阿伟又在打电动

# 3D U-Net: Learning Dense Volumetric Segmentation from Sparse Annotation Abstract. This paper introduces a network for volumetric segmentation that learns from sparsely annotated volumetric images. We outline two attractive use cases of this method: (1) In a semi-automated setup, the user annotates some slices in the volume to be segmented. The network learns from these sparse annotations and provides a dense