当前位置: 首页 > news >正文

[CR]厚云填补_SEGDNet

Structure-transferring edge-enhanced grid dehazing network


Abstract

        在过去的二十年里,图像去雾问题在计算机视觉界受到了极大的关注。在雾霾条件下,由于空气中水汽和粉尘颗粒的散射,图像的清晰度严重降低,使得许多计算机视觉系统,如用于物体检测、物体识别、监视、驾驶辅助等的计算机视觉系统难以进行进一步的处理和操作。然而,以往的除雾方法通常存在亮度差、偏色、去除不清洁、光晕、伪影和模糊等缺点。为了解决这些问题,本研究提出了一种新的结构转移边缘增强网格去雾网络(SEGDNet)。采用一种保持边缘的平滑算子—引导滤波器,有效地将图像分解为低频图像结构和高频边缘。提出了低频网格除雾子网络(LGDSn),在除雾过程中有效地保留了网格的低频结构。提出了高频边缘增强子网络(HEESn),在去除噪声的同时增强边缘和细节。采用低频和高频融合子网(L&HFSn)对低频和高频结果进行融合,得到最终去雾图像。在合成和真实世界数据集上的实验结果表明,我们的方法在定性和定量评估方面都优于最先进的方法。

1  Introduction

        雾霾是一种常见的大气现象。灰尘、烟雾、棉绒和其他空气中的颗粒会降低大气的清晰度,并在摄影中造成问题,在摄影中,允许光线穿透大气是可视化远处物体所必需的。物体对比度下降的视觉效果是由于光通过雾粒散射的影响造成的。在过去的几十年里,图像去雾问题在计算机视觉界受到了广泛的关注。图像去雾的目的是为了恢复由于雾霾、难以检测等原因造成的不清晰图像。该技术有助于减轻天气、环境等因素引起的图像失真对各种计算机视觉分析任务的影响,对于开发强大的计算机视觉系统,如行人检测、反射去除、眼中心定位、目标检测等领域的计算机视觉系统具有重要意义。由于这些原因,摄影和计算机视觉应用需要去除雾霾的技术。

        除雾是一个具有挑战性的问题,因为通过雾霾的光透射程度取决于未知的深度,而深度因位置而异。各种图像增强技术已经被用于从单幅图像中去除雾霾,包括基于直方图的、基于对比度的和基于饱和度的去雾。此外,其他研究也提出了使用多幅图像或深度信息的方法。例如,基于偏振的方法通过拍摄多幅不同偏振度的图像来消除雾霾的影响。基于对比的方法采用了多个约束条件,在不同天气条件下捕获同一场景的多幅图像。基于深度的方法需要来自用户输入或已知3D模型的深度信息。在实际应用中,深度信息或多幅朦胧图像并不总是可用的。

        对于计算机来说,从单个图像中去除雾霾是一项艰巨的任务。相比之下,人类大脑可以在没有额外信息的情况下迅速从自然场景中区分出有雾和无雾的区域。研究人员已经提出了几种去雾霾图像的方法,从传统的图像增强方法到之前简单地通过大气散射模型近似雾霾的方法,估计图像各个部分的雾霾浓度,以及现代更流行的机器学习方法。根据卷积神经网络(convolutional neural networks, cnn)在行人检测、眼中心定位、物体检测等高级计算机视觉任务中的成功经验,近年来出现了一些基于卷积神经网络的方法。深度学习方法已被提出用于图像绘制或超分辨率等任务。然而,这些深度学习方法在应用于单图像处理时往往存在缺陷。

        具体来说,许多深度学习图像绘制方法需要使用合成数据集进行训练。为了创建这样的数据集,必须有一个相应的图像失真的物理模型(例如,霾的大气散射模型)。一个明显的问题是,图像绘制算法本身的设计是否应该依赖于这个物理模型。显然,由于模型不匹配,依赖于模型的算法在实际图像处理中可能表现不佳。然而,这个模型创建的数据集的好处是,它可以生成许多图像,而不需要在相同的条件下拍摄两张前后失真的照片。除了数据集的问题外,单幅图像的去雾通常会导致雾霾厚度的估计不准确,去雾后的整体图像太暗,或者可能会有严重的颜色失真,降低输出图像的质量,大量或部分雾霾没有被清除干净,晕伪影出现在物体的边缘等。因此,我们在本研究中提出了一种新型的结构转移边缘增强网格去雾网络(SEGDNet)来解决上述问题,以达到更好的去雾效果,使被雾霾遮挡的图像可以在各种计算机视觉应用中正常使用,使图像在视觉上更加清晰。

