- 博客(237)
- 资源 (22)
- 问答 (6)
- 收藏
- 关注
RSS订阅原创 基于循环神经网络长短时记忆(RNN-LSTM)的大豆土壤水分预测模型的建立
递归神经网络(RNN)在处理时序数据(如时间序列数据)时是非常有效的。然而，早期的神经网络由简单的算法组成，在训练过程中不断遇到梯度消失等问题;这导致RNNs缺乏实用性的长序列。为此，提出了长短时记忆方法(LSTM)来解决长序列的消失梯度问题。为了解决斜坡的拥塞和消光问题，LSTM增加了一个步骤，决定移动到下一个时间点时是否传递隐含层处理过的结果值;即通过每个栅极打开或关闭输入和输出，通过解决斜坡拥挤和消光问题来补充长期依赖关系。
2023-12-16 23:49:50
693
1
原创 CUDA kernel errors might be asynchronously reported at some other API call, so the stacktrace below
*解决：**在运行代码最上面加上这几句。
2023-12-04 10:59:16
830
原创 YOLOv8如何输出COCO指标
3、将自己的YOLO格式数据集和标签转化为json格式,类别也需要改一下，下面只需要修改图片路径和你的标签路径就行，然后保存路径也可以改改。2、再正常python val --各种参数 --save_json=True，这一步的作用是要生成自己模型预测的json文件。4、修改你自己的数据集json文件和预测的json文件，就可以输出了。1、先正常python train 一个模型。5、生成结果图，实测可行。
2023-12-02 11:29:09
1312
7
原创 对 Vision Transformers 及其基于 CNN-Transformer 的变体的综述
Vision transformers已经成为卷积神经网络(CNNs)的可能替代品，在各种计算机视觉应用中很受欢迎。这些变形金刚能够专注于图像中的全局关系，提供了强大的学习能力。然而，它们可能会受到有限的泛化，因为它们不倾向于在图像中建模局部相关性。最近，在视觉变压器中出现了混合卷积运算和自我注意机制，以利用局部和全局图像表示。这些混合视觉变压器，也称为cnn -Transformer结构，在视觉应用中显示出了显著的效果。鉴于混合视觉变压器数量的迅速增长，对这些混合架构进行分类和解释已成为必要。
2023-12-01 22:01:03
768
1
原创 细粒度视觉分类的注意内核编码网络
在本文中，我们提出了一种新的深度学习体系结构，名为注意核编码网络(AKEN)，用于细粒度图像分类，如图2所示。AKEN将上一卷积层的特征特征图聚合为一个整体的特征表示。具体来说，我们建议应用傅里叶嵌入将特征特征图编码成图像的整体表示。傅里叶嵌入利用核函数强大的非线性学习能力，可以捕获更多有区别的特征进行分类，从而得到高质量的特征表示。图二。这是我们提出的注意核心编码网络(AKEN)的流程图。在对原始图像进行特征提取后，应用级联注意(Cas-Attention)模块对有区别的区域进行高亮显示。
2023-12-01 16:13:19
344
原创 EfficientViT：具有级联群体注意力的内存高效Transformer
不断提高的精度是以增加模型尺寸和计算开销为代价的。为了解决这个问题，在本文中，我们探索如何更快地使用视觉变压器，寻找设计高效变压器架构的原则。基于当前流行的视觉转换器DeiT[69]和Swin[44]，我们系统地分析了影响模型推理速度的三个主要因素，包括内存访问、计算冗余和参数使用。特别地，我们发现变压器模型的速度通常是内存限制的。换句话说，内存访问延迟阻碍了GPU/ cpu计算能力的充分利用[21,32,72]，从而对变压器运行速度产生了严重的负面影响[15,31]。
2023-11-27 22:42:43
361
原创 EfficientViT:高分辨率密集预测的多尺度线性注意
