pycharm调试时，出现Collecting data…一直在这个界面很久，这是新版本的Pycharm的bug，通常在多线程的情况下发生。

coco数据集处理；目标检测；深度学习

作为水下智能的重要支柱，海洋动物分割(MAS)涉及对海洋环境中的动物进行分割。以往的方法在提取长范围上下文特征方面表现不佳，并且忽略了离散像素之间的连通性。最近，Segment Anything Model(SAM)为一般的分割任务提供了一个通用的框架。遗憾的是，SAM是用自然图像训练的，不能从海洋图像中获得先验知识。此外，地对空导弹的单一位置提示对于事前制导来说是非常不够的。为了解决这些问题，我

在cnn种，通道数就是用于提取特征的滤波器的数量（卷积核数量），在卷积过程中，每个滤波器会对输入特征图进行卷积操作，生成一个新的特征图，通道数就是指卷积后生成的特征图的数量，每个通道可以表示不同的特征信息，例如图像的颜色、边缘、纹理等。这里面352x352表示的是像素大小，即高和宽都为352个像素，而3表示的是通道数，指输入的是3通道的RGB图像，每个颜色通道的取值范围为0-255，可以表示256

*大型模型（也称为基础模型）的出现为 AI 研究带来了重大进步。Segment Anything (SAM) 就是这样一种模型，它是为图像分割任务而设计的。然而，与其他基础模型一样，我们的实验结果表明，SAM 在某些分割任务中可能会失败或表现不佳，例如阴影检测和伪装物体检测（隐藏物体检测）。这项研究首先为将大型预训练图像分割模型 SAM 应用于这些下游任务铺平了道路，即使在 SAM 表现不佳的情况

提高几乎所有机器学习算法性能的一个非常简单的方法是在相同的数据上训练许多不同的模型，然后对它们的预测进行平均[3]。不幸的是，使用整个模型集合进行预测非常麻烦，并且计算成本可能太高，无法部署到大量用户，尤其是在单个模型是大型神经网络的情况下。Caruana 和他的合作者 [1] 已经证明，可以将集成中的知识压缩到单个模型中，该模型更容易部署，并且我们使用不同的压缩技术进一步开发了这种方法。

我是先导入ARC-main整个项目，后下载的BboxToolkit项目，解压后放进ARC-main,在splitn data的过程中，出现BboxToolkit包无法下载的问题，当时我忘记运行命令，cd到BboxToolkit后，即可成功下载BboxToolkit包，直接运行命令无法 成功下载，匹配不到合适的版本包。坑：DOTA数据集，官网上下载的train和test都分为part1，part2,

空洞卷积是一种不增加参数量/运算量，同时增加输出单元感受野的一种方法，Atrous卷积，就是带洞的卷积，卷积核是稀疏的，此外，空洞卷积还可以捕捉多尺度上下文信息，通过设置不同的dilation rate，感受野就会不一样，也即获取了多尺度信息，多尺度信息在视觉任务中相当重要。太久不看代码确实生疏了，盯着一堆不同的dilation，不知道有什么作用，论文中说是Atrous卷积，原来就是空洞卷积的意思

我们提出了卷积块注意力模块（CBAM），这是一种简单而有效的用于前馈卷积神经网络的注意力模块。给定一个中间特征图，我们的模块依次推断沿着两个独立维度的注意力图，通道和空间，然后将这些注意力图与输入特征图相乘，进行自适应特征细化。由于CBAM是一个轻量级和通用的模块，它可以无缝地集成到任何CNN架构中，几乎没有额外开销，并且可以与基础CNN一起端到端地进行训练。我们通过在ImageNet-1K、MS

作为水下智能的重要支柱，海洋动物分割(MAS)涉及对海洋环境中的动物进行分割。以往的方法在提取长范围上下文特征方面表现不佳，并且忽略了离散像素之间的连通性。最近，Segment Anything Model(SAM)为一般的分割任务提供了一个通用的框架。遗憾的是，SAM是用自然图像训练的，不能从海洋图像中获得先验知识。此外，地对空导弹的单一位置提示对于事前制导来说是非常不够的。为了解决这些问题，我