机器学习/自然语言处理 今日: 0|主題: 239|排名: 17 

新分类续接之前的注意力机制内容开始，展开一些更现代的理论。 在之前的深度学习内容中，我们已经介绍了注意力机制的核心流程，其本质可以概括为：在解码的每一个时间步增加注意力计算得到上下文向量，让模型可以根据当前状态，从输入序列中动态选择相关信息。 实际上，你会发现：在这个传播过程中，传统的注意力机制只是 ...

视频演示 基于深度学习的麦穗计数系统 1. 前言​ 大家好，欢迎来到 Coding 茶水间。 在智慧农业与精准育种快速发展的今天，麦穗计数作为评估作物产量、监测生长态势及指导田间管理的关键环节，其重要性不言而喻。然而，传统的人工计数方式不仅耗时费力、效率低下，且极易受人为因素影响产生误差；而面对野外复杂多变的光照 ...

在上一篇里，我们介绍了光谱重建的相关内容。这一类方法的核心问题是：当光谱信息缺失时，如何从“有限观测”中恢复完整光谱。 但在实际应用中，还还还存在另一类同样常见的情况： 我们并不是“没有数据”，而是“拥有多种不完整但彼此互补的数据”。 要解释这种情况，就需要先补充一点硬件知识： 在相机传感器中，一个像 ...

视频演示 基于深度学习的焊缝质量检测系统 1. 前言​ 大家好，欢迎来到Coding茶水间！ 在工业制造迈向智能化与自动化的浪潮中，焊接作为核心工艺环节，其质量直接关乎结构安全与产品寿命；然而，传统的人工目视检测不仅效率低下、易受主观疲劳影响，更难以精准捕捉气孔、未融合、裂纹及等离子体干扰等微小且复杂的焊缝缺陷 ...

在前面的内容里，我们已经围绕高光谱数据的降维、检测与解混展开了很多方法。 这些方法其实都有一个共同点： 它们都假设光谱数据是“已知且完整”的。 但在实际应用中，这个假设往往并不成立。 例如传感器只能采集少量波段、成像设备成本或带宽受限、数据存在缺失或严重噪声或者仅有 RGB 图像，却希望获得高光谱信息等等 ...

在上一篇中，我们简单了解了提取端元光谱的基础方法，从而可以应用在我们前面介绍过的 MF 和 ACE 等经典高光谱目标检测方法中。这类方法的共同特点在于：需要预先给定目标光谱 \(\mathbf{s}\)，再通过不同的判别准则衡量像素与目标之间的匹配程度，从而实现目标检测，我们称之为目标检测算法。 但在实际应用中，我们往往会 ...

当你的朋友推荐餐厅时，你已经在进行贝叶斯推理——只是你没意识到而已 引言：为什么82%的医生会答错？ 在医学教育中有一个经典案例：当医生们面对乳腺癌筛查问题时，82%的人给出了错误答案。 问题是这样描述的：1%的女性患有乳腺癌，筛查测试的灵敏度为80%（真阳性率），假阳性率为9.6%。 如果一位女性检测结果为阳性， ...

视频演示 基于深度学习的大棚黄瓜检测系统 1. 前言​ 大家好，欢迎来到Coding茶水间！ 在智慧农业飞速发展的今天，利用计算机视觉技术替代人工进行农作物监测已成为提升生产效率的关键，然而面对黄瓜藤蔓复杂多变的生长环境，如何精准区分并统计未成熟与成熟黄瓜仍是一项极具挑战的任务；为此，我们今天隆重推出“基于YOLO ...

在上一篇中，我们已经介绍了光谱解混的基本思想。光谱解混通常以 LMM 为基础模型，其一个像素的光谱被表示为多个端元光谱的线性组合： \[\mathbf{x} = \sum_{i=1}^{p} a_i \mathbf{s}_i + \mathbf{n} \]\(\mathbf{s}_i\) 就是第 \(i\) 种材料的端元光谱。 在前面的解混方法和检测算法中，我们都默认端元光谱是已知的。它们 ...

论文：[2010.11929] An Image is Worth 16x16 Words: Transformers for Image Recognition at Scale 概述 Vision Transformer (ViT) 将标准 Transformer 架构直接应用于图像分类任务。模型架构基于《Attention is all you need》中的 Transformer Encoder，针对视觉任务仅做了最小化的修改。训练流程采用两阶段策略，先在 ...