我们建议用轻量级 ReLU 线性注意力 [12] 代替低效的 softmax 注意力，以获得全局感受野。通过利用矩阵乘法的关联属性，ReLU 线性注意力可以将计算复杂度从二次降低到线性，同时保留功能。此外，它避免了像softmax这样的硬件效率低下的操作，使其更适合硬件部署。然而，由于缺乏局部信息提取和多尺度学习能力，单独的ReLU线性注意力能力有限。因此，我们提出通过卷积增强ReLU线性注意力，并引入多尺度线性注意力模块来解决ReLU线性注意力的容量限制。
2023-11-27 18:22:08
535
原创 Da-transunet:将空间和通道双重关注与Transformer u-net相结合用于医学图像分割
在本文中，我们创新性地提出了一种新的图像分割方法，该方法是在TransUNet的体系结构中将da块与Transformer集成在一起。针对特定图像位置和通道特征的da块被进一步集成到跳跃连接中，以提高模型的性能。我们的实验结果，经过广泛的消融研究的验证，表明模型的性能在不同的数据集，特别是Synapse数据集的显著改善。我们的研究揭示了da块在增强Transformer的特征提取能力和全局信息保持方面的潜力。数据块和Transformer的集成在不产生冗余的情况下，大大提高了模型的性能。
2023-11-24 16:46:51
1334
2
原创 邻里注意Transformer(CVPR2023）
我们提出邻居注意力(NA)，第一个有效和可伸缩的滑动窗口的视觉注意机制。NA是一种像素级的操作，将自我注意定位到最近的邻近像素上，因此与SA（自注意力）的二次复杂度相比，具有线性的时间和空间复杂度。与Swin Transformer的窗口自我注意(WSA)不同，滑动窗口模式允许NA的接受域在不需要额外像素位移的情况下增长，并保持平移均方差。
2023-11-13 15:27:51
523
原创 使用双动态令牌混合器学习全局和局部动态以进行视觉识别
感应偏置（Inductive bias）是指对学习任务的假设和推断进行约束或偏好的先验知识或假设。它是为了帮助学习算法在未见过的数据上做出合理的预测而引入的一种偏置。CNN假设输入的局部数据存在相关性。
2023-11-10 14:32:44
1049
1
原创 农业4.0中麦田的精确杂草检测:实现技术、方法和研究挑战的综述
杂草严重威胁着小麦的安全生产。它们是导致小麦产量和品质下降的重要因素。目前的麦田杂草防治方法主要依赖于化学防治。由于无法准确确定杂草的位置，导致农药使用过量，利用率低，造成严重污染。随着农艺操作向农业4.0的发展，麦田杂草控制技术也越来越精确和智能化。麦田杂草检测技术和方法为提高麦田除草的准确性和效率提供了基础。本研究首先综述了麦田中常见的杂草种类和分布规律，并对当前杂草检测技术和发展进行了深入分析。重点介绍了在麦田杂草检测中的光谱、图像、成像光谱、深度信息和多模态信息融合等方面的研究现状。
2023-11-09 22:23:48
332
原创 利用无人机图像进行大豆田杂草检测的实例分割方法
作物杂草检测是精确农业的一个新领域，它可以区分理想和不理想的作物。准确、高效的杂草检测与识别是精确杂草治理的基础。本研究提出一种结合可见颜色指数与基于编码器和解码器架构的实例分割方法的新方法。该方法解决了杂草和大豆作物密集分布中杂草的准确检测和分割的难题。色彩指数的设计是为了突出植物和土壤之间的对比，以减轻光照和背景的影响，而将ResNet101_v和DSASPP集成到编解码框架中，可以增强多尺度语义信息的提取能力，提高杂草patch边界分割的准确性。
2023-11-09 12:20:44
465
原创 精确杂草控制植物检测模型的改进推广
植物检测模型缺乏普遍性是阻碍实现自主杂草控制系统的主要挑战之一。本文研究了训练和测试数据集分布对植物检测模型泛化误差的影响，并使用增量训练来减小泛化误差。在本文中，我们使用YOLOv3目标探测器作为植物检测模型。为了训练模型并测试其泛化特性，我们使用了一个广泛的数据集，包括25个子数据集，采样自多个不同的地理区域、土壤类型、耕作条件，包含杂草、背景植被、相机质量和光照变化。
2023-11-09 11:05:17
544
