阿玉婷子在学习-CSDN博客

原创 Conda创建虚拟环境以及包

1、Conda create -n lyt2、Conda activate lyt注意切换到bash基础环境！！才能正确激活！！具体有export PATH="~/anaconda3/bin/:$PATH"再source activate3、安装tensorflow-gpu框架，记得最后加版本号Conda installtensorflow - gpu 1.13.14、检验tensorflow-gpu框架是否可以用具体在网上去搜，tips：先进入python，再退出exit

2023-02-04 13:20:04 689

原创有监督的SAR变化检测公开数据集

OpenSAR支持导入各种SAR数据源，例如TerraSAR-X，RADARSAT 1/2，COSMO-SkyMed等。用户可以通过该平台搜索和查看SAR图像数据。OpenSAR支持注册各种算法，例如图像去噪，场景分类，目标检测，目标识别，变化检测等。用户可以通过该平台搜索，配置和执行这些算法，并且完整的测试报告也将提供给用户。开放式SAR图像管理和处理平台，用于SAR图像的读取，处理，可视化和算法测试。

2022-11-13 20:49:37 1029

原创 SA的空间注意力和通道注意力

包括空间注意力和通道注意力，目的是选择细粒度的重要像素点，是pixel级。：是 local 注意力，致力于搜索粗糙的潜在判别区域，它们是region级。一般来说对于同一像素点不同通道求均值，再经过一些卷积和上采样的运算得到spitial attention mask，空间特征每层像素点被赋予不同的权重。就是针对 N C H W 的每个C赋予权重。有BAM和CBAM两种代码方式，spitial attention 矩阵与channel attention矩阵相乘。

2022-10-25 20:46:09 6874

原创 Attention UNet

Attention UNet论文解析 - 知乎Attention UNet论文地址： https://arxiv.org/pdf/1804.03999.pdf 代码地址： https://github.com/ozan-oktay/Attention-Gated-NetworksAttention UNet在UNet中引入注意力机制，在对编码器每个分辨率上的特征与解…图像分割UNet系列------Attention Unet详解_gz7seven的博客-CSDN博客_attention unet。

2022-10-25 11:32:46 9863

原创注意力机制详解

让你在某一时刻将注意力放到某些事物上，而忽略另外的一些事物，这就是注意力机制（Attention Mechanism）。在深度学习领域，模型往往需要接收和处理大量的数据，然而在特定的某个时刻，往往只有少部分的某些数据是重要的，这种情况就非常适合Attention机制发光发热。

2022-10-24 22:12:42 4376

原创图像分割（语义分割）的局限以及解决方法

CNN作为最基础的框架，存在很多的问题：比如语义分割除了语义信息还需要细节信息，因此UNet等论文给出了解决方案。比如语义分割需要上下文信息，因此PSPNet、Deeplab系列、基于自注意力机制的一系列方法（Non-Local、DANet、CCNet等）等被提出来获取局部、多尺度乃至全局上下文。比如语义分割对于物体边缘的分割效果不理想，因此Gated-SCNN等方法也在着力解决这些问题。

2022-10-11 16:37:20 6949

原创实例分割：R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN

给定一张输入image找出objects可能存在的所有位置。用到的方法是。绿色的框表示Ground Truth, 红色的框为Selective Search提取的Region Proposal。即便红色的框被分类器识别为飞机，，那么这张图相当于没有正确的检测出飞机。如果我们能对红色的框进行微调，使得经过微调后的窗口跟Ground Truth 更接近，定位会更准确。。窗口一般使用四维向量(x,y,w,h)来表示，分别表示窗口的中心点坐标和宽高。

2022-09-22 21:58:04 850

转载实例分割笔记

实例分割（Instance Segmentation）是视觉经典四个任务中相对最难的一个，它既具备语义分割（Semantic Segmentation）的特点，需要做到像素层面上的分类，也具备目标检测（Object Detection）的一部分特点，即需要定位出不同实例，即使它们是同一种类。实例分割的研究长期以来都有着两条线，分别是自下而上的基于语义分割的方法和自上而下的基于检测的方法，这两种方法。

2022-09-22 09:39:47 825

原创 Lee滤波和Refine-Lee滤波

Lee滤波是选择一定长度的窗口作为局部区域，利用图像局部统计特性进行SAR图像斑点滤波的典型方法。其是基于完全发育的斑点噪声模型。（图像上斑点处于均匀区域，且斑点噪声与图像信号不相关）根据试验研究表明完全发育的相干噪声是一种乘性噪声，即有(k,l)是图像像素的坐标，I(k,l)是实际得到的图强强度（含有噪声），x(k,l)是一个平稳随机过程，描述了原始信号，v(k,l)即为相干斑噪声，它是一个均值为1，方差为的平稳白噪声。乘性相干斑模型如下：噪声抑制的两个关键环节：一是建立真实后向散射系数的估计机制，二是制

2022-06-13 16:04:22 4759

原创 Mobile-Unet

用Mobile-Unet网络来进行肺结节图像分割。该方法为了兼顾识别精度和计算效率，采用轻量型MobileNetV3网络作为主干网络，以实现深层特征提取，结合Unet网络来提高整体的分割性能。MobileNetV3网络为解决现实场景应用中计算能力受限而专门设计，具有参数量少、速度快、深度适中等优势，常作为主干网络应用于医学图像分割任务。其中主干网络选用MobileNetV3轻量级网络，任务网络为常用的Unet网络，网络结构如图4。首先，将MobileNetV3中bneck模块移植到Unet网络的编码部分

