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）
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
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
摘要DENSE的主要特点单轮通信学习：DENSE允许中央服务器在单次通信轮次中学习全局模型，有效降低了通信成本。现有单轮FL方法的局限性：大多数现有的单轮FL方法不切实际或存在固有限制，例如需要公共数据集，客户端模型同质化，以及需要上传额外的数据或模型信息。DENSE的创新解决方案：采用两阶段框架：数据生成阶段和模型蒸馏阶段。数据生成阶段：使用客户端上传的本地模型集合训练生成器（训练了一个同时考虑相似性、稳定性和可转移性的生成器），生成合成数据。模型蒸馏阶段：将集合模型的知识蒸馏到全局模型中。无需额外信息交换：只需在客户端和服务器之间传输模型参数。无需辅助数据集：不需要额外的训练数据。考虑模型
逻辑回归这个算法的名称有一定的误导性。虽然它的名称中有“回归”，当它在机器学习中不是回归算法，而是分类算法。因为采用了与回归类似的思想来解决分类问题，所以它的名称才会是逻辑回归。逻辑回归的思想可以追溯到19世纪，由英国统计学家FrancisGalton在研究豌豆遗传问题时首次提出。然而，真正将逻辑回归应用于机器学习的是加拿大统计学家HughEverett，他在1970年代提出了广义线性模型（GLM），其中包括逻辑回归。逻辑回归广泛应用于各种分类问题，如垃圾邮件识别、疾病预测、市场细分等。1.算法概述逻辑回归通过构建一个逻辑模型来预测分类结果。它首先对特征进行线性回归，\(y=w_0x_0+w_
在我们在Yarn下运行的Hadoop集群中，我们遇到了一个问题，即一些“更聪明”的人能够通过在pySparkJupyter笔记本中配置Spark作业来消耗大得多的资源block，例如:conf=(SparkConf().setAppName("name").setMaster("yarn-client").set("spark.executor.instances","1000").set("spark.executor.memory","64g"))sc=SparkContext(conf=conf)这导致了这些人从字面上排挤其他不那么“聪明”的人的情况。有没有办法禁止用户自行分配资
逻辑回归这个算法的名称有一定的误导性。虽然它的名称中有“回归”，当它在机器学习中不是回归算法，而是分类算法。因为采用了与回归类似的思想来解决分类问题，所以它的名称才会是逻辑回归。逻辑回归的思想可以追溯到19世纪，由英国统计学家FrancisGalton在研究豌豆遗传问题时首次提出。然而，真正将逻辑回归应用于机器学习的是加拿大统计学家HughEverett，他在1970年代提出了广义线性模型（GLM），其中包括逻辑回归。逻辑回归广泛应用于各种分类问题，如垃圾邮件识别、疾病预测、市场细分等。1.算法概述逻辑回归通过构建一个逻辑模型来预测分类结果。它首先对特征进行线性回归，\(y=w_0x_0+w_
我从事一个专有项目，该项目使用大量不同形式的工厂。幸运的是，它们中的大多数都没有按名称实例化类，但是使用newself()还是newstatic()来实例化取决于开发人员。我知道其中的区别，但我很好奇在技术上不需要后期静态绑定(bind)时，是否就哪一种是“正确”方式达成共识。例如，newstatic()经常出现在几乎肯定永远不会被子类化的服务类中。这在抽象类中显然很重要，但我更喜欢在不需要子类的地方使用newself()。解决技术差异的问题:Newselfvs.newstaticwhatmeansnewstatic?Whyreturnnewstatic?(PHP)我好奇的是:使用后期