原创 YOLOWeeds: 用于棉花生产系统中多类杂草检测的 YOLO 目标检测器的新基准
过度依赖除草剂控制杂草，加速了杂草的抗除草剂进化，引起了对环境、食品安全和人类健康的日益关注。自动化/机器人除草的机器视觉系统在实现综合的、可持续的除草管理方面得到了越来越多的关注。然而，在非结构化的田间环境和杂草生物多样性显著的情况下，开发可靠的杂草识别和检测系统仍然是一个严峻的挑战。解决这一挑战的一个很有前途的解决方案是，开发适合于种植系统的大规模、带有注释的杂草图像数据集，以及用于杂草检测的数据驱动AI(人工智能)模型。
2023-11-08 23:28:41
268
原创 基于高效多分支卷积神经网络的生长点精确检测与生态友好型除草
在本研究中，我们提出了一种基于编码器-解码器的双解码器分支卷积神经网络来检测杂草生长点。该解码器融合了空间注意力和通道注意力，并采用了一种新的激活门机制来控制注意力。我们还提出了一种简单而有效的策略来组合解码器分支的输出。在包含不同杂草生长阶段的野外数据集上对该方法进行了测试，并与基于点度量的最新方法进行了比较。结果表明，该方法优于现有方法，检测率为0.8505，精度为0.8641，漏检率为0.1391,RMSE为22.68,MAE为17.95。
2023-11-08 22:52:38
292
2
原创 利用改进的YOLOv5模型对玉米和杂草进行精准检测和精准喷洒
本文提出了一种基于改进yolov5s的轻量化模型，并构建了一种精密喷涂机器人。首先，采用基于品类平衡和农艺特征的数据增广方法解决了数据不平衡问题;然后，与yolov5s、yolov5l、yolov5m、yolov5x相比，我们发现yolov5s具有实时性和准确性，并且更容易将模型部署到边缘设备上。通过特征地图可视化实验，我们发现特征提取网络不能密切关注目标的重要特征，抑制噪声特征。因此，我们添加了注意机制。为了提高模型的实时性，我们设计了c3ghost -瓶颈模块。
2023-11-08 21:56:19
206
原创 基于显著性的无人机多光谱图像语义杂草检测与分类
杂草泛滥对农作物造成损害，限制了农业生产。传统的杂草控制方法依赖于农药，这需要劳动密集的做法。提出了利用多光谱图像进行杂草检测的各种方法。基于机器视觉的杂草检测方法需要提取大量的多光谱纹理特征，增加了计算量。度神经网络用于基于像素的杂草分类，但这些基于深度神经网络的杂草检测方法的缺点是需要大量的图像数据集进行网络训练，尤其对于多光谱图像，需要耗费大量的时间和资源。这些方法还需要一个基于图形处理器(GPU)的系统，因为计算成本很高。
2023-11-08 21:04:42
953
原创 基于高草压数据集和改进PSP网络的杂草密度检测方法
准确检测杂草密度对提高农药利用率、减少环境污染具有重要意义。本文的目的是将传统的图像处理技术与深度学习技术相结合，研究高胁迫杂草环境下杂草数据集的半监督标注和杂草密度检测方法。首先，本文利用作物数据集训练U-Net实现作物分割，并利用颜色指数和Otsu阈值分割算法实现植被分割。然后，通过从植被分割结果中去除作物区域来实现杂草分割，并将分割结果制成杂草数据集。使用该数据集训练改进的 PSP 网络并执行杂草分割。对获得的按区域分割的图像计算杂草像素数与该区域总像素数的比值来测量杂草密度。
2023-11-08 13:57:02
88
原创 visio如何设置上标与下标
选中要成为上标的文字，ctrl+shift+“=”选中要成为下标的文字，ctrl+“=”斜体快捷键，ctrl+“I”加粗快捷键，ctrl+“B”
2023-11-01 14:07:34
457
原创 YOLOv8添加注意力全流程
6、在yolov8.yaml那边新建一个yolov8-attention.yaml，然后对齐顺序什么的即可。1、将注意力代码放入本地文件，要在init文件里面导入这个文件。3、在tasks.py的解析模型中，对齐通道数、参数。2、在注意力文件下面放上代码，然后在上面加模块名。4、需要通道数放在这。5、不需要通道数放这。
2023-10-31 16:27:46
156
