语义分割数据标注

摘要: 0 首先打开cmd 1,首先安装标注软件。在命令行窗口中输入。 pip install labelme 2,输入labelme。 进入标注软件。 3,点击Open Dir选择图片文件路径 4,点击Create Polygons对图片进行标注 我们需要==标注的对象是船舱口及抓斗==。如下图是我标注好 阅读全文
posted @ 2023-04-27 16:03 Orange0005 阅读(312) 评论(0) 推荐(0) 编辑

Swin transformer环境

摘要: pip install torch==1.7.0+cu101 torchvision==0.8.1+cu101 torchaudio==0.7.0 -f https://download.pytorch.org/whl/torch_stable.html pip install mmcv-full= 阅读全文
posted @ 2023-04-26 20:58 Orange0005 阅读(22) 评论(0) 推荐(0) 编辑

CLIP

摘要: CLIP OpenAI ICML2021 摘要 CLIP的方法非常的简单,但是效果非常好。 比如,clip的迁移学习能力是非常强的,它预训好的模型,能够在任意一个视觉分类的数据集上取得不错的效果。而且最重要的是CLIP是**==zero shot==**的,也就是说它完全没有在这些数据集上去做训练, 阅读全文
posted @ 2023-04-10 09:37 Orange0005 阅读(342) 评论(0) 推荐(0) 编辑

End-to-End Object Detection with Transformers

摘要: 本文提出了一种端到端的,使用transformer的目标检测方法。作者将目标检测视为直接集合预测的问题。相比较于之前的方法,有效地消除了许多手工设计的组件的需求。 之前目标检测中,不论是proposal based的方法,还是anchor based的方法,都需要用到nms(非极大值抑制)等后处理方 阅读全文
posted @ 2023-03-26 18:59 Orange0005 阅读(409) 评论(0) 推荐(0) 编辑

META-PDE

摘要: 未发表 摘要 本文提出了一种基于元学习的方法,该方法从一系列相关的偏微分方程中学习快速解决问题。作者使用元学习(MAML和LEAP)来识别近似PDE解的神经网络的初始化,以便在新任务中快速最小化 PDE 的残差。由此产生的meta-PDE方法可以在几个梯度步骤内找到大多数问题的解,中等精度下可以比有 阅读全文
posted @ 2023-03-12 11:18 Orange0005 阅读(153) 评论(0) 推荐(0) 编辑

Physics-Augmented Learning: A New Paradigm Beyond Physics-Informed Learning.

摘要: https://arxiv.org/abs/2109.13901 摘要 在本文中,作者希望将物理信息学习(physics-informed learning, PIL)进一步推广,从而提出了一个新的模式——物理增强学习(physicsaugmented learning, PAL)。PIL和PAL分 阅读全文
posted @ 2023-03-08 11:33 Orange0005 阅读(192) 评论(0) 推荐(0) 编辑

One-Shot Transfer Learning of Physics-Informed Neural Networks

摘要: 本文提出了一种将迁移学习应用到PINN的方法。可以极大的缩短训练PINN所用的时间,目前,PINN所需要的训练次数往往都在成千上万次, 作者通过批量训练PINN,来学习丰富的潜在空间用来执行迁移学习。主要是冻结网络的隐藏层,只微调最后一个线性层。这样可以将神经网络的推理速度快好几个数量级。对于线性问 阅读全文
posted @ 2023-02-26 16:55 Orange0005 阅读(298) 评论(0) 推荐(0) 编辑

A Novel Sequential Method to Train Physics Informed Neural Networks for Allen Cahn and Cahn Hilliard Equations

摘要: 一种新的顺序方法去求解关于时间的方程。个人感觉论文很差。(方法不新颖,写作很无聊,排版也有问题,内容也表述不清)。 本文提出一种利用单个神经网络,在连续时间段上顺序求解偏微分方程的新型方案。关键思想是,重新训练相同的神经网络来解决连续时间段上的PDE,同时满足所有先前时间段已经获得的解决方案。并且提 阅读全文
posted @ 2023-02-18 12:25 Orange0005 阅读(56) 评论(0) 推荐(0) 编辑

Physics Informed Deep Learning for Flow and Transport in Porous Media

摘要: Paper presented at the SPE Reservoir Simulation Conference, On-Demand, October 2021. 这篇论文关注石油储藏模拟问题,应用PINN解决该领域的问题,并对标准PINN进行了改进来适应本领域的问题。显然,本篇论文专业性较强 阅读全文
posted @ 2023-02-18 12:24 Orange0005 阅读(57) 评论(0) 推荐(0) 编辑

[*]Quadratic Residual Networks: A New Class of Neural Networks for Solving Forward and Inverse Problems in Physics Involving PDEs

摘要: Accepted by SIAM International Conference on Data Mining (SDM21) 本文提出了二次残差网络,通过在应用激活函数之前,添加二次残差项到输入的加权和中,从而获得了比普通DNN具有更好表达容量的模型(相同宽度下)。这样在拟合复杂的PDE时,得益 阅读全文
posted @ 2023-02-10 16:42 Orange0005 阅读(72) 评论(0) 推荐(0) 编辑