前言：该篇论文(2018年)提出两个attention模块，一个是基于channel（CAM），一个是基于spatial(SAM）。同时，两个模块也可以组合起来使用，形成CBAM。CBAM是一个轻量化模块，两个模块的实现都比较简单，而且能够在现有的网络结构中即插即用。在YOLOv4中就用到了SAM。 论文： https://arxiv.org/abs/1807.06521. 代码： https:/
转载
2024-08-30 11:23:11
222阅读
做了一个简单的图像分类的Demo。是能够让图像分类的初学者能够直观的从实际中观察揣摩理解图像分类的环节，各个环节的步骤以及重要性，哪些环节是问题的本质等等。 图像的特征用到了Dense Sift，通过Bag of Words词袋模型进行描述，当然一般来说是用训练集的来构建词典，因为我们还没有测试集呢。虽然测试集是你拿来测试的，但是实际应用中谁知道测试的图片是啥，所以构建BoW词典我这里也只用训练
作者：张 旭该内容是目标检测系列的第三篇，系列前部分内容如下，点击可查看：Object Detection系列（一） R-CNN Object Detection系列（二） SPP-Net Fast R-CNN简介在之前的两个文章中，我们分别介绍了R-CNN与SPP-Net，于是在2015年RBG（Ross B. Girshick）等结合了SPP-Net的共享卷积
UNet使用ResNet系列作为EncoderUNet使用ResNet系列作为EncoderUNet使用ResNet系列作为Encoder
原创
2021-08-02 14:32:59
3198阅读
# 使用 PyTorch 实现 SimCLR 的指南
SimCLR（Simple Framework for Contrastive Learning of Visual Representations）是一个对比学习的框架，能够从未标记的数据中学习有用的视觉特征。本文将教你如何使用 PyTorch 实现 SimCLR，包括每一步需要做的事情、必要的代码以及解释，帮助你快速掌握这个过程。
##
原创
2024-09-30 03:23:05
621阅读
目录 数据加载（创建dataset对象）创建一个 DataLoader对象部分数据可视化 创建模型（two methods）没有使用GPU采用torchvision.models中的自带模型(resnet)自写模型循环DataLoader对象，将数据加载到模型中训练10epoch训练效果如下 数据加载（创建dataset对象）使用torchvi
转载
2024-03-18 15:03:24
57阅读
# 实现SimCLR Loss PyTorch的步骤
作为一名经验丰富的开发者，我将向你介绍如何实现"SimCLR Loss"这个概念在PyTorch中的实际代码。以下是实现这一目标的步骤概述：
| 步骤 | 操作 |
| ---- | ---- |
| 步骤一：数据预处理 | 加载图像数据集并进行预处理 |
| 步骤二：模型定义 | 定义用于特征提取的编码器网络 |
| 步骤三：对比损失计算
原创
2023-08-13 07:46:22
232阅读
参考教程http://docs.hpc.whu.edu.cn/登录武汉大学信息门户，在办事大厅的搜索栏进行搜索，然后按照指示进行VPN和超算中心的账号申请。超算中心的用户名和密码在武汉大学超算中心申请成功后，会发到指定邮箱。超算学生账户关联主账户申请如果是校外操作，则需要通过easyconnect登陆集群专属VPNhttps://vpn.whu.edu.cn/1.连接超算使用支持 SSH 协议的客
目录设置网络固定学习率学习率基类Pytorch自带学习率方法StepLRMultiStepLRExponentialLRCosineAnnealingLRReduceLRonPlateauLambdaLR学习率使用方法 学习率的调整会对网络模型的训练造成巨大的影响，本文总结了pytorch自带的学习率调整函数，以及其使用方法。 设置网络固定学习率设置固定学习率的方法有两种，第一种是直接设置一些
深度残差网络ResNet是2015年ILSVRC的冠军，深度达152层，是VGG的8倍，top-5错误率为3.6%。ResNet的出现使上百甚至上千层的神经网络的训练成为可能，且训练的效果也很好，利用ResNet强大的表征能力，使得图像分类、计算机视觉（如物体检测和面部识别）的性能都得到了极大的提升。一、残差学习根据无限逼近定理(Universal Approximation Theo
