screen 下载网址 http://ftp.gnu.org/gnu/screen/ncurses 下载网址 http://ftp.gnu.org/gnu/ncurses/查看网上教程，安装screen可能会出错，需要安装ncurses软件，因此我直接先安装ncurses，后安装screen.tar -zxvfncurse-6.3.tar.gztar -zxvfscreen-4.9.0.tar.g

论文中对于这一块的描述不是很清楚，特意记录一下学习过程。这篇博客讲解的很清楚，请参考阅读https://blog.csdn.net/qq_37541097/article/details/121119988以下通过代码形式进行一个demo。输出计算相对坐标索引时，采用了一种我之前没见过的扩张维度的方法，简介高效输出输出2.计算相对索引输出转换为[4,4,2],相当于得到4个4*2的坐标对，一行横坐

这篇论文是作者Benchmarking Detection Transfer Learning with Vision Transformers论文的扩展，没有正式出版，也没有经过同行评议。论文研究了使用一个单一的、没有层次设计的VIT架构作为backbone用于目标检测领域，使得原始VIT经过微调就可用于检测任务而不需要重新设计一个层次的backbone进行预训练。主要有两点：原始的VIT不像C

一直到写下这篇笔记开始，基于Swin的模型仍在paperwithcode上仍然霸榜Object Detection等多个榜单。很多博客都已经介绍的非常详细了，这里只记录一下自己学习过程中遇到的困惑。Swin与ViT的对比，ViT将image划分为固定大小的patch，以patch为单位进行attention计算，计算过程中的feature map 分辨率是保持不变的，并且ViT为了保持与NLP的一

import numpy as np#直接读取a=np.loadtxt("D:/Desktop/a.txt")print(type(a),a,np.shape(a))#自己编一个读取data_list=[]tmep=[]with open("D://Desktop//a.txt","r") as f:file = f.readlines()#print(file)for line in file:

Note: 本文收集transformer领域的较流行的综述文章，将认为比较重要的内容整理在一起，用于学习和提供思路。1.谷歌：Efficient Transformers: A Survey（2020年9月）2.华为、北大：A Survey on Visual Transformer（2020年12月）3.复旦大学邱锡鹏组综述：A Survey of Transformers（2021年6月15

作者开门见山说明了深度学习结构拥有越来越大的学习容量和性能的发展趋势，在一百万的图像数据上都很容易过拟合，所以常常需要获取几百万的标签数据用于训练，而这些数据公众通常是难以获取的。MAE的灵感来源是DAE(denosing autoencoder)，去噪自编码器就是encoder的输入部分加上噪声作为输入，decoder还原真实的输入，其损失函数为decoder的输出与真实输入之间的均方误差，相比

17.2中使用designe outline 代替outline，放置电路板外观，及Design Outline，这个和17.2之前的版本不一样，不能使用画线的方式添加Designe Outline，因为画线时在Board Geometry类中并未能找到Design Outline或Cutout子类。只能通过添加shape的方式添加。当使用outline时，会提示你推荐优先使用de......

近期学习python，无意中看到一个公众号上的文章，识别提取图片中的文字，实现方法是调用百度智能云平台提供的API接口，现记录下来，以备复习。百度智能云平台简介：百度智能云是百度提供的公有云平台，于2015年正式开放运营。百度云秉承“用科技力量推动社会创新”的愿景，不断将百度在云计算、大数据、人工智能的技术能力向社会输出。平台提供了各种人工智能应用的解决方案，为开发者提供了各种接口，使用者只要..

Note: 本文收集transformer领域的较流行的综述文章，将认为比较重要的内容整理在一起，用于学习和提供思路。1.谷歌：Efficient Transformers: A Survey（2020年9月）2.华为、北大：A Survey on Visual Transformer（2020年12月）3.复旦大学邱锡鹏组综述：A Survey of Transformers（2021年6月15