- 博客(31)
- 收藏
- 关注
RSS订阅原创 Pytorch搭建CNN进行图像分类
PyTorch是一个开源的Python机器学习库，2017年1月，由Facebook人工智能研究院（FAIR）基于Torch推出。最近抽出时间来亲身实践一下用PyTorch搭建一个简单的卷积神经网络进行图像分类。全流程主要分为数据读取与处理、训练和测试三个部分。
2022-04-20 15:47:12
10958
5
原创 读论文随笔之简单谈谈PINNs
我们如何解决预测问题在很多实际的工程问题中，我们经常会碰到很多预测问题，而当这些预测问题与时间和空间相关时，他们往往会与偏微分方程（PDE）相关，比如台风预报、河流流速流量预测等等。一般来说，主流的求解偏微分方程问题的手段大多采用有限元法。百度百科上给出的定义是：在数学中，有限元法（FEM，Finite Element Method）是一种为求解偏微分方程边值问题近似解的数值技术。求解时对整个问题区域进行分解，每个子区域都成为简单的部分，这种简单部分就称作有限元。在这段描述中，我们可以发现，有限元
2022-03-15 16:15:01
2167
原创 高光谱目标检测论文学习（6）—— Bayesian Constrained Energy Minimization for Hyperspectral Target Detection
前言之前我们我们学习了HCEM和ECEM两种CEM的改进方法，这两种方法的相同点是都考虑了实际情况，加入了非线性检测的部分，从而提升了检测性能，不同的是一个主要是采用分层迭代的思想，一个采用集成学习、级联检测的思想。在这一篇文章中我们重点介绍一种新的方法BCEM，这是一种利用贝叶斯的思想去优化改进目标光谱，从而达到提升检测性能的目的。思路回顾我们之前提过的几种CEM变种方法，他们都是默认给定的目标光谱是准确的，而对实际高光谱图像来说，给定的目标光谱不一定就是完全精准且适合这张图像的目标光谱。导致这种
2022-02-23 09:17:07
2153
1
原创 高光谱目标检测论文学习（5）—— Ensemble-Based Cascaded CEM for HTD
前言上一篇我们学习的对CEM进行改进的方法是多层串联（HCEM），这种方法的本质是进行多次迭代来增加精度并使用了非线性处理来贴合真实世界情况。CEM作为一种检测器，其与分类器在很大程度上是极其相似的，而随着机器学习的兴起，集成学习成为提升分类器性能的一大重要方法。本文便是利用了集成学习的思想去对CEM进行改进，并借鉴了hCEM加入非线性处理的思想进一步贴合真实世界情况。思路CEM是一种当目标先验知识部分已知时进行目标检测的方法，本质上是一个使输出能量最小的线性滤波器。这里需要注意的是，CEM仍然是线性
2022-01-26 11:41:40
2918
原创 高光谱目标检测论文学习（4）——Hierarchical Suppression Method for Hyperspectral Target Detection
前言这篇论文是一篇稍微老一点的论文，发表于TGRS2016，主要讲了一种对CEM的改进方法，也是一篇基本思路比较简单的顶会论文。主要想通过这篇论文体会一下如何对现有经典方法进行改进。思路我们首先来回忆一下之前学过的一些高光谱目标检测方法。我们在这个系列中的前几篇文章中已经了解了很多可以用于高光谱目标检测的方法了，比如MF、ACE、AMF、ASD、OSP、CEM等等，这些方法如果给他们分个类的话，大概可以分成三类。第一类是把目标检测问题转化为假设检验问题，然后使用一些现有的检测准则进行检测（如似然比等
2021-12-08 11:22:52
3616
1
原创 高光谱目标检测论文学习（3）——An Effective Evaluation Tool for Hyperspectral Target Detection: 3D ROC Analysis
前言这篇文章是这个系列的第三篇，论文还是与前两篇同一作者。前面我们主要讲了一些目标检测的方法，比如第一篇里我们总结了基于LRT、基于SNR和基于SA的三类方法，在第二篇中我们聚焦混合像素图像的目标检测问题，对一种经典的方法OSP进行改进。只有方法还不是全部，我们还需要了解，用什么指标去衡量这些方法的性能。在前两篇文章中，我们都提到了3D-ROC这个用来进行评估的工具，这一篇就来重点看看这个工具。如果只是想简单了解本文，可以只看思路部分。思路ROC的全名叫做Receiver Operating Char
2021-12-03 17:02:49
2436
4
原创 高光谱目标检测论文学习（2）——OSP Using Data Sphering and LRaSMD for HTD