本研究的贡献总结如下:

  1. 我们提出了一种新的结构转移边缘增强网格去雾网络(SEGDNet),以解决单幅图像去雾在亮度差、色偏、去除不清洁、光晕、伪影和模糊方面的问题。
  2. 提出了低频网格除雾子网络(LGDSn),在除雾时有效地保留了低频结构。
  3. 提出了高频边缘增强子网络(HEESn),在去除噪声的同时增强边缘和细节。
  4. 实验结果表明,所提出的SEGDNet在合成数据集和真实数据集的定性和定量评估方面都优于目前最先进的方法。

2  Related Work 

        无雾图像对许多计算机视觉系统都很重要,因此单图像去雾是非常有价值的。本节将介绍以往关于图像去雾的研究。目前的图像去雾方法一般可以分为基于先验的去雾方法和基于学习的去雾方法。 

2.1  基于先验的除雾方法

        在以前的文献中,已经提出了许多基于先验的脱雾方法。Fattal提出了一种估算单幅朦胧图像光透射率的方法。基于这个估计,散射光被去除以增加场景的可见度并恢复无雾图像的对比度。Tan基于两个基本观测结果开发了一个系统:首先,能见度高的图像比受恶劣天气影响的图像具有更高的对比度;其次,大气光线的变化主要取决于物体与观察者之间的距离。在此基础上,提出了马尔科夫随机场框架下的除雾方法。Tarel和Hautiere通过大气掩膜推断、图像恢复和平滑以及色调映射实现了快速去雾。有研究提出了暗通道先验,这是一种室外无雾图像的统计量。他们观察到,户外无雾图像中的大多数局部斑块包含至少一个颜色通道中强度非常低的像素。利用该先验和大气散射模型,可以直接估计雾霾的厚度,恢复高质量的无雾图像。Nishino等人提出了一种贝叶斯概率方法,通过充分利用单个雾霾图像的底层统计结构,联合估计场景反照率和深度。Meng等人,能够通过正则化方法去霾,这得益于对传递函数固有边界约束的探索。Fattal认为小图像块的像素通常在RGB色彩空间中呈一维分布,称为色线,并根据色线与原点的偏移量恢复图像。Berman和Avidan提出了一种基于非局部先验的雾霾线算法,该算法考虑无雾图像的颜色,在RGB空间中形成紧密聚类。Bui和Kim提出的方法构建了一个彩色椭球,在RGB空间中对雾霾像素簇进行统计拟合,然后根据彩色椭球的几何形状计算透射值和去霾值。Hsu和Chen开发了一种基于多尺度小波和非局部去雾的新方法。对低频子图像进行非局部去雾,对高频子图像进行小波去噪,分别去除雾和噪声。Galdran提出了一种除雾技术,该技术可以在不依赖于雾霾形成物理模型的反演的情况下消除雾霾造成的视觉退化,但尊重其主要的基本假设。

2.2  基于学习的除雾方法

        由于基于先验的去雾方法有一定的局限性,最大的问题是,如果待去雾的图像不符合先验假设,那么去雾效果会大大降低,甚至会导致图像出现伪影或偏色。因此,鉴于卷积神经网络(CNN)在计算机视觉任务中的普遍成功,一些去雾算法依赖于各种CNN直接从数据中彻底学习去雾图像,以避免从单个图像估计物理参数时的不准确性。