原创 安装DCNv3时报错NotADirectoryError: [Errno 20] Not a directory: ‘hipconfig‘
2、然后去修改这个文件：anaconda3/envs/xxx/lib/python3.10/site-packages/torch/utils/hipify/cuda_to_hip_mappings.py。1、查看报错信息，找到这一条：和这有关的cuda_to_hip_mappings.py。3、添加一个NotADirectoryError。4、保存一下就可以了，然后就可以正常安装了。先cd跳入文件夹，再vim进去。
2023-10-31 11:27:38
839
原创 YOLOv8如何添加注意力模块？
args[]:每个带参数的模块，都要指定这个东西，这个包括[c1,c2,剩下的参数]，然后传给该层的模块，有些模块不需要额外参数，就只传一个输出通道数给这一层就行。7、总结：放进attention.py，接着在tasks.py里注册，接着解析函数添加（有通道无通道），模型配置文件替换。C2是这一层的输出通道数，而args[]里的输入输出通道数是给模块的。C2:该层的输出通道数，即将成为下一层的输入通道数。c1:上一层的输出通道数，也是这一层的输入通道数。8、第二种：在4、6、9后面加。
2023-10-30 23:09:16
600
原创 YOLOv8修改一个模块需要修改哪些代码？
5、找到解析模块，如果模块需要重复，放在第一个if里面。3、在同级的init.py添加模块名字，两个地方。2、把你类的名字添加到block.py上面。4、在tasks.py文件添加模块名。1、建议添加到block.py里。6、注意对应通道数啥的，然后添加。
2023-10-30 13:49:03
345
原创 YOLOv8中的After Fuse指的是什么？
Fuse是指模型的一些模块进行融合。常见的就是conv和bn层进行融合,在训练的时候模型是存在conv和bn的,但在推理的过程中,模型在初始化的时候会进行模型fuse,把其中的conv和bn进行融合,通过一些数学转换把bn层融合到conv里面,还有一些例如DBB,RepVGG等等模块支持融合的这些在fuse阶段都会进行融合,融合后可以一般都可以得到比融合前更快的推理速度,而且基本不影响精度.
2023-10-30 11:41:07
174
原创 YOLOv8如何关闭AMP混合精度训练？
如果你是使用命令行运行的话,只需要在训练参数中添加–unamp即可.如果你是直接代码运行的话,找到这个参数parser.add_argument(‘–unamp’, action=‘store_true’, help=‘Unuse Automatic Mixed Precision (AMP) training’),修改为parser.add_argument(‘–unamp’, action=‘store_true’, default=True, help=‘Unuse Automatic Mixed
2023-10-30 11:19:42
1787
1
Asymmetric Student-Teacher Networks for Industrial AD
2023-07-16
FTP 协议的实现
2021-06-05
Servlet的应用，使用MVC模式实现如下功能
2021-05-24
数据结构课程设计之矩阵
2021-01-13
进制转换，汇编课程设计，大作业
2020-12-27
汇编课程设计-进制转换
2020-12-27
仪器仪表管理系统sql server2012 数据库课程设计
2020-12-25
计算机视觉缺陷检测方向如何学习？
2023-07-10
计算机视觉研一选方向
2023-04-04
想搭建私人博客或私人网站。
2021-05-26
姐姐人美心善，实锤了。相当good👍🏻
2021-05-10
为什么今天的访问量还没有更新，1点多了
2021-04-25
普通本科，物联网专业能找什么工作？
2020-12-09
TA创建的收藏夹 TA关注的收藏夹
TA关注的人