贝叶斯分类是一种统计学分类方法，基于贝叶斯定理，对给定的数据集进行分类。它的历史可以追溯到18世纪，当时英国统计学家托马斯·贝叶斯发展了贝叶斯定理，这个定理为统计决策提供了理论基础。不过，贝叶斯分类在实际应用中的广泛使用是在20世纪80年代，当时计算机技术的进步使得大规模数据处理成为可能。1.算法概述贝叶斯分类基于贝叶斯公式，通过已知样本信息来计算未知样本属于各个类别的概率，然后选择概率最大的类别作为未知样本的分类结果。贝叶斯公式的简化公式：\(P(A|B)=\frac{P(B|A)P(A)}{P(B)}\)其中：\(P(A)\)：事件A发生的概率\(P(B)\)：事件A发生的概率\(P(A|

论文地址：https://openaccess.thecvf.com/content/CVPR2022/html/Zamir_Restormer_Efficient_Transformer_for_High-Resolution_Image_Restoration_CVPR_2022_paper.html源码地址：https://github.com/swz30/Restormer概述  图像恢复任务旨在从受到各种扰动（噪声、模糊、雨滴等）影响的低质量图像中恢复出高质量图像，该任务需要强大的先验知识作为引导。基于卷积神经网络的方法感受野受限，无法对像素间的长程依赖进行建模，且在推理过程卷积核的

今天我们分享一个深度学习遥感相关的网站：「satellite-image-deep-learning」。这是一个github库，里面含有大量应用于卫星和航空图像的深度学习资源。主要包括以下几个方面：annotation：提供数据集注释信息，里面包含众多标注工具，有的可以自带坐标，有的可以生成geojson。既有针对遥感数据的标注工具，也有如labelme这些深度学习常用的工具。datasets：列出许多数据集。已经按来源和内容进行了分类model-training-and-deployment：列出有关深度学习模型的训练和部署的信息。包括正确处理数据，如何部署模型、跟踪模型等。software

0.简单总结Q-learning？最简单的强化学习算法！不需要深度学习网络的算法！带有概率性的穷举特性！（甚至还有一点点动态规划的感觉）1.Q-learning介绍Q-learning是一种基于强化学习的算法，用于解决Markov决策过程（MDP）中的问题。这类问题我们理解为一种可以用有限状态机表示的问题。它具有一些离散的状态state、每一个state可以通过动作action转移到另外一个state。每次采取action，这个action都会带有一些奖励reward（也可以是负数，这样就表示惩罚了）。在Q-learning中，我们有一个智能体（Agent）和一个环境（Environment）

        目录1、加载图片资源1.1、存档图类型数据源a.本地资源b.网络资源c.Resource资源d.媒体库file://data/storagee.base64 1.2、多媒体像素图片2、显示矢量图3、添加属性3.1、设置图片缩放类型3.2、设置图片重复样式3.3、设置图片渲染模式 3.4、设置图片解码尺寸3.5、添加滤镜效果3.6、同步加载图片3.7、事件调用        开发者经常需要在应用中显示一些图片，例如：按钮中的icon、网络图片、本地图片等。在应用中显示图片需要使用Image组件实现，Image支持多种图片格式，包括png、jpg、bmp、svg和gif，具体用法请

论文链接：[2002.12416]LearningintheFrequencyDomain(arxiv.org)https://arxiv.org/abs/2002.12416论文代码：kaix90/DCTNet(github.com)https://github.com/kaix90/DCTNet1、研究背景a）在传统方法中，高分辨率的RGB图片通常在CPU上进行预处理，然后转移到GPU上进行推理。因为没有经过压缩的RGB图片很大，所以CPU和GPU之间的传输带宽（CB）要求很高。为减少计算代价和传输带宽，高分辨率的RGB图片被下采样至更小的图片，但是这通常导致信息丢失和更低的推理准确率。b

RIS系列See-Through-TextGroupingforReferringImageSegmentation论文阅读笔记一、Abstract二、引言三、相关工作3.1SemanticSegmentationandEmbeddings3.2ReferringExpressionComprehension3.3ReferringImageSegmentation四、方法4.1视觉表示4.2文本表示4.3See-through-TextEmbedding4.4Bottom-upSTEPHeatmaps5.5Top-downHeatmapRefinement细节4.6训练五、实验5.1消融研究

论文地址：https://openaccess.thecvf.com/content/CVPR2023/papers/Li_Efficient_and_Explicit_Modelling_of_Image_Hierarchies_for_Image_Restoration_CVPR_2023_paper.pdf源码地址：https://github.com/ofsoundof/GRL-Image-Restoration概述  图像复原任务旨在从低分辨率的图像（模糊，子采样，噪声污染，JPEG压缩）中恢复高质量的图像。图像复原是一个不适定的放问题，因为图像在退化过程中丢失了重要的信息。因此，图

代码 原文地址 预备知识：1.什么是MIL？多示例学习（MIL）是一种机器学习的方法，它的特点是每个训练数据不是一个单独的实例，而是一个包含多个实例的集合（称为包）。每个包有一个标签，但是包中的实例没有标签。MIL的目的是根据包的标签来学习实例的特征和分类规则，或者根据实例的特征来预测包的标签。MIL的应用场景包括药物活性预测、图像分类、文本分类、关系抽取等。MIL的挑战在于如何处理实例之间的相关性、标签的不确定性和数据的不平衡性。MIL的常用算法有基于贝叶斯、KNN、决策树、规则归纳、神经网络等的方法，以及基于注意力机制、自编码器、变分推断等的方法。 2.什么是基于跨度（span）的命名实体

代码 原文地址 预备知识：1.什么是MIL？多示例学习（MIL）是一种机器学习的方法，它的特点是每个训练数据不是一个单独的实例，而是一个包含多个实例的集合（称为包）。每个包有一个标签，但是包中的实例没有标签。MIL的目的是根据包的标签来学习实例的特征和分类规则，或者根据实例的特征来预测包的标签。MIL的应用场景包括药物活性预测、图像分类、文本分类、关系抽取等。MIL的挑战在于如何处理实例之间的相关性、标签的不确定性和数据的不平衡性。MIL的常用算法有基于贝叶斯、KNN、决策树、规则归纳、神经网络等的方法，以及基于注意力机制、自编码器、变分推断等的方法。 2.什么是基于跨度（span）的命名实体