了损失函数在参数空间中的变化率。损失函数是描述模型预测结果与真实标签（ground truth）之间的关系。通过计算损失函数对参数的梯度，我们可以确定梯度的方向，并沿着负梯度方向更新参数，使得损失函数逐步减小。回归loss主要有两种loss函数，ln-norm函数和IoU-based函数IoU-based函数中的四个loss。
2023-08-09 10:54:44
1140
原创 YOLOV5改进-loss-Optimal Transport Assignment(OTA)
OTA源于2021年cvpr的论文，我认为就是使训练和验证的标签有着更好的对应关系，01提出了一种基于优化策略的标签分配方式，通过最小化loss，让网络自己学习最优的标签分配方式。将真实标签(GT)看做标签(label)供应商，锚框(anchor ) 看做标签(label)的需求方。对于不同样本有不同的loss。对于正样本，将分类和回归的 loss 加权和作为传输loss。对于负样本，传输loss就为分类 loss。
2023-05-22 21:56:05
1335
原创 github获取语义分割目标检测模型及其依赖项的方法
首先在里面输入 git clone +空格+右键paste。在设定的文件夹中，右键，使用Git Bash Here。点击Download ZIP，保存到设定的文件夹。下载git并按照介绍安装就行。复制网站git结尾的代码。
2023-04-12 20:25:24
112
YoloV5（You Only Look Once Version 5）
2023-10-24
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人