在之前的内容中，我们已经介绍了 LMM 的基本思想及其相关概念。根据这一模型，高光谱图像中每个像素的观测光谱都可以表示为若干端元光谱的线性组合。 而在此基础上，MF 和 ACE 这类高光谱目标检测算法，其实可以看作 LMM 的一种特殊应用形式。这类方法通过估计背景像素的统计特性，构建针对目标光谱的滤波器，从而实现对目 ...

视频演示 基于深度学习的工程车辆检测系统 1. 前言​ 大家好，欢迎来到Coding茶水间！ 在当前智慧工地与城市数字化管理加速落地的背景下，针对施工现场安全隐患多、监管难度大等痛点，传统的人工巡检模式已难以满足实时性与精准度的需求，而基于深度学习的目标检测技术正成为解决这一难题的关键突破口；今天给大家介绍的题 ...

本笔记是作为复试应对面试回答做的一些笔记，后期还要去读一些论文加深理解，参考书为《动手学习深度学习》 作为一个研究者，我需要去读很多的文章，去总结很多不同的优秀的研究者对这个世界的认识，然后形成自己独特的观点是很重要的 读论文 读论文的过程：Abstract、Introduction（讲个故事，我们研究的方向，要做什么 ...

视频演示 基于深度学习的井盖破损检测系统 1. 前言​ 大家好，欢迎来到 Coding 茶水间！ 在城市基础设施智能化运维的浪潮下，井盖作为城市道路的“纽扣”，其安全性直接关系到市民的出行安全与城市的正常运转。然而，面对海量的市政道路场景，传统的人工巡检模式不仅效率低下、成本高昂，更难以做到对井盖破损、丢失或未覆 ...

在前面的内容里，我们已经介绍了 MF，并通过线性光谱混合模型解释了其中参数 \(\alpha\) 的物理含义。 与之前的 SAM 不同，MF 不再只是单纯比较光谱之间的几何角度，而是 利用背景协方差矩阵来建模背景统计特性，从而构造一个针对目标光谱的最优线性滤波器，使目标像素在输出中的响应尽可能大，而背景响应尽可能小。 这种方 ...

在上一篇中，我们介绍了 MF。在其推导过程中，我们对像素进行了如下建模： \[\mathbf{x} = \mathbf{a} \mathbf{s} + \mathbf{b} \]当时，我们解释这种建模可以分离目标信号和背景信号，直观来看，这个公式的逻辑就是： \[像素光谱=目标光谱+其他干扰 \]但是，这里还有一个我们一直没有展开的符号，那就是：\(\mathbf{a}\) ...

视频演示 基于深度学习的茶叶病害检测系统 1. 前言​ 大家好，欢迎来到 Coding 茶水间！ 在茶叶种植与生产过程中，黑腐病、褐衣病、叶锈病等多种病害与虫害频发，传统人工检测效率低、误差大、难以规模化，已无法满足现代化茶园的精准管理需求。为实现茶叶病害快速识别、精准定位与量化分析，本次带来基于 YOLO 算法的茶 ...

在前面的几篇文章中，我们已经逐步介绍了高光谱图像分析中的一些基础方法，主要围绕 如何降低高光谱数据的维度 和 如何处理或抑制数据中的噪声 两个核心问题展开。 这些步骤本质上都是在为后续更高层的任务做准备，例如：地物分类、异常检测以及目标检测等。 在实际应用中，我们往往并不需要对整幅图像进行完整分类，而是 ...

视频演示 基于深度学习的灭火器检测系统 1. 前言​ 大家好，欢迎来到 Coding 茶水间！ 在安全生产、消防巡检等场景中，灭火器作为核心应急设备，其是否在位、是否可被快速识别，直接关系到安全保障的有效性。传统的灭火器巡检依赖人工排查，不仅效率低、易遗漏，还无法实现实时监测和批量核验，尤其在大型园区、商场、工厂 ...

在上一篇中，我们介绍了最小噪声分数变换 MNF，它在 PCA 基础上引入噪声建模的一种改进降维方法，但我们也提到了:MNF 依赖噪声估计，其效果很大程度依赖噪声协方差矩阵的估计，如果噪声估计不准确，降维效果可能明显下降。 换句话说，噪声估计的质量，直接决定了 MNF 的最终效果。 因此，如果希望在高光谱图像处理中更好地 ...