前言这篇论文的原题目叫《Orthogonal Subspace Projection Using Data Sphering and Low-Rank and Sparse Matrix Decomposition for Hyperspectral Target Detection》，与高光谱系列（1）中的论文出自同一作者。这篇论文主要是对高光谱目标检测领域一个非常经典而著名的方法OSP（正交子空间投影）进行了改进，和上篇文章的方法内容有相似之处。思路我们知道OSP方法是一种非常经典的高光谱目标检测
2021-11-27 20:25:17
3543
原创 高光谱目标检测论文学习（1）—— Hyperspectral Target Detection:Hypothesis Testing,SNR and SA Theories
前言从这篇开始，将会学习一些高光谱目标检测的论文，我仍然把这篇文章放到了读论文专栏里，但是不对其进行顺序编号了，因为这个方向是比较小众的。今天来学习这篇TGRS2021的最新论文，讲的比较详细，相对比较适合初学者入门。我之前也写过一些有关目标检测的论文，但是高光谱目标检测（HTD）和之前的我们学的目标检测是不同的，因为其检测的对象不是普通摄像头得来的数字图像，而是高光谱遥感图像。其包含了很多光谱信息，而光谱信息本身经过处理后就可以作为特征，因此很多情况下就无需使用广义的目标检测问题中的卷积神经网络等方式去
2021-11-24 21:12:06
5511
原创 读论文（9）——BorderDet
前言我们在上篇聊了FCOS这个方法，指出了anchor-free方法的可能性与有效性，今天聊的这个方法算是对FCOS的一个补丁。这个方法是为了解决类似SSD、FCOS、RetinaNet这些用点特征进行检测的模型对特征表示不完备而导致位置信息缺失的问题而提出的。原论文题目为《BorderDet: Border Feature for Dense Object Detection》。思路我们之前在研究目标检测时，都没有提过“特征表示”这个问题，也就是说，怎么样选特征、怎么样增强特征能让特征发挥最大的作用
2021-11-10 22:52:03
462
原创 读论文（8）——FCOS
前言我们在上一篇论文中已经介绍了一种anchor-free（即抛弃掉anchor进行目标检测）的思路，也就是通过检测关键点来定位目标，用关键点去描述目标。这种思路我们一般称之为基于keypoint的anchor-free方法，除了我们上次介绍的CenterNet（检测边界框的中心点） 以外还有 CornerNet（检测边界框的左上角和右下角的关键点）、ExtremeNet（检测边界框的四个角的关键点） 等。这一次我们来介绍另一种思路，称为基于segmentation的anchor-free方法。这种方法和
2021-11-09 20:39:24
3541
原创 读论文（6）——RetinaNet（focal loss）
前言原论文题目是《Focal Loss for Dense Object Detection》。这篇文章主要是介绍了一种特殊的损失函数Focal
2021-11-02 22:05:37
708
原创 2021年通信工程保研经历与经验分享（下）
上篇主要是分享了山大和北邮的一些保研经历，下面接着谈谈我的剩下几个学校的保研报名经历。天大天津大学在推免招生方面是出了名的海王学校，如果有想报考天大的同学，请一定记住，通过学校的审核不是结束，一定要联系好导师并和导师进行接受确认，也要一直和导师保持联系。天大的报名材料是给你一个word模板然后你把所有的材料都放到模板中在系统上上传，准备的材料也和其他学校大同小异。天大的夏令营我没有通过初审，但是预推免的第一批我通过了审核，进入了面试环节。天大的面试首先是准备一个四分钟左右的ppt介绍，然后是老师提问。p
2021-10-30 15:21:33
945
4
原创 2021年通信工程保研经历与经验分享（上）
先简单介绍下自己的基本情况中下档211，rank2/97，无论文，一项校级大创，若干竞赛省奖（挑战杯、数学建模等），六级530+夏令营报名：中科大（未入）、复旦（未入）、北交（未入）、山大、北邮、东南（未入）、哈工大（入营但未去）预推免报名：天大、北航最终去向：北航写这篇的目的是为了记录一下2021保研的历程给自己留下一个纪念，也记录一下我报名的各个学校的考核方式给后辈们留下一点参考，如有不妥之处或有问题想咨询，欢迎私信。前期的尝试我最早报名的一个学校是中科大，因为他是系统开的最早、通知发的最
2021-10-30 15:21:05
1557
原创 读论文（5）——DETR
前言我们前面学习了这么多目标检测方面的文章，没有一个方法是完完全全能够实现端到端检测，无任何人为引入、手工设计的先验知识的方法，我们十分渴望能出现一个端到端的方法，且这个方法在性能上是可用的。CV领域的方法似乎已经被我们翻了个底朝天了，那么我们能不能从别的领域找灵感呢？DETR就是一个从NLP领域找到解决思路的方法。原论文题目为《End-to-End Object Detection with Transformers》，从题目中就可以看出，本文借鉴了Transformer这个方法实现了端到端的目标检测