        Cai等人提出了一种可训练的端到端系统DehazeNet,通过大气散射模型估计介质输运并恢复无雾图像。Ren等提出了一种多尺度深度神经网络,其中粗尺度网络基于整个图像预测传输图,细尺度网络对结果进行局部细化。Li等人提出AOD-Net通过基于重新制定的大气散射模型设计的轻量级cnn直接生成干净的图像。Ren等人能够使用由编码器和解码器组成的端到端可训练神经网络GFN进行去雾,编码器用于捕获输入图像的上下文,解码器用于估计每个输入对最终去雾结果的贡献。Santra等人提出了一种除雾块质量比较器,通过将各种输出块与原始朦胧版本进行比较,然后选择最佳的块进行除雾。Tang等人提出了LMSN,一种端到端多尺度卷积神经网络,其中多尺度块可以提取不同尺度的特征,并采用整体跳过连接来提高模型的性能。Wang等先提出大气照度,认为雾霾主要对YCrCb色彩空间的亮度通道有显著影响,而色度通道受影响较小。通过多尺度卷积网络自动识别雾霾区域,恢复不足的纹理信息,称为AIPNet。Liu等人提出了一种迭代运算算法,将图像去雾问题表示为一个突变模型的最小化。在经典梯度下降法的基础上,利用CNN对该突变模型进行解雾。Liu等人。提出了GridDehazeNet,它由预处理、主干和后处理三个模块组成。预处理模块生成学习输入,主干模块实现对网格网络的多尺度估计,后处理模块减少伪影。Zhang和Tao提出了FAMED-Net,它由三尺度编码器和融合模块组成。编码器由级联且紧密连接的点卷积层和池化层组成。

3  Proposed Method

        如图1所示,在本研究中,我们提出了一种新颖的结构转移边缘增强网格去雾网络(SEGDNet),以解决单幅图像去雾在亮度差、偏色、去除不清洁、光晕、伪影和模糊方面的问题。

  • 首先,利用保持边缘的平滑算子Guided filter将图像有效分解为低频子图像和高频子图像;
  • 其次,提出低频网格去雾子网络(LGDSn),在去雾的同时有效地保留低频结构;
  • 提出高频边缘增强子网络(HEESn),在去噪的同时增强边缘和细节。
  • 最后,我们将低频和高频结果与低频和高频融合子网络(L&HFSn)结合使用,得到最终的去雾图像。 

3.1  引导滤波器(Guided Filter) 

        制导滤波器是一种图像滤波器,当用作边缘保持平滑算子时表现良好。此外,该滤波器也是一种速度最快的保边滤波器。在本研究中,通过Guided Filter对输入的雾霾图像进行滤波,得到输入图像的低频图像结构,然后将滤波后的图像与原始输入图像相减,得到高频图像边缘,用于后续处理。

3.2  低频网格除雾子网(Low-frequency Grid Dehazing Subnetwork,LGDSn)

        通过Guided Filter从输入图像中过滤LF图像,然后通过三行六列的网格深度神经网络LGDSn,如图2所示。每一行对应一个不同的比例尺,由5个RDB block组成,同一行的feature map个数相同。每列的特征图大小不同,不同大小的列通过上采样和下采样块连接。在每个上采样或下采样块中,特征图的大小被减少或增加2倍,特征图的数量也被增加或减少2倍。上下采样是通过卷积完成的。 

        具体来说,上下采样块在结构上是相同的,只是使用不同的卷积层来调整特征映射的大小。它为每个RDB块包含五个卷积层。采用前四层来增加特征映射的数量,而最后一层则融合这些特征映射,然后通过通道加法将其输出与该RDB块的输入结合起来。当低频图像结构通过LGDSn时,可以得到除雾后的低频图像结构,作为后续加入HEESn的基础。

3.3  高频边缘增强子网(High-frequency Edge Enhancement Subnetwork,HEESn)

        HEESn可以有效去除噪声,同时增强从输入图像中提取的边缘。首先,通过引导滤波器从输入图像中提取边缘。提取边缘信息后,通过卷积、RRDB、上采样块输入HEESn,如图3所示。此外,还有一个带有sigmoid激活函数的掩码层,用于去除边缘的噪声。 

        具体来说,原来的DB被替换为RRDB,性能得到了提高。提供了一个边缘增强损失函数来进一步增强边缘的重建,如章节3.5所述。最后,在去雾的低频图像结构中加入网络增强的高频图像边缘,应用L&HFSn。

3.4  低高频融合子网(Low-and-high Frequency Fusion Subnetwork,L&HFSn)

        将LGDSn和HEESn的输出相加后,可以得到边缘增强的去雾图像。然而,直接去雾的图像输出往往包含伪影。因此,在我们的模型中提出了l&hfsni来去除伪影,提高去雾图像的质量。L&HFSn的架构由残差密集块(RDB)和卷积层组成,如图4所示。 

