遗世独立

Hierarchical Graph Pooling with Structure Learning 会议: AAAI 2020(疑似撤稿) 论文地址：https://arxiv.org/abs/1911.05954 github: https://github.com/cszhangzhen/HGP-SL DGL开源库：https://github.com/dmlc/dgl/tree/master/examples/pytorch/hgp_sl [TOC] 摘要 图神经网络 (GNN) 将深度神经网络扩展到图结构数据，在许多图相关任务中取得了最先进的性能。然而，现有的 GNN 模型主要关注设计图卷积操作。图池化 (或下采样) 操作在分层表示学习中发挥着重要作用，通常被忽视。在这篇论文中，我们提出了一种新的图池化操作符，称为具有结构学习的分层图池化 (HGP-SL)，它可以集成到各种图神经网络架构中。HGP-SL 将图池化和结构学习集成到一个统一的模块中，以生成图的分层表示。具体来说，图池化操作根据我们定义的节点信息分数自适应地选择一组节点来形成一个诱导...

用于实例分割的路径聚合网络 — 会议: CVPR 2018 论文地址：https://arxiv.org/abs/1803.01534 github: https://github.com/ShuLiu1993/PANet [TOC] 摘要 信息在神经网络中的传播方式至关重要。本文提出了路径聚合网络 (PANet)，旨在提升基于候选框的实例分割框架中的信息流。具体来说，我们通过自底向上的路径增强，将低层中的精确定位信号引入整个特征层次，从而缩短了低层和顶层特征之间的信息路径。我们提出了自适应特征池化，将特征网格和所有特征级别连接起来，使每个特征级别中的有用信息可以直接传播到后续的候选框子网络中。我们创建了一个互补分支，用于捕获每个候选框的不同视角，从而进一步提高掩码预测的精度。这些改进易于实现，且计算开销微小。我们的 PANet 在 COCO 2017 挑战赛的实例分割任务中取得了第一名，并在没有使用大批次训练的情况下，在目标检测任务中取得了第二名。它也是 MVD 和 Cityscapes 上的最先进技术。代码地址: https://github.com/S...

桩检测算法 总体流程 基于规则的桩检测 采用基于规则的方法检测桩，检测时不区分桩类别。这一步保证绝对的准确率（100%），较高的召回率（>60%）。 生成桩检测数据集 使用规则检测的结果作为标注生成桩检测数据集【pile_v0.1】。 模型训练 使用YOLO算法在桩检测数据集上训练一个初步的桩检测模型【model_v0.1】。 自监督训练 使用训练好的模型对基于规则无法检测的图纸进行检测，将置信度较高的结果加入到训练集继续训练。 基于规则的桩检测 过滤干扰线 长度 < 1500 直径 < 1500 面积 < 1500×1500 只保留直线，多段线，圆，椭圆，圆弧，实体，填充 桩检测 将去除干扰线后的实体导出图像求连通域 在每个连通域内进行桩检测，提高效率 圆检测：圆实体，多段线实体（只包含曲线，且构成360度），圆弧实体（构成360度），椭圆实体（长轴=短轴） 矩形检测：基于最近邻算法，遍历直线和它最近邻的直线是否组成矩形 交叉线检测：基于扫描线算法检测线...

YOLOV8代码阅读 YOLO 训练参数 官网地址：训练参数 Argument Default Description model None Specifies the model file for training. Accepts a path to either a .pt pretrained model or a .yaml configuration file. Essential for defining the model structure or initializing weights. data None Path to the dataset configuration file (e.g., coco8.yaml). This file contains dataset-specific parameters, including paths to training and validation data, class names, and number of ...

python-gRPC实战 前言 RPC：远程过程调用（Remote Procedure Call）的缩写，即在不同设备进行远程方法调用，隐藏了底层网络技术。随着微服务的兴起而兴起。 gRPC：谷歌开源的一套RPC框架，基于http2.0，采用protocol buffer的语法(检查proto)，通过proto语法可以定义好要调用的方法、和参数以及响应格式，可以很方便地完成远程方法调用，而且非常利于扩展和更新参数。 grpc框架 环境配置 1234conda create -n test python=3.8conda activate testpip install grpcio -i https://pypi.tuna.tsinghua.edu.cn/simplepip install grpcio-tools -i https://pypi.tuna.tsinghua.edu.cn/simple 编译配置 1234567# 编译 proto 文件python -m grpc_tools.protoc --python_out=. --...

