自注意力机制(Self-Attention)
自注意力机制
单目深度估计--深度学习篇
文章目录一：深度估计应用背景1.深度估计的定义2.深度估计的应用场景3.几种深度估计的方法4.使用深度学习估计的优缺点二：单目深度估计模型1.使用的数据集2.整体网络架构3.分模块解析Ⅰ：层级Ⅱ：ASPPⅢ：特征图减法操作Ⅳ：特征融合Ⅴ：Coarse-to-FineⅥ：权重参数预处理WS与pre_a
[ 注意力机制 ] 经典网络模型1——SENet 详解与复现
[ 注意力机制 ] 经典网络模型1——SENet 详解与复现1、Squeeze-and-Excitation Networks2、Squeeze-and-Excitation block3、SENet 详解4、SENet 复现Squeeze-and-Excitation Networks简称 SEN
【计算机视觉】新冠肺炎COVID-19 CT影片阳性检测，感染区域分割，肺部分割，智慧医疗实践，医疗影像处理示例
本次实验基于COVID-19 CT scans数据集，根据患者肺部的CT扫描分析，对患者COVID阳性还是阴性进行分类。如果患者Covid阳性，则这行肺部和感染区域的分割。实验还实现了交互性良好的可视化界面，更有助于医护人员对病情的快速筛查。
语义分割系列6-Unet++（pytorch实现）
本文介绍了Unet++网络，在pytorch框架上复现Unet++，并在Camvid数据集上进行训练。
anaconda安装教程-手把手教你安装
9.skip，不安装VScode，否则点击InstallMicrosoftVSCode。1.打开cmd，输入conda，出现如下所示，则安装成功。3.anaconda版本对应的python版本。1.打开浏览器输入anaconda镜像。2.打开anaconda安装包列表。10.点击finish，安装完
DCGAN理论讲解及代码实现
DCGAN也叫深度卷积生成对抗网络，DCGAN就是将CNN与GAN结合在一起，生成模型和判别模型都运用了深度卷积神经网络的生成对抗网络。DCGAN将GAN与CNN相结合，奠定了之后几乎所有GAN的基本网络架构。DCGAN极大地提升了原始GAN训练的稳定性以及生成结果的质量...
综述：计算机视觉中的通道注意力机制
综述：计算机视觉中的通道注意力机制这是一篇从数据域的角度，给注意力机制分为六类的综述，涵盖论文数量多。论文题目：Attention Mechanisms in Computer Vision: A Survey论文链接：https://arxiv.org/pdf/2111.07624.pdf论文代码
免费GPU：九天•毕昇平台使用教程
深度学习非常依赖设备，训练模型就类似在“炼丹”，没有好的炼丹炉，想要复现顶刊中那些动辄8卡/4卡 Tesla V100显卡训练的模型，只能是“望洋兴叹”。那么对于缺乏设备的“穷人”来说，有没有办法去白嫖免费的算力资源呢？经过我的调研，基本有以下三种途径：谷歌的Colab谷歌的Colab可能不少人都用
YOLOv5+姿态估计HRnet与SimDR检测视频中的人体关键点
一、前言由于工程项目中需要对视频中的person进行关键点检测，我测试各个算法后，并没有采用比较应用化成熟的Openpose，决定采用检测精度更高的HRnet系列。但是由于官方给的算法只能测试数据集，需要自己根据算法模型编写实例化代码。本文根据SimDR工程实现视频关键点检测。SimDR根据HRne
tensorflow安装步骤（CPU版本，Anaconda环境下，Windows10）
本文主要讲述了在Anaconda环境下，CPU版本tensorflow2.3.0的安装步骤，Windows10系统中Anaconda的安装步骤可以阅读此篇博客：用Anaconda安装TensorFlow(Windows10)本文分为两大部分：一、TensorFlow2.3.0安装步骤二、对Tenso
使用CycleGAN训练自己制作的数据集，通俗教程，快速上手
总结了使用**CycleGAN**训练自己制作的数据集，这里的教程例子主要就是官网给出的斑马变马，马变斑马，两个不同域之间的相互转换。教程中提供了官网给的源码包和我自己调试优化好的源码包，大家根据自己的情况下载使用，推荐学习者下载我提供的源码包，可以少走一些弯路，按照我的教程，能较快上手训练使用..
Transformers 库的基本使用
本内容主要介绍 Transformers 库 的基本使用。
《一文搞懂IoU发展历程》GIoU、DIoU、CIoU、EIoU、αIoU、SIoU
汇总IoU发展历程，建议收藏！
浅谈GCN
浅谈GCN
自编码器(Auto-Encoder)
一、自编码器原理自编码器算法属于自监督学习范畴，如果算法把x作为监督信号来学习，这里算法称为自监督学习(Self-supervised Learning)在监督学习中神经网络的功能:。是输入的特征向量长度，是网络输出的向量长度。对于分类问题，网络模型通过把长度为输入特征向量????变换到长度为的输出
AI自主图像生成 之 stable-diffusion—运行效果展示
这几天跑省外出差被隔离在酒店，不过随身带了个主机和显示器（笔记本太差跑不了项目程序，只能随身带主机，一言难尽…）,正巧又刷到stable-diffusion开源的消息，现在就来试试搭建这个试试水。硬件环境：显卡3060 12G显存，内存32G 主要就这两，cpu没太大要求，除非你想用cpu跑深度学习
U-Net介绍
Unet 发表于 2015 年，属于 FCN 的一种变体。Unet 的初衷是为了解决生物医学图像的问题，由于效果确实很好后来也被广泛的应用在语义分割的各个方向，如卫星图像分割，工业瑕疵检测等。 Unet 跟 FCN 都是 Encoder-Decoder 结构，结构简单但很有效。 Unet主要可分为
yolov5加入CBAM,SE,CA,ECA注意力机制，纯代码（22.3.1还更新）
CBAM,SE,ECA,CA注意力添加到yolov5网络中，5.0版本
TCN（Temporal Convolutional Network，时间卷积网络）
1 前言 实验表明，RNN 在几乎所有的序列问题上都有良好表现，包括语音/文本识别、机器翻译、手写体识别、序列数据分析（预测）等。 在实际应用中，RNN 在内部设计上存在一个严重的问题：由于网络一次只能处理一个时间步长，后一步必须等前一步处理完才能进行运算。这意味着 RNN 不能像 CN