3.5  损失函数 

        采用Smooth L1 Loss和Perceptual Loss作为训练该方法的网络。Smooth L1 Loss可以定量测量去雾图像与GT之间的差异,并且由于L1准则可以降低爆炸梯度的概率,它对异常值的敏感性不如MSE损耗。对L1损失部分进行平滑处理,其中,\hat{J}_{i}(x)表示去噪图像中像素x的第i个颜色通道的强度,N表示总像素数。整个Smooth L1 Loss可表示为:

        与逐像素损失不同,Perceptual Loss利用从预训练的深度神经网络中提取的多尺度特征来量化预测地图和GT之间的视觉差异。在本研究中,我们使用在ImageNet上预训练的VGG16作为损失网络,在前三个阶段(即Conv1-2、Conv2-2和Conv3-3)中提取每一层的特征。感知损失定义为:

        其中\Theta _{j}(\hat{J})\Theta _{j}(J), j = 1,2, 3表示上述与去雾图像 j 和“GT J”相关的三个VGG16特征映射。“C_{j}”、“H_{j}”、“W_{j}”为\Theta _{j}(\hat{J})\Theta _{j}(J)的维数,j = 1、2、3。将Smooth L1 Loss和Perceptual Loss结合定义总损耗如下:

        其中λ是用于调整两个损失函数的相对权重的参数。在本研究中,λ设为0.04。 

4  Experiments 

4.1  数据集准备

        在实验中使用了最流行的RESIDE数据集来评估所提出的方法。该数据集包含72,135张室外合成雾霾图像及其对应的无雾图像。训练完成后,使用RESIDE SOTS测试数据集进行测试,该数据集包含500张室内外朦胧图像,HSTS测试数据集包含10张合成图像和10张真实图像进行测试。 

4.2  训练细节和参数

        在实验中,使用了英特尔酷睿i9-9900KF @ 3.60GHz和32GB内存。该模型在NVIDIA GeForce RTX 2080 TI GPU上使用Pytorch进行训练。参数设置描述如下:图像patch大小为240×240,使用Adam优化器,批大小为8,epoch为80,学习率为0.0001。 

4.3  不同方法的定性评价

        图5  在HSTS数据集上对已有方法和我们的方法进行定性比较. 

        之前的方法和我们的方法在HSTS数据集中的定性比较如图5所示。在城市景观中,可以看到DCP和BCCR的方法效果不佳,天空的颜色变得夸张,而NLD的颜色整体变得非常暗,我们的方法是最接近GT图像的。在湖表面的图像中,DCP、BCCR和nldd方法都显示出天空中严重的偏色。CAP方法相对好一些,但是可以看到湖面的感觉比GT要浅一些。但是在除雾的时候,我们的方法天空和湖面的颜色是最接近GT的。

        图6  基于深度学习的方法和我们在HSTS数据集中的定性比较. 

        图6展示了基于深度学习的方法和我们在HSTS数据集中的定性比较。从第一排的图像可以看出,MSCNN和GFN的方法过于饱和,而AOD-Net的整体颜色变得太暗。DehazeNet相对较好,但整体色温太冷。然而,我们的方法可以很好地恢复原始图像的色调。在第四行图像中,MSCNNandAOD-Net中间部分的雾霾没有去除,GFN变得太暗,人物几乎与背景融为一体。DehazeNet的方法比较好,但是叶子、树枝、树枝的细节变得很暗,而我们的方法很好地保留了树木的各种细节,干净地去除了雾霾。

        图7  最先进的方法和我们在真实世界图像中的定性比较。 

        最先进的方法和我们在真实世界图像中的定性比较如图7所示。在秸秆堆的图像中,可以看到NLD方法的对比度太强,阴影变得太暗,CAP和MSCNN中的雾霾没有被清晰地去除,AOD-Net的整体亮度变得太暗,而我们的方法准确地显示了干草堆的各种细节。在第5排的山地图像中,DCP和NLD的方法导致整体图像非常暗,CAP和AOD-Net的方法也较暗,但相对更好。在MSCNN中,只有左边的石头和人物似乎被适当地去雾了,远处的山脉几乎没有变化。我们的方法有最自然的色调的石头和人物,大部分的阴霾在山上已经被删除。在第六列的人物形象中可以看出,DCP使人物的肤色变暗;在NLD中,它变得苍白,CAP也有整体的颜色偏移,AOD-Net中的颜色偏黄,而我们的方法保留了角色最自然的肤色。