2021-10-29 17:26:11
1046
1
原创 读论文（4）——FPN
前言原论文名称为《Feature Pyramid Networks for Object Detection》，是一篇多尺度目标检测的经典论文。之前在SSD的论文解读中提到，SSD使用了不同卷积层的feature map来进行多尺度检测。这个方法其实非常巧妙，因为不同层的输出结果中其实就隐含了不同尺度的信息，而且这种方式不会增加额外的计算量，相比之前对图像做多尺度的变换（图像金字塔）之后再分别进行检测计算量和内存开销都要小很多。FPN就是受到了SSD的启发诞生的一种对于多尺度检测更加完备、更加高效的方法，
2021-10-28 14:03:28
2418
原创 读论文（3）——SSD
前言原文名称《SSD:Single Shot MultiBox Detector》，也是一个十分经典的单阶段目标检测方法。从时间上看，这篇论文在YOLO v1之后，YOLO v2之前。因此其实在学完YOLO的三篇论文之后再看这个的顺序其实不太好，因为个人感觉YOLO v2和v3很大程度上SSD的一些东西拿过去又缝补到了YOLO上，这样就没法让我在读SSD时有很惊艳的感觉——因为很多东西感觉似曾相识。但是这样的好处是可以更好地理解这些共同点的有用之处——毕竟在两种方法上都能取得很好的效果。...
2021-10-23 15:38:53
1236
原创 读论文（2）——YOLO原作者本人的后续改进
前言YOLO发表一年后，论文作者提出YOLO的改进版YOLO v2和YOLO9000，之后又提出YOLO v3，随后便宣布退出计算机视觉的研究领域，现在我们看到的YOLO v4和v5版本都是其他人进行更新的。本文主要简单写写对v2和v3版本论文的一些理解，然后如果之后有时间再去研究v4和v5版本。YOLO v2与YOLO9000原始论文题目为《YOLO9000：Better，Faster，Stronger》，这个在arxiv和IEEE explore中都能找到。从题目中就可以看出，作者写v2的目的就是
2021-10-21 15:56:13
832
原创 读论文（1）——YOLO v1
前言这是一篇目标检测领域极其经典的文章，YOLO这个框架甚至很多不搞cv的同学都听说过它的鼎鼎大名。本人也是暑假里接触到了这个方法并实操了一个与其有关的实时视频目标检测项目，当时仅仅是做出了结果而没有深刻了解其内涵，趁现在有空来记录一下自己学习原始论文的心得体会。原文应该是可以在arxiv上下载，论文题目《You Only Look Once：Unified，Real-Time Object Detection》特点与思想YOLO全称是You Only Look Once，意为你只需看一眼，这个名字
2021-10-19 22:32:29
766
原创 Image-Downloader安装过程的一些注释与踩坑记录
Image-Downloader是一个有GUI的爬虫项目，主要用于图片爬取先上安装地址https://github.com/sczhengyabin/Image-Downloader这是他官方给出的安装步骤，注意的一点是：3.2中的版本要适配你的chrome浏览器版本，chrome版本可以在设置—关于chorme中查看，然后在网站上下载对应版本的驱动就可以了，我是94版本+Windows操作系统，因此在网站上下载94版本+win的驱动程序。3.3中网友们建议下载2.1.1版本，不要下载2.
2021-10-15 11:13:50
4212
7
原创 机器学习实战（2）——支持向量机解决手写体数字识别问题
支持向量分类器上回我们用线性分类器找到的是某一种可能的分类方式，这一回的支持向量机则是用来在这些可能的线性分类器寻找一个最优的分类方式，而寻找最优的依据就是“支持向量”，对这个模型的思想我们可以简单的理解为：以二分类为例找一条直线（一个超平面）使得两边的数据点到它的距离之和最短。当然我上面的阐述并不准确，关于支持向量机严格的理解与介绍可以见这位博主的文章：https://blog.csdn.net/sinat_20177327/article/details/79729551数据读取与分析这次采用
2021-03-22 09:23:59
3227
原创 机器学习实战（1）——线性分类器+Logistic回归解决良/恶性乳腺癌肿瘤预测问题
线性分类器+Logistic回归解决良/恶性乳腺癌肿瘤预测问题理论分析线性分类器Logistic回归数据分析代码分析导入数据分割数据完整代码理论分析线性分类器Logistic回归数据分析代码分析导入数据分割数据完整代码...
