weixin_46202235的博客

原创 蒙特卡洛算法用于枚举与可靠问题

原创 from apex import amp正确安装apex

运行代码如果显示apex相关报错，可考虑调整网络结构中出现的各种小问题~不需要换为cuda.amp的形式计算损失及优化。复制apex进入apex对应目录后建议直接运行setup.py，其他方法可能报错导致安装失败。首先创建合适python版本的anaconda环境。如果使用了该方法需要先卸载再安装。安装成功后退出apex当前路径。不要使用以下命令进行安装。

原创 Fusion from Decomposition：自监督分解的图像融合方法

另一种解决方案是放弃监督信息，仔细设计一些辅助损失,保持融合图像和源图像之间的一致性 或者利用定制的融合规则在一些预训练网络的语义bottleneck层进行融合(auto-encoder)(Fig. 1b) 尽管这些进步扩展了适用的场景，但它们仍然存在严重的缺陷：它们的性能严重依赖于人类对辅助损失和融合规则的知识。提出了一个统一且通用的图像融合框架，融合分解用于多个图像融合任务。为了获得源图像的有效表示，设计了基于共同和特有分解 (CUD) 的任务，以自监督的方式进行训练，并且适用于图像融合任务。

原创 Text-IF:利用语义文本引导面向退化感知和交互的图像融合

(2024).

原创 Anaconda常用命令

进入 anaconda 中 “project_name” 环境。退出当前环境 “project_name” 回到 （base)完全删除”project_name“整个空间。使用screen命令将程序置于后台运行。回到刚创建项目对应的session。安装对应的pytorch版本。以及代码所需要的其他依赖包。查看正在运行的screen。查看当前显卡占用状态。结束该项目，删除会话。

原创 STFuse:半监督迁移学习红外可见光图像融合

基于梯度信息迁移学习机制——引导监督知识迁移到无监督情境，促进共有知识的跨任务利用；CEM模块——用自注意力和相互注意力机制细化每个分支的特征，在提升互补特征建模整合的同时减少冗余信息产生。原因：为获取带有源图像互补信息（complementary information）的融合图像，IVIF缺少ground truth并依赖先验知识。解决方法：基于半监督迁移学习，借助MFIF任务的监督知识通过引导损失函数过滤特定任务的属性知识促进与IVIF交互任务。目标：从信息丰富的源域迁移知识到目标域。