4.4  不同方法的定量评价

        SEGDNet与几种最先进的方法进行了定量和定性比较。其中,基于先验的方法有FVR、DCP、BCCR、CAP和NLD,基于深度学习的方法有DehazeNet、MSCNN、AODNet、GFN、EPDN、FAMED-Net,基于GAN的方法有DisentGAN和RefineNet。最先进的方法和我们在SOTS和SUN RGB-D数据集上的定量比较分别列在表1和表2中。结果表明,我们的方法在PNSR和SSIM方面优于最先进的方法。 

        表1  最先进的方法和我们在SOTS数据集中的定量评估。

        表2  在SUN RGB-D数据集中对最先进的方法和我们的方法进行定量评估。 

4.5  消融实验

        表3  我们的方法在SOTS数据集上的PSNR消融实验。 

        表3列出了我们方法的烧蚀实验。当只训练LF和HF图像而不进行L&HFSn时,分别表示为LGDSn和HEESn。即采用LGDSn来评价低频图像的低频重建能力,采用HEESn来验证高频图像的高频恢复能力。我们模型的LGDSn包含了大部分的图像信息。结果显示,PSNR略低于27。然而,HEESn仅适用于高频图像,未恢复的图像在模型中表现出明显较低的PSNR。“Oursw/oL&HFSn” 表示所提出的模型是在不使用L&HFSn的情况下进行训练的。当涉及到L&HFSn时,我们的模型达到了27.29的最佳PSNR。这表明,同时训练LGDSn、HEESn和L&HFSn时,获得了足够的信息量,从而在模型学习过程中获得了出色的特征提取。

5  Conclusion 

        在这项研究中,我们提出了一种新的SEGDNet来解决各种不同情况下的单幅图像去雾问题。该滤波器有效地将图像分解为低频子图像和高频子图像。LGDSn在去雾的同时有效地保留了低频结构,而HEESn在去噪的同时增强了边缘和细节。L&HFSn在融合低频和高频子图像时去除伪影,得到最终去雾图像。实验结果表明,在合成数据集和真实数据集上,我们的方法在定性和定量上都比目前最先进的方法获得了更好的性能和视觉呈现。在未来的工作中,我们将把提出的模型推广到更复杂和自然的雾霾数据集,以实现实际应用,如交通改善和目标跟踪。

相关文章:

[CR]厚云填补_SEGDNet

Structure-transferring edge-enhanced grid dehazing network Abstract 在过去的二十年里,图像去雾问题在计算机视觉界受到了极大的关注。在雾霾条件下,由于空气中水汽和粉尘颗粒的散射,图像的清晰度严重降低,使得许多计算机视觉…...

图-基础概念

是什么 图是一种抽象的数据类型,在图中的数据元素通常称作节点,V是所以定点的集合,E是所有边的集合 图的分类 有向图 如果两个订单v,w,只能由v向w,而不能w向v,那么我们就把何种情况叫做一个从…...

Javascript前端基础面试(十)

MVVM Vue MVVM这一篇就够啦&#xff01;_vue r mvvm-CSDN博客 点容器内的图标,图标边框变成border 1px solid red&#xff0c;点空白处重置 <div id"container"> <img src"icon.png" alt"Icon" class"icon"> <!…...

书生大模型实战营闯关记录----第五关:LlamaIndex+Internlm2 RAG实践Demo:效果对比,文档加载,向量库构建,检索器,模型推理

文章目录 1. 前置知识RAG背景RAG 效果比对 2. 环境、模型准备2.1 配置基础环境2.2 安装 Python环境和依赖包2.3 下载 Sentence Transformer 模型2.4 下载 NLTK 相关资源 3. LlamaIndex HuggingFaceLLM4. LlamaIndex RAG加载文档构建向量存储索引库检索器RAG代码 5. LlamaIndex …...

如何使用极狐GitLab CI/CD Component Catalog?【上】

极狐GitLab 是 GitLab 在中国的发行版&#xff0c;专门面向中国程序员和企业提供企业级一体化 DevOps 平台&#xff0c;用来帮助用户实现需求管理、源代码托管、CI/CD、安全合规&#xff0c;而且所有的操作都是在一个平台上进行&#xff0c;省事省心省钱。可以一键安装极狐GitL…...

