目录互相关运算定义互相关运算图示互相关运算完整计算示例卷积数学定义卷积运算图示卷积与互相关运算区别深度学习中的卷积为何能用互相关运算代替互相关运算定义在二维互相关运算中，卷积窗口从输入数组的最左上方开始，按从左往右、从上往下的顺序，依次在输入数组上滑动。当卷积窗口滑动到某一位置时，窗口中的输入子数组与核数组按对应元素相乘并求和，得到输出数组中相应位置的元素。互相关运算图示假设我们有一张image和一个filter 我们对图像中的蓝色区域进行Cross-correlation（互相关运算）那么在点E处的计算方式就是： G[3,3]=a∗A+b∗B+c∗C+d∗D+e∗E+f∗F+g∗G+h∗H+
目录1.论文&代码源2.配置环境2.1硬件环境2.2软件配置3.运行代码3.1关于CASIA-B数据集3.2pretreatment.py3.2.1log2str函数3.2.2log_print函数3.2.3cut_img函数3.2.4cut_pickle函数3.2.5图像预处理完整代码3.3config.py3.4train.py运行结果3.5test.py3.5.1概念补充：probeset与galleryset3.5.2运行结果4.算法核心代码4.1gaitset.py☆4.2model.py4.3triplet.py5.（原作）运行结果附录关于GaitSet核心算法，建议直接跳到“4.
【论文阅读笔记】Attention-BasedConvolutionalNeuralNetworkforEarthquakeEventClassification摘要 这段摘要介绍了一篇论文，其中提出了一种带有注意力模块的深度卷积神经网络（CNN），旨在提高对各种地震事件的分类性能。研究的目标是处理所有可能的地震事件，包括微地震和人工地震，以及大地震。为了成功应对这些事件，需要合适的特征表达和一个在不利条件下能够有效区分地震波形的分类器。为了鲁棒地分类地震事件，论文提出了一种在原始地震波形上使用深度CNN和注意力模块的方法。通过代表性的实验结果，论文表明该方法为地震事件分类提供了有效的结构，并
LiY,ZhouT,HeK,etal.Multi-scaleTransformerNetworkwithEdge-awarePre-trainingforCross-ModalityMRImageSynthesis[J].IEEETransactionsonMedicalImaging,2023.【开源】论文概述本文提出一种基于多尺度变换网络（MT-Net）的方法，用于跨模态磁共振成像（MR）图像合成。这种方法通过边缘感知的预训练和多尺度细化调整来提高合成图像的质量。核心创新包括：1)一个边缘感知的掩码自编码器（Edge-MAE），用于预训练，以改善图像的边缘细节；2)一个多尺度变换网络，用于
论文SpatialGroup-wiseEnhance:ImprovingSemanticFeatureLearninginConvolutionalNetworks论文链接paper:SpatialGroup-wiseEnhance:ImprovingSemanticFeatureLearninginConvolutionalNetworks模型结构论文主要内容卷积神经网络（CNN）通过收集不同层次和不同部分的语义子特征来生成复杂对象的特征表示。这些子特征通常可以以分组形式分布在每一层的特征向量中，代表各种语义实体。然而，这些子特征的激活往往在空间上受到相似模式和噪声背景的影响，从而导致错误的
本文主要从工程应用角度解读Transformer，如果需要从学术或者更加具体的了解Transformer，请参考这篇文章。目录1自然语言处理1.1RNN1.2Transformer1.3传统的word2vec2Attention 2.1Attention是什么意思2.2self-Attention是什么2.3self-attention如何计算？2.3.1如何计算关系2.3.2QKV向量2.3.3计算2.4多头注意力机制3位置信息4堆叠多层5decoder6最终输出结果7整体梳理1自然语言处理1.1RNN RNN系列算法包括GUR、LSTM等变体，主体部分是一样的，内部结构不同。
本博客系博主根据个人理解所写，非逐字逐句翻译，预知详情，请参阅论文原文。发表地点：ACL2022；论文下载链接：Multi-ModalSarcasmDetectionviaCross-ModalGraphConvolutionalNetwork-ACLAnthology代码链接：https://github.com/HITSZ-HLT/CMGCN；摘要：随着在线发布包含多模态信息的博客的流行，很多研究同时使用文本和视觉的信息来做多模态嘲讽检测（sarcasmdetection）。本文探究了一种新颖的思路，通过为每一个实例（instance）构建跨模态图（corss-modalgraph）来提取
个人论文精读笔记，主要是翻译+心得，欢迎旁观，如果有兴趣可以在评论区留言，我们一起探讨。Paper:https://arxiv.org/pdf/2209.06585v2.pdfCode:https://github.com/openvinotoolkit/deep-object-reid/tree/multilabel文章目录一、论文翻译＋理解0.摘要1.介绍2.相关工作3.方法3.1模型架构3.2Transformer多标签分类头3.3图注意力多标签分支（GAT）3.4角边缘二值分类（AAM，结合了ASL和度量学习的一种loss）3.5训练策略的细节4.实验5.结论二、代码复现0.写在前面1
ASpatial-TemporalAttention-BasedMethodandaNewDatasetforRemoteSensingImageChangeDetection论文地址：https://www.mdpi.com/2072-4292/12/10/1662项目代码：https://gitcode.net/mirrors/justchenhao/STANet?utm_source=csdn_github_accelerator发表时间：2020遥感图像变化检测（CD）可以识别双时间图像之间的显著变化。给定在不同时间拍摄的两幅共配准图像，但是，光照变化和配准偏移(拍摄角度变化)超过了真
ConvolutionalBlockAttentionModule（CBAM）：CBAM是一种组合模型，将通道注意力和空间注意力相结合，以提高模型的表现力。CBAM模块包括两个注意力子模块：通道注意力模块和空间注意力模块。通道注意力模块用于计算每个通道的重要性，以便更好地区分不同通道之间的特征。空间注意力模块则用于计算每个像素在空间上的重要性，以便更好地捕捉图像中的空间结构。通道注意力模块通过对输入特征图在通道维度上进行最大池化和平均池化，然后将这两个池化结果输入到一个全连接层中，最后输出一个通道注意力权重向量。这个向量用于加权输入特征图中的每个通道，从而更好地区分不同通道的特征。空间注意力模