优化器算法 [TOC] 0. 基础 1. 导入 1import torch.optim as optim 2. 常用的优化器 SGD/Momentum SGD Adam/AdamW AdaGrad RMS prop 3. 使用框架 生成优化器 1234import torch.optim as optimoptimizer = optim.SGD(model.parameters(), lr=0.01, momentum=0.9)optimizer = optim.Adam([var1, var2], lr=0.0001) 同一个模型定义不同的优化器 1234567891011121314import torchimport torch.optim as optim# params可以用字典传参，给不同的参数赋值不同的学习率optim.SGD([{'params': model.base.parameters(), 'lr': 1e-2}, &...

PyTorch 常用的学习率调整策略 [lr_scheduler] [TOC] 参考地址：https://zhuanlan.zhihu.com/p/538447997 官方文档：https://pytorch.org/docs/stable/optim.html#how-to-adjust-learning-rate 0. 基础 导入 1from torch.optim import lr_scheduler 常用的学习率策略 StepLR LambdaLR 基础代码 12345678910import torchimport numpy as npfrom torch.optim import SGDfrom torch.optim import lr_schedulerfrom torch.nn.parameter import Parameter# 随机创建一组模型参数model = [Parameter(torch.randn(2, 2, requires_grad=True))]# 使用SGD优化器，学习率设为0.1optimizer =...

大写 小写 中文名 英文 英语音标注音 大写Markdown 小写Markdown 意义 Α α 阿尔法 Alpha /’ælfə/ 角度、系数、角加速度、第一个、电离度、转化率 Β β 贝塔/毕塔 Beta /’bi:tə/ 或 /’beɪtə/ 磁通系数、角度、系数 Γ γ 伽玛/甘玛 Gamma /’gæmə/ 电导系数（小写）、角度、比热容比 Δ δ 德尔塔/岱欧塔 Delta /’deltə/ 变化量、焓变、熵变、屈光度、变动、方程判别式（大写）、允许误差（小写，统计学） Ε ϵ　ε 伊普西隆/埃普斯棱 Epsilon /’epsɪlɒn/ 　 对数之基数、介电常数 Ζ ζ 泽塔/Z塔 Zeta /’zi:tə/ 系数、方位角、阻抗、相对粘度、原子序数 Η η 伊塔/诶塔 Eta /’i:tə/ 迟滞系数；...

Generative Adversarial Networks(GAN神经网络) [TOC] 摘要 本文提出了一个新的基于对抗的网络框架，主要包含两个模型。一个是生成模型G，用于获取整个数据分布；另一个是判别模型D，用于判别数据是来自真实数据还是生成数据。生成模型尽可能让判别模型犯错。判别模型试图找到一个函数，使得判别模型在真实的数据上得分较高，在生成模型的数据上得分较低。 介绍 GAN网络由两个模型组成：生成模型G和判别模型D。生成模型G的目标是生成尽可能接近真实数据的数据，判别模型D的目标是判别数据是来自真实数据还是生成数据。 生成模型G通过一个随机过程生成数据，判别模型D试图判别数据是否来自真实数据。判别模型D有一个输出值，表示数据来自真实数据的概率。判别模型D有一个目标函数，使得判别模型在真实的数据上得分较高，在生成模型的数据上得分较低。 生成模型G有一个目标函数，使得判别模型在生成模型的数据上得分较低，在真实的数据上得分较高。 生成模型G和判别模型D交替更新，生成模型G的目标函数和判别模型D的目标函数相互对抗。 方法 公式 GAN...

官方文档：https://spring.io/projects/spring-boot#learn 其他笔记： 主要参考：Spring Boot 2 学习笔记（1 / 2）_KISS-CSDN博客 SpringBootWeb模块的默认规则研究_大恐龙的小弟的博客-CSDN博客 01、基础入门-Spring生态圈 Spring官网 Spring能做什么 image-20210623135328829 Spring的生态 覆盖了： web开发 数据访问 安全控制 分布式 消息服务 移动开发 批处理 … Spring5重大升级 响应式编程 在这里插入图片描述 内部源码设计 基于Java8的一些新特性，如：接口默认实现。重新设计源码架构。 接口的默认实现：即适配器模式（adapter） 由于接口的抽象方法太多，而一般情况下我们只需要使用接口的某几个方法，此时继承了接口必须实现所有方法，即便不用，也要加上空方法。 此时我们使用适配器实现接口的所有方法，通过继承适配器来重新部分方法即可...