详解Xilinx FPGA高速串行收发器GTX/GTP(3)--GTX的时钟架构

目录 1、参考时钟 2、时钟方案 2.1、单个外部参考时钟驱动单个QUAD中的多个transceiver 2.2、单个外部参考时钟驱动多个QUAD中的多个transceiver 2.3、同一个Quad中,多个GTX Transceiver使用多个参考时钟 2.4、不同Quad中,多个GTX Transceiver 使用多个参考时钟 3、QP…...

简单搭建dns服务器

目录 一.安装服务 二.编写子配置文件 三.编写主配置文件 四.编写文件 五.重启服务测试 配置端&#xff1a;IP地址为172.25.254.100、主机名为node1.rhel9.org 测试端&#xff1a;IP地址为172.25.254.101、主机名为node2.rhel9.org 一.安装服务 [rootnode1 ~]# dnf inst…...

大数据进阶(Advanced Big Data)

大数据进阶&#xff08;Advanced Big Data&#xff09; 目录 引言大数据架构 Lambda架构Kappa架构 大数据技术栈 数据采集与预处理数据存储与管理数据处理与分析数据可视化与展示 大数据分析方法 机器学习深度学习自然语言处理图数据分析 大数据在工业中的应用 制造业能源管理…...

微信小程序开发优惠券制作源码

微信小程序开发优惠券制作源码。制作一个自带流量的小程序商城,功能强大玩法新,轻松实现引流,推广,卖货,分销,会员管理,直播等多种功能需求需要哪些编辑代码源码呢?http://m.bokequ.com/list/124-2.html 代码分享 <!DOCTYPE HTML> <html xmlns"http://www.w3.o…...

mongodb的安装操作记录

mongodb的安装操作记录 1 上传软件包&#xff0c;并解压 [rootmonitor local]# tar -xvf mongodb-linux-x86_64-rhel70-7.0.12.tgz mongodb-linux-x86_64-rhel70-7.0.12/LICENSE-Community.txt mongodb-linux-x86_64-rhel70-7.0.12/MPL-2 mongodb-linux-x86_64-rhel70-7.0.1…...

C++客户端Qt开发——多线程编程(二)

多线程编程&#xff08;二&#xff09; ③线程池 Qt中线程池的使用 | 爱编程的大丙 1>线程池 我们使用线程的时候就去创建一个线程&#xff0c;这样实现起来非常简便&#xff0c;但是就会有一个问题&#xff1a;如果并发的线程数量很多&#xff0c;并且每个线程都是执行…...

ubuntu20复现NBV探索

官网代码 后退地平线下一个最佳景观规划师 这个代码有些久远&#xff0c;issue里面有人已经在ubuntu20里面使用了3dmr&#xff0c;但是他那个代码我也运行不成功&#xff0c;docker网络一直也不佳&#xff0c;所以还是自己重新修改源码靠谱。 最终实现的代码等有时间上传到gi…...

【51单片机仿真】基于51单片机设计的温湿度采集检测系统仿真源码文档视频——文末资料下载

演示 目录 1.系统功能 2.背景介绍 3.硬件电路设计 4.软件设计 4.1 主程序设计 4.2 温湿度采集模块程序设计 4.3 LCD显示屏程序设计 5.系统测试 6.结束语 源码、仿真、文档视频等资料下载链接 1.系统功能 该系统通过与AT89C51单片机、LCD1602显示屏和DHT11温湿度传感器…...

【Hadoop-驯化】一文学会hadoop访问hdfs中常用命令使用技巧

【Hadoop-驯化】一文学会hadoop访问hdfs中常用命令使用技巧 本次修炼方法请往下查看 &#x1f308; 欢迎莅临我的个人主页 &#x1f448;这里是我工作、学习、实践 IT领域、真诚分享 踩坑集合&#xff0c;智慧小天地&#xff01; &#x1f387; 免费获取相关内容文档关注&am…...

【Spring】Bean详细解析

1.Spring Bean的生命周期 整体上可以简单分为四步&#xff1a;实例化 —> 属性赋值 —> 初始化 —> 销毁。初始化这一步涉及到的步骤比较多&#xff0c;包含 Aware 接口的依赖注入、BeanPostProcessor 在初始化前后的处理以及 InitializingBean 和 init-method 的初始…...

