茴香豆的茴

摘要： 问题描述： 在Windows系统中，pip install triton时会报错： ERROR: Could not find a version that satisfies the requirement triton (from versions: none) ERROR: No matchi 阅读全文

摘要： 本文首先在D盘创建了虚拟环境，然后在虚拟环境中安装了PyTorch，最后配置了pycharm的解释器。 阅读全文

摘要： 在使用Qt 6.6.0时，printf()中出现中文时，输出可能会出现乱码，本文解决了这一问题。 阅读全文

摘要： 为了解决目前方法的 2 个问题：1. 将多级特征融合和边界引导视为两个独立的任务，导致了次优解。2. 无法准确地聚合长程上下文线索。提出了 2 个模块 1 个损失函数：边界指导多级特征融合模块、基于通道相关性的空间语义上下文聚合模块、基于几何相似性的边界损失函数。数据集： ISPRS Vaihingen 和高分二号。 阅读全文

摘要： 本文介绍了注意力机制的本质。从一个简单的引例开始，首先介绍了一维情况的注意力机制。进一步地，推广到多维情况的注意力机制。最后，介绍了自注意力机制。本文举的例子简单易懂，公式推导清晰明了。 阅读全文

摘要： 本文在 PyTorch 框架下搭建了 AlexNet ，并在 CIFAR10 上完成了图片分类。同时，更正了一些原论文中的小错误（如：输入图像尺寸）。由于 CIFAR10 没有验证集，本文将训练集的 10% 当作验证集。 阅读全文

摘要： 本文介绍了如何从0开始构建 LeNet5 去识别手写数字（在MNIST数据集上）。代码包括三大部分：网络结构部分、训练部分、测试部分。在编LeNet5部分代码之前，本文详细地梳理了LeNet5的结构，对于初学者十分友好。训练和测试部分也都有详细的代码说明。 阅读全文

摘要： 本文在AutoDL提供的JupyterLab中配置了深度学习环境。首先创建了base环境，然后创建了自己的环境（命名为x9py38），并在x9py38环境中安装了一些深度学习包，具体包括PyTorch、jupyter d2l和ipykernel。 阅读全文

摘要： 高分遥感图像面临三大问题：尺度变化、较大的背景类内变化、前景-背景不平衡。通用的语义分割方法只关注尺度变化，忽略假警报和前景-背景不平衡。针对这些问题Zhou等人提出了FarSeg++. 具体而言，从关系的角度出发，提出了前景-场景关系模块；从优化的角度出发，提出了前景感知优化；从对象性的角度出发，提出了前景感知解码器。 阅读全文

摘要： 作者: Yansheng Li 发表年代: 2023 使用的方法: 无监督领域自适应(UDA)、GAN、ClassMix、边界增强 来源: IEEE TGRS 方向: 语义分割 期刊层次: CCF B；工程技术1区；IF 8.2 文献链接： https://doi.org/10.1109/TGRS. 阅读全文