研一下学习笔记
第一周 第二周
Screen
screen -S session_name # 新建一个叫session_name的session
screen -ls（或者screen -list） # 列出当前所有的session
# 回到session_name这个session
screen -d session_name # 远程detach某个session
screen -d -r session_name # 结束当前session并回到session_name这个session
ctrl-a x # 锁住当前的shell window，需用用户密码解锁
ctrl-a d # detach，暂时离开当前session，将当前 screen session 转到后台执行，并会返回没进 screen 时的状态，此时在 screen session 里，每个shell client内运行的 process (无论是前台/后台)都在继续执行，即使 logout 也不影响
ctrl-a z # 把当前session放到后台执行，用 shell 的 fg 命令则可回去。
使用screen -r session_name出现There is no screen to be resumed matching错误：
因为意外断网导致的无法打开（1个screen无法同时打开2次），使用screen -d session_name 再重新连接。
powershell激活conda失败
方法一：使用conda激活powershell
https://blog.csdn.net/z_dmsd/article/details/107394983
方法二：让vscode使用cmd作为命令行
什么可以质疑，什么不能质疑
除了质疑这件事本身，别的东西都可以质疑。
算法优化与高质量训练图之间的平衡
高质量的深度图仍然是稀缺的 ，可能导致深度学习模型得到次优解。
——JLDCF CVPR 2020
我们已经有了更好的训练、测试集（COME15K、ReDWeb-S）我们仍然只用（NJUD、NLPR）去训练吗？（这里更好，指的是深度图成像更准确，不单指像素更高）
用更好的训练集，得到更优秀的模型。训练集的提升，能为模型性能的提升带来多大的帮助，模型的改善能通过评测指标进行量化，训练集质量的提升，能够量化吗？用高质量训练集训练出来的模型会对低质量图集不敏感吗？（只做实验，得出量化结论能发论文吗？）
以下可用在消融实验中（得花多少GPU小时啊）：
- 如何量化训练集图片质量（使用基础模型进行校验，基础模型表现越好，说明图片质量越高）
- 训练图片越多越好吗？什么时候到达极限？分批次进行试验？
天马行空
JLDCF
联合学习和密集协作融合
其动机是，尽管深度图和RGB图来自不同的模态，它们却具有相似的显著性特征/线索，如：强烈的前景-背景对比[58],[59],[60]、物体轮廓闭合性[61],[62]和与图像边界的连通性[63],[64]。这使得跨模态迁移成为可能，即使对深度学习模型亦是如此。
将一张深度图视为彩色图的特例并用一个共享CNN进行RGB和深度特征的提取。
ViT
将一张图片分割成无数（16×16）patch，然后拉平送进Transformers （存疑，机械划分patch未尝不是对语义的打乱？（
不然呢？还能先分割成语义再送进去？鸡生蛋？））Transformer中的attention，具备着不同特征空间(multi-head)以及全局范围(non-local)的特征聚合能力，确实适合多模特征表达的对齐和融合。虽然它不是多模态任务的唯一解，但确是目前十分重要的技术方案。https://www.zhihu.com/question/441073210
结合 JLDCF 和 ViT
将rgb图中某些patch随机替换成depth的，是否会有效果？
（注意：Transformer中提到多模态融合往往指的是图文匹配）
图文匹配内容是否能用到rgbd融合中？
Segformer
SegFormer，是一个简单、高效而强大的语义分割框架，将 Transformers 与轻量级多层感知（MLP）解码器统一起来。
它有两个吸引人的特点：
1、SegFormer 包括一个新颖的分层结构 Transformer 编码器，输出多尺度的特征。它不需要位置编码，从而避免了位置编码的插值，这种插值在测试分辨率与训练不同时会导致性能下降。
2、SegFormer 避免了复杂的解码器。所提出的 MLP 解码器聚合了来自不同层的信息，从而结合了局部注意和全局注意，呈现出强大的表征。
并证明这些简单和轻量级的设计是在 Transformers 上进行高效分割的关键。
作者又对它进行的扩展，得到了从 SegFormer-B0 到 SegFormer-B5 的一系列模型，达到了比以前的同类方法明显更好的性能和效率。
例如，SegFormer-B4 在 ADE20K 上实现了 50.3% 的mIoU，参数为 64M，比之前的最佳方法小 5 倍，好 2.2%。其中最好的模型，SegFormer-B5，在Cityscapes 验证集上实现了 84.0% 的 mIoU，并在 Cityscapes-C 上显示了出色的 zero-shot robustness（零照度）。
作者 | Enze Xie, Wenhai Wang, Zhiding Yu, Anima Anandkumar, Jose M. Alvarez, Ping Luo
单位 | 香港大学；南京大学；英伟达；加州理工学院
VAN 清华&南开
https://zhuanlan.zhihu.com/p/470850053
第三周
双显卡校园网环境不能使用PVE
使用PVE创建两个虚拟机分别显卡直通，需要修改grub
修改grub之后，物理机便不会再显示ip，也无法登录操作
校园网环境中，如果ip发生变化，将无法进行页面访问。。。
https://www.bilibili.com/video/av549831645 32:45
（前置路由器或许可以解决？）
浙公网安备 33010602011771号