2022-06-13 11:18:04 3522 3

原创 U-Net++

U-Net++是亚利桑那州立大学在读博士生周纵苇于2018年发表的论文，是以U-Net为基础进行魔改的网络结构，结构相当之有趣。为了减少语义差别，U-Net++在U-Net的直接连接的基础之上增加了类似于Dense结构的卷积层，并融合了下一阶段卷积的特征。在每个阶段都应用于上述策略，则可以得到完整的U-Net++结构。多分支网络，每个分支都有其对应的loss函数，然后全局的loss由分支的损失函数加权累加而成。而完整的U-Net++网络中的loss就是将以上四个小网络的loss进行叠加。这样等同于同时训练

2022-06-13 09:23:17 1706

原创 FCM和Threshold

模糊聚类是目前知识发现以及模式识别等诸多领域中的重要研究分支之一。模糊C–均值聚类(FCM)是目前比较流行的一种聚类方法。该方法使用了在欧几里得空间确定数据点的几何贴近度的概念，它将这些数据分配到不同的聚类，然后确定这些聚类之间的距离。FCM算法是一种基于划分的聚类算法，它的思想就是使得被划分到同一簇的对象之间相似度最大，而不同簇之间的相似度最小。模糊C均值算法是普通C均值算法的改进，普通C均值算法对于数据的划分是硬性的，而FCM则是一种柔性的模糊划分。与FCM类似，K-Means算法是一种无监督的学习算法

2022-06-07 17:03:13 307

原创 U-Net介绍

Unet 发表于 2015 年，属于 FCN 的一种变体。Unet 的初衷是为了解决生物医学图像的问题，由于效果确实很好后来也被广泛的应用在语义分割的各个方向，如卫星图像分割，工业瑕疵检测等。 Unet 跟 FCN 都是 Encoder-Decoder 结构，结构简单但很有效。 Unet主要可分为三部分来看分别为左（特征提取），中（拼接），右（上采样） Upsampling 上采样常用的方式有两种：1.FCN 中介绍的反卷积；2. 插值。1、反卷积：①卷积后，结果图像比原图小：称之为valid卷积②卷积后

2022-06-07 15:36:24 21888 2

原创 FCN全卷积神经网络

该网络在前面两步跟CNN的结构是一样的，但是在CNN网络Flatten的时候，FCN网络将之换成了一个卷积核size为5x5，输出通道为50的卷积层，之后的全连接层都换成了1x1的卷积层。我们知道1x1的卷积其实就相当于全连接操作传统的基于CNN的分割方法：为了对一个像素分类，使用该像素周围的一个图像块作为CNN的输入，用于训练与预测，这种方法主要有几个缺点：1）存储开销大，例如，对每个像素使用15 * 15的图像块，然后不断滑动窗口，将图像块输入到CNN中进行类别判断，因此，需要的存储空间随滑动窗口的次数

2022-06-07 10:24:04 1178

原创 GPU集群平台使用

一、登录的IP地址、端口用户名和密码由管理员在每个课题组分配一个。（等老师通知，用户手册后面群发）二、Conda环境配置和激活通用包管理，该集群平台有Conda，但是最好在自己的Home目录装Conda（训练好的代码方便打包带走），注意用的时候激活环境。三、Slurm调度系统概念：集群、节点、队列（分区）。机制：作业先交给调度器再分配给服务器计算。注意：一块卡一般一个GPU；一般情况下一个人占用一块卡，如果有特殊情况向管理员申请；所有的GPU只能供几个人同时...

2022-05-30 16:24:25 1208

原创常见的几种深度学习网络

1、径向基函数神经网络（RBF NN）RBF NN属于前向型神经网络，理论上可以任意精度逼近任意连续函数，适合解决分类问题。径向基函数（RBF）：某种沿径向对称的标量函数，通常定义为空间中某点到另外一个中心点的欧氏距离的单调函数，其特点为，如果某点离中心点距离较远，则函数取值很小。用RBF作为单元的“基”构成隐含层空间，即可将输入矢量直接（即不需要通过权连接）映射到隐空间，低维空间不可分的数据到了高维空间会更有可能变得可分。隐层的功能就是将低维空间的输入通过非线性函数映射到一个高维空间，然后再在

2022-05-24 20:03:57 11127

原创【目标检测】FPN(Feature Pyramid Network)

【目标检测】FPN(Feature Pyramid Network) - 知乎Feature pyramid network是CVPR2017年的一篇文章，它在目标检测中融入了特征金字塔，提高了目标检测的准确率，尤其体现在小物体的检测上。 1. 动机(Motivation)识别不同尺寸的物体是目标检测中的一个基本挑战，而…https://zhuanlan.zhihu.com/p/62604038Feature pyramid network是CVPR2017年的一篇文章，它在目标检测中融入了特征金字塔，提高

2022-05-12 13:02:12 510

weixin_46720482的博客

原创 Conda创建虚拟环境以及包

原创有监督的SAR变化检测公开数据集

原创 SA的空间注意力和通道注意力

原创 Attention UNet

原创注意力机制详解

原创图像分割（语义分割）的局限以及解决方法

原创实例分割：R-CNN、Fast R-CNN、Faster R-CNN、Mask R-CNN

转载实例分割笔记

原创 Lee滤波和Refine-Lee滤波

原创 Mobile-Unet

原创 U-Net++

原创 FCM和Threshold

原创 U-Net介绍

原创 FCN全卷积神经网络

原创 GPU集群平台使用

原创常见的几种深度学习网络

原创【目标检测】FPN(Feature Pyramid Network)

原创卷积神经网络CNN详解

原创用易康对遥感影像进行面向对象分类

原创 Tensorflow教程

原创 Linux深度学习框架安装

原创利用ENVI深度学习进行遥感变化监测

原创真实孔径雷达和合成孔径雷达的区别

原创 GIS中的坐标系

Lee滤波和Refine-Lee滤波实验

空空如也