2021-03-15 09:19:17
1744
4
原创 从零开始的Hadoop（1）——CentOS系统中Hadoop伪分布式集群环境的搭建
Hadoop伪分布式集群环境的搭建CentOS系统的安装与配置准备工作关闭防火墙和禁用SELINUX配置hostname与IP地址之间的对应关系创建用户和用户组JDK的安装利用XShell建立连接、上传文件JDK的安装与配置Hadoop伪分布式集群的安装配置上传文件与解压修改配置文件最后的工作与检测运行成果本文由UPC《云计算技术与应用》课程的实验报告修改而来，文章对于原理性知识并未深究讲解，仅以无错误完成安装任务为目的，欢迎各位大佬批评指正，如有问题请在评论区留言。如需转载请提前联系我。本文用到的文件
2021-02-22 21:23:17
2391
原创 手把手Python3爬虫实战（1）——requests与Beautifulsoup的使用之爬虫获取豆瓣电影top250
requests与Beautifulsoup的使用之爬虫获取豆瓣电影top250requests与Beautifulsoup简介安装功能简介本次的任务爬虫前的准备——网页分析具体代码一步步分析初级完整版——只访问一页最终完整版——多页连续访问并写入txt本文适合稍微有一点基础的用户，在阅读本文前，你至少需要大致了解：（1）python的基本语法（2）python库的pip安装（3）HTML标签相关本文选用的python IDE为pycharm，python和pycharm的安装不在此文赘述。re
2021-02-14 19:58:04
2074
12
原创 通信原理释疑（4）——第4章 信道
1.调制信道、编码信道（1）调制信道中传输的是已调信号，可以是模拟的，也可以是数字的。调制信道中不包含调制器和解调器，即其从调制器的输出端开始到解调器的输入端结束。（2）编码信道中传输的是编码后的数字信号，除了包含调制信道外可能还包含调制器和解调器。即其从编码器的输出端开始到解码器的输入端结束。2.加性、乘性加性干扰是叠加在信号上的噪声，是独立于信号而始终存在的。乘性干扰是由于信道特性不理想导致的，与信号“共存共失”。3.幅频失真、相频失真对于恒参信道，其传输特性为：H(ω)=∣H(ω)∣e
2020-11-24 23:19:18
3935
1
原创 卷积神经网络CNN的四大关键技术（个人理解）
本文仅是自己的理解与认识，有不正确、不严谨之处欢迎大佬们批评指正！今天在学习卷积神经网络时发现这样一句话：卷积神经网络使用局部连接、权值共享、多卷积核以及池化四个关键技术，教材上对这四大技术的讲解也不是很明了，查阅资料后大致有了自己的理解的认识，在此记录一下。除了多卷积核，其他三大关键技术的目的都是为了减少参数量，简化模型的训练同时防止模型过拟合，只不过采取的手段和依靠的原理不同。而多卷积核则是为了让特征提取的更加充分，提高模型的准确度。首先，局部连接是输入层到隐层之间的参数简化。受到生物学的启发，每
2020-11-07 16:05:57
6134
原创 通信原理释疑（1）——第1章 绪论
1.模拟信号、数字信号、离散信号、连续信号连续时间信号：在时间轴上的取值是连续的信号。离散时间信号：在时间轴上的取值是离散的信号。两者的区别在于时间轴的取值是否连续。模拟信号：载荷消息的信号参量取值是连续（不可数、无穷多）的，这里连续的含义是指信号载荷的消息的参量连续变化，在某一取值范围内可以取无穷多个值，而不一定在时间上也连续， 比如未经量化的采样信号就是一种模拟信号。数字信号：载荷消息的信号参量只有有限个取值，这个参量不仅仅是指信号的幅值，还可以是信号的频率、相位，但绝对不是时间，也就是说数字
2020-11-05 17:05:14
926
原创 EDA——连续0或连续1序列检测的有限状态机（FSM）实现
连续0或连续1序列检测的FSM实现问题描述问题分析实现代码测试代码问题描述参考实例代码，设计一个4连续0或者4个连续1的序列检测 FSM，定义一个长序列，在七段管上分别显示检测的4个连续0和4个连续1的个数。连续0和连续1的个数在七段管上的显示，分别用函数和任务实现。问题分析实现代码测试代码...
2020-11-01 13:47:33
2073
原创 解决虚拟机中CentOS终端显示乱码的问题（手把手教学）
问题发现在验证防火墙是否关闭时，发现提示信息出现了乱码，情况如下图所示:回顾之前的系统配置过程，推测是中文问题导致的乱码。安装过程回顾之前在虚拟机上安装CentOS系统时，使用了LANG="zh_CN.UTF-8"命令更改语言为中文。但是重启后发现系统的图形化界面空空如也，再次重启后通过用户登录界面下下方的语言选择栏（如下图）改成英文后就出现了部分提示信息乱码的问题。安装过程回顾我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新
2020-10-30 18:35:15
6454
4
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人