转载
2024-08-21 10:55:41
70阅读
author:DivinerShiKaiming He 的《Deep Residual Learning for Image Recognition》获得了CVPR最佳论文。他提出的深度残差网络在2015年可以说是洗刷了图像方面的各大比赛，以绝对优势取得了多个比赛的冠军。而且它在保证网络精度的前提下，将网络的深度达到了152层，后来又进一步加到1000的深度，可想而知，残差网络的实力，正如他在IC
一直以来，经常在各种复杂的结构中使用或者听说过Resnet的名字，但是一直也没有学习过这篇文章，现在趁着有时间，学习一下Resnet——何凯明等人于2015年年底发表的《Deep Residual Learning for Image Recognition》。一、Resnet的背景深度神经网络（DCNN）结构是很难训练的，这里我们提出一种叫做“residual learning”的框架，使得神经
本篇文章涉及到的文献Residual Network(ResNet)
Deep Residual Learning for Image Recognition[arXiv:1512.03385]
Identity Mappings in Deep Residual Networks[arXiv:1603.05027]2016_tutorial_deep_residual_networks
Debug视图Debug视图在Eclipse的右上角打开Debug的工具栏常用的就这7个：按照从左到右的顺序分别介绍功能：Resume：恢复暂停的线程，直接从当前位置跳到下一个断点位置。Suspend：暂停选定的线程，这个时候可以进行浏览或者修改代码，检查数据等。Terminate:Eclipse通过Terminate命令终止对本地程序的调试。Disconnect:Eclipse使用Disconn
前期一直没有时间跑YOLOv7源码，今天对YOLOv7在NWPU-10遥感图像数据集上进行实验测试，现将实验训练以及评估过程分享如下，希望对大家有帮助。为了客观分享，我对整个过程进行了截图，能够让大家看到我的实验参数以及实验设置。需要更多程序资料以及答疑欢迎大家关注——微信公众号：人工智能AI算法工程师 一、训练过程：选择YOLOv7.yaml配
我们提出的框架，称为SimCLR，显着推进了自监督和半监督学习的最新技术，并在有限数量的分类标记数据下实现了图像分类的新记
原创
2024-04-30 10:52:58
274阅读
在这篇博文中，我们将深入探讨如何使用 PyTorch 实现 SimCLR 的对比损失。SimCLR 是一种自监督学习方法，它通过对比学习来获取强大的表征。该方法特别适合图像分类等视觉任务。我们将逐步解构整个实现过程，带你从背景知识到实际代码示例。
### 背景定位
近年来，自监督学习在计算机视觉领域的研究逐渐兴起。SimCLR 是一种关键的方法，通过引入对比损失来提高模型对图像的理解能力。这种
对比学习属于自监督学习．自监督学习一般不需要标签，通过数据本身构造模型，训练结果可以支持更多下游任务．
原创
2022-09-16 14:03:11
72阅读
1. 概述本文主要是参照 B 站 UP 主 霹雳吧啦Wz 的视频学习笔记整个工程已经上传个人的 github https://github.com/lovewinds13/QYQXDeepLearning ，下载即可直接测试，数据集文件因为比较大，已经删除了，按照下文教程下载即可。论文下载：Deep Residual Learning for Image Recognition2. ResNetR
转载
2023-12-12 13:25:48
254阅读
科普知识NIPS（NeurIPS），全称神经信息处理系统大会(Conference and Workshop on Neural Information Processing Systems)，是一个关于机器学习和计算神经科学的国际会议。该会议固定在每年的12月举行,由NIPS基金会主办。NIPS是机器学习领域的顶级会议 。在中国计算机学会的国际学术会议排名中，NIPS为人工智能领域的A
转载
2024-08-20 18:10:20
141阅读
