本文介绍了5个重要的遥感图像飞机目标检测数据集：1）MAR20是目前最大军用飞机数据集，包含20种机型、3842张图像；2）CORS-ADD包含7337张影像，涵盖多种尺度目标；3）OPT-AircraftV1.0基于多源数据构建，采用两级分类体系；4）RSOD-Aircraft包含446张图像，覆盖全球机场；5）FAIR1M是全球最大细粒度识别数据集，含11种飞机型号。这些数据集在目标类型、标注

解决办法是可以在模型训练开始时，使用“where python”命令，查看Python的地址，然后使用export命令，如下图。在使用MMsegmentation框架中的模型进行训练时，发现在训练过程中，评价指标的值长时间为“nan”，如下图。自己使用该命令后可以解决该问题，至于为什么会出现这个问题，在查找其他文章时并未找到原因以及其他的解决思路。这种情况可能会在模型训练开始就出现，有可能会训练几

在网上查阅很久后看到了一篇文章推荐了一个随机数种子，文章题目为“torch.manual seed(3407) is all you need: On the influence of random seeds in deep learning architectures for computer vision”，这个随机数种子是作者多次试验后得出的，在文中作者也提出了实验的缺陷，但这个随机数种子

在MMCV解析优化器参数时，没有走 torch的 model.parameters()，如果走了torch的解析方法，它是对参数是有去重的。所以递归添加参数的时候，共享的layer的参数被添加了多次。在使用MMCV的框架时出现题目所示问题，是由于AFFormer中 它的 EncoderLayer 中的 EncoderBlock 共享了同一个 cpe 和 crpe。为了解决这个问题，MMCV也提出了

高分一号和二号的图像通常为4波段，但是大部分深度学习的模型所能处理的为三通道的图像，因此需要将4通道的高分影像转化成3通道的影像。勾选强制转换成RGB，输入保存路径和保存名称，点击save。用Arcmap打开高分影像，查看影像为4波段。将导出的图像从新加载，查看其波段数。右键影像，选择导出数据。

但是，当val_interval的值设置过小时，模型会进行更多的验证并保存更多的权重，会占用大量的内存。这时只需要保存最优的权重就行，在/mmsegmentation-main/configs/_base_/schedules/schedule_12k.py文件中对代码进行修改，代码：“checkpoint=dict(type='CheckpointHook', by_epoch=False, i

多尺度特征对于密集预测、目标检测、实例分割和语义分割任务来说是至关要的。现在最先进的是通过分类主干提取多尺度特征，然后通过轻量级模块(例如FPN中的融合模块)融合这些特征。但是与重型分类主干相比，为特征融合分配的参数有限，不能够充分的融合多尺度特征。对此提出级联融合网络(CFNet)，用于密集预测。除了用于提取初始高分辨率特征的干和几个块外，还引入了几个级联阶段来生成CFNet中的多尺度特征。每个

解决办法是可以在模型训练开始时，使用“where python”命令，查看Python的地址，然后使用export命令，如下图。在使用MMsegmentation框架中的模型进行训练时，发现在训练过程中，评价指标的值长时间为“nan”，如下图。自己使用该命令后可以解决该问题，至于为什么会出现这个问题，在查找其他文章时并未找到原因以及其他的解决思路。这种情况可能会在模型训练开始就出现，有可能会训练几

建议：如果已经安装mmdet出现版本问题，在conda环境中移除安装新的版本可能会导致其他的包版本不适应问题，如果环境中的包不是很多，建议为其创建新的虚拟环境。在查找问题时，也发现了新的解决办法，那就是根据报错找到对版本限制的代码，进行修改，可以参考以下文章，据说大部分时候可以及诶觉这个问题，不过我没有试过。而我原始的conda环境中mmcv的版本为2.1.0，而这个报错是由于mmcv-full的