决策树总结

决策树总结 决策树是一种广泛应用的机器学习算法&#xff0c;它模拟了人类进行决策时的逻辑思维过程&#xff0c;通过构建一棵树状结构来进行数据的分类或回归预测。决策树模型因其直观易懂、易于解释、能够处理多类问题以及无需进行复杂的特征缩放等优点&#xff0c;在数据挖…...

通俗易懂!495页看漫画学Python入门教程(全彩版)Git首发破万Star

前言 在编程的世界里&#xff0c;Python无疑是一颗璀璨的明星。从最初作为打发圣诞节闲暇时间的项目&#xff0c;到如今成为最受欢迎的程序设计语言之一&#xff0c;Python以其简洁、易学、强大的特点吸引了无数编程爱好者。然而&#xff0c;对于初学者来说&#xff0c;编程的…...

websocket实现简易聊天室

websocket实现简易聊天室 又做了一个关于websocket广播和在线人数统计的练习&#xff0c;实现一个简易的聊天室。 前端vue3 前端里的内容主要包含&#xff1a; 1.css的animation来实现公告从右到左的轮播。 2.websocket的onmessage里对不同消息的处理。 <template>&l…...

vulhub-wordpress

1.打开wordpress关卡&#xff0c;选择简体中文 添加信息——点击安装WordPress 安装完成——登录 点击外观——编辑主题 可以加入一句话木马&#xff0c;但是我写入的是探针文件 也可以去上传一个带有木马的主题 上传之后会自动解压 1.php就是里面的木马文件...

【机器学习算法基础】(基础机器学习课程)-10-逻辑回归-笔记

一、模型的保存与加载 逻辑回归是一种常见的机器学习算法&#xff0c;广泛用于分类问题。为了在不同的时间或环境下使用训练好的模型&#xff0c;我们通常需要将其保存和加载。 保存模型 训练模型&#xff1a;首先&#xff0c;你需要用你的数据训练一个逻辑回归模型。例如&…...

自动驾驶行业知识汇总

应届生月薪2W的自动驾驶开发、机器人、后端开发&#xff0c;软件开发该如何学习相关技术栈_哔哩哔哩_bilibili 两万字详解自动驾驶开发工具链的现状与趋势 (qq.com) 九章智驾 - 2023年度文章大合集 (qq.com) 九章 - 2022年度文章大合集 (qq.com)...

C#根据反射操作对象

前言 反射使用&#xff0c;让我们的程序可以动态增加一些功能&#xff0c;让原本固化的步骤逻辑变得动态&#xff0c;这是它的优点。当然使用反射首次加载会有性能损耗以及使用复杂&#xff1b;但是现在大家都在讲动态&#xff0c;使用好它应该是一个重要的编程理念提升。MVC、…...

打包python脚本(flask、jinja2)为exe文件

20240803 概述 在我很早时候学习python的时候&#xff0c;就利用过某个工具将其打包为exe文件&#xff0c;然后在没有python环境的机器上运行&#xff0c;这样可以减少安装python环境和各种库的过程。 最近在开发一个在虚拟机上运行的程序的时候就遇到了打包一些环境的问题&…...

嵌入式初学-C语言-练习三

#部分题目可能在之前的博客中有&#xff0c;请谅解&#xff0c;保证常见题型均被发出# 1.计算n以内所有正奇数的和 ? n值通过键盘输入 代码&#xff1a; 1 /*2 需求&#xff1a;计算n以内所有正奇数的和 ? n值通过键盘输入3 */4 #include <stdio.h>5 6 int main()7 …...

最新版Sonible Plugins Bundle v2024 winmac,简单智能,持续更新长期有效

一。Sonible Plugins Bundle v2024 win&mac Sonible Plugins Bundle是一款以创作者为中心的智能音频插件系列。这些工具的特点是易于使用&#xff0c;搭配高级处理和优质音质。pure:bundle的所有插件都由sonible的智能插件系列中使用的技术驱动&#xff0c;但在设计时考虑到…...

J032_实现简易版的B/S架构

一、需求描述 实现简易版的B/S架构 1.1 Server package com.itheima.tcp4;import java.io.IOException; import java.net.ServerSocket; import java.net.Socket; import java.util.concurrent.ArrayBlockingQueue; import java.util.concurrent.Executors; import java.uti…...

