我国高分辨率对地观测系统重大专项已全面启动，高空间、高光谱、高时间分辨率和宽地面覆盖于一体的全球天空地一体化立体对地观测网逐步形成，将成为保障国家安全的基础性和战略性资源。随着小卫星星座的普及，对地观测已具备多次以上的全球覆盖能力，遥感影像也不断被更深入的应用于矿产勘探、精准农业、城市规划、林业测量、军事目标识别和灾害评估。未来10年全球每天获取的观测数据将超过10PB，遥感大数据时代已然来临。另一方面，随着无人机自动化能力的逐步升级，它被广泛的应用于多种领域，如航拍、农业、植保、灾难评估、救援、测绘、电力巡检等。但同时由于无人机飞行高度低、获取目标类型多、以及环境复杂等因素使得对无人机获取的
我国高分辨率对地观测系统重大专项已全面启动，高空间、高光谱、高时间分辨率和宽地面覆盖于一体的全球天空地一体化立体对地观测网逐步形成，将成为保障国家安全的基础性和战略性资源。随着小卫星星座的普及，对地观测已具备多次以上的全球覆盖能力，遥感影像也不断被更深入的应用于矿产勘探、精准农业、城市规划、林业测量、军事目标识别和灾害评估。未来10年全球每天获取的观测数据将超过10PB，遥感大数据时代已然来临。另一方面，随着无人机自动化能力的逐步升级，它被广泛的应用于多种领域，如航拍、农业、植保、灾难评估、救援、测绘、电力巡检等。但同时由于无人机飞行高度低、获取目标类型多、以及环境复杂等因素使得对无人机获取的
过去十多年，AI的飞速发展主要是工程实践上的进步，AI理论并没有起到指导算法开发的作用，经验设计的神经网络依然是一个黑盒。而随着ChatGPT的爆火，AI的能力也被不断夸大、炒作，甚至到了威胁、绑架社会的地步，让Transformer架构设计变透明已刻不容缓！最近，马毅教授团队发布了最新研究成果，设计了一个完全可用数学解释的白盒Transformer模型CRATE，并在真实世界数据集ImageNet-1K上取得了接近ViT的性能。代码链接：https://github.com/Ma-Lab-Berkeley/CRATE论文链接：https://arxiv.org/abs/2306.01129在
注意：python>=3.8,pytorch>=1.7,torchvision>=0.8Feelfreetoaskanyquestion.遇到问题欢迎评论区讨论.官方教程：https://github.com/facebookresearch/segment-anything1环境配置1.1安装主要库：（1）pip：有可能出现错误，需要配置好Git。pipinstallgit+https://github.com/facebookresearch/segment-anything.git（2）本地安装：有可能出现错误，需要配置好Git。gitclonegit@github.com:facebo
注意：python>=3.8,pytorch>=1.7,torchvision>=0.8Feelfreetoaskanyquestion.遇到问题欢迎评论区讨论.官方教程：https://github.com/facebookresearch/segment-anything1环境配置1.1安装主要库：（1）pip：有可能出现错误，需要配置好Git。pipinstallgit+https://github.com/facebookresearch/segment-anything.git（2）本地安装：有可能出现错误，需要配置好Git。gitclonegit@github.com:facebo
2022年6月21日（美国时间），KhronosGroup（多媒体开放标准行业组织）与Meta、微软、谷歌、高通、英伟达、EpicGames、Unity、阿里巴巴和华为等建设元宇宙概念的科技巨头宣布成立了元宇宙标准论坛（MetaverseStandardsForum），旨在制定行业标准，为合作构建互操作性标准服务，让各公司的元宇宙能够相互兼容。备注：KhronosGroup成立于2000年1月，迄今已经22年。KhronosGroup由包括3Dlabs,ATI,Discreet,Evans&Sutherland,Intel,Nvidia,SGI和SunMicrosystems在内的多家国际知名
🏅🏅🏅🏅🏅🏅🏅🏅🏅🏅🏅🏅🏅🏅🏅🏅一年一度的【博客之星】评选活动已开始啦作为第一次且有幸能够参加评选的小博主我诚惶诚恐还请各位花费宝贵的几秒钟时间为我投上五星：2022年「博客之星」参赛博主：老师我作业忘带了✨✨✨✨✨谢谢各位✨✨✨✨✨本项目来使用Transformer实现看图说话，即ImageCaption任务。相关涉及的知识点有：迁移学习、EfficientNet、TransformerEncoder、TransformerDecoder、Self-attention。项目效果如下：文章末尾也展示了预测失败的时候 ImageCaption:让机器在图片中生成一段描述性的文字。机器需要检测出图
🏅🏅🏅🏅🏅🏅🏅🏅🏅🏅🏅🏅🏅🏅🏅🏅一年一度的【博客之星】评选活动已开始啦作为第一次且有幸能够参加评选的小博主我诚惶诚恐还请各位花费宝贵的几秒钟时间为我投上五星：2022年「博客之星」参赛博主：老师我作业忘带了✨✨✨✨✨谢谢各位✨✨✨✨✨本项目来使用Transformer实现看图说话，即ImageCaption任务。相关涉及的知识点有：迁移学习、EfficientNet、TransformerEncoder、TransformerDecoder、Self-attention。项目效果如下：文章末尾也展示了预测失败的时候 ImageCaption:让机器在图片中生成一段描述性的文字。机器需要检测出图
接着之前文章《模型杂谈：快速上手元宇宙大厂Meta“开源泄露”的大模型（LLaMA）》一文中的话题，继续聊聊如何使用INT8量化的方式来让低显存的设备能够将模型运行起来。写在前面前几天，在知乎上看到《如何评价LLaMA模型泄露？》问题，因为正巧有事在忙，于是顺手用手头的机器跑了一个原版模型，写了一段简单的回答，附加了实际运行所需显存资源的图片。在折腾过程中，看到了上一篇文章中提到的社区项目“PyLLaMA”，能够比原版降低非常多显存资源，来将程序跑起来。因为手头机器的显存相对富裕，当时没有直接进行复现验证。随后，在后面陆续出现的知乎回答列表中，我看到了其他人也提到这个方案能够直接运行在8GB的
接着之前文章《模型杂谈：快速上手元宇宙大厂Meta“开源泄露”的大模型（LLaMA）》一文中的话题，继续聊聊如何使用INT8量化的方式来让低显存的设备能够将模型运行起来。写在前面前几天，在知乎上看到《如何评价LLaMA模型泄露？》问题，因为正巧有事在忙，于是顺手用手头的机器跑了一个原版模型，写了一段简单的回答，附加了实际运行所需显存资源的图片。在折腾过程中，看到了上一篇文章中提到的社区项目“PyLLaMA”，能够比原版降低非常多显存资源，来将程序跑起来。因为手头机器的显存相对富裕，当时没有直接进行复现验证。随后，在后面陆续出现的知乎回答列表中，我看到了其他人也提到这个方案能够直接运行在8GB的