【前端面试】五、框架

目录 1 Vue2 2 Vue3 3 React 4 Angular 1 Vue2 Vue2 是目前仍被广泛使用的前端框架之一&#xff0c;其特点包括响应式数据绑定、组件化开发等。 响应式系统&#xff1a;Vue2 使用 Object.defineProperty 来实现数据的响应式。每个组件实例在创建时&#xff0c;会将 dat…...

C语言 | Leetcode C语言题解之第316题去除重复字母

题目&#xff1a; 题解&#xff1a; char* removeDuplicateLetters(char* s) {int vis[26], num[26];memset(vis, 0, sizeof(vis));memset(num, 0, sizeof(num));int n strlen(s);for (int i 0; i < n; i) {num[s[i] - a];}char* stk malloc(sizeof(char) * 27);int stk…...

本地部署 Llama-3-EvoVLM-JP-v2

本地部署 Llama-3-EvoVLM-JP-v2 0. 引言1. 关于 Llama-3-EvoVLM-JP-v22. 本地部署2-0. 克隆代码2-1. 安装依赖模块2-2. 创建 Web UI2-3.启动 Web UI2-4. 访问 Web UI 0. 引言 Sakana AI 提出了一种称为进化模型合并的方法&#xff0c;并使用该方法创建大规模语言模型&#xff…...

Evaluating the Generation Capabilities of Large Chinese Language Models

文章目录 题目摘要相关工作CG-Eval实验 题目 评估大型中文语言模型的生成能力 论文地址&#xff1a;https://arxiv.org/abs/2308.04823 项目地址&#xff1a;http://cgeval.besteasy.com/ 摘要 本文介绍了 CG-Eval&#xff0c;这是有史以来第一个全面的自动化评估框架&#xf…...

ui网页界面设计素材/seo教程

一个日期时间显示框的美化风格示例&#xff0c;在网页上显示时间的一个美化示例&#xff0c;为时间显示框增加了一个漂亮的外框&#xff0c;这个外框是基于图片来美化的&#xff0c;&#xff0c;虽然现在都不主张用图片来美化了&#xff0c;不过看上去还真是挺漂亮的。www.srcf…...

做app模板下载网站/seo查询百科

定义和用法 <audio> 标签定义声音&#xff0c;比如音乐或其他音频流。 示例代码:<audio src"someaudio.wav">您的浏览器不支持 audio 标签。</audio> 提示和注释 提示&#xff1a;可以在开始标签和结束标签之间放置文本内容&#xff0c;这样老的浏…...

深圳做网站推广的公司哪家好/徐州百度推广公司

在树的模块中&#xff0c;讲解树的结构化特性。会以MySQL语法树为例&#xff0c;看树是如何在 Amazon AWS 中以超大型数据库查询起到中流砥柱的作用的&#xff0c;后半部分则会拆解 LSM 树在 Apache 项目中的应用。 树和图最大的区别就是有没有环。树是没有环的图。因为没有遍历…...

网站 app开发 财务做帐/seo一个关键词多少钱

len 获取容器类型的元素个数, 或者说获取容器的长度 str1 123 list1 [1, 2, 3] tuple1 (1, 2, 3) set1 {1, 2, 3} dict1 {name: 123, age: 18} 使用len可以获取list str tuple set中的元素个数 print(len(str1)) print(len(list1)) print(len(tuple1)) print(len(set1)…...

精品建设课程网站/短网址链接生成

Win8 Metro(C#)数字图像处理--2.59 P分位法图像二值化 原文:Win8 Metro(C#)数字图像处理--2.59 P分位法图像二值化&#xfeff;&#xfeff;[函数名称] P分位法图像二值化 [算法说明] 所谓P分位法图像分割&#xff0c;就是在知道图像中目标所占的比率Ratio时&#xff0c;循环不…...

日照比较好的网站建设企业/口红的推广软文

1.在service层提示Could not autowire. No beans of StudenDao 并不能引进Dao接口 在dao层加入Repository注解即可 Component&#xff1a;这将 java 类标记为 bean。它是任何 Spring 管理组件的通用构造型。spring 的组件扫描机制现在可以将其拾取并将其拉入应用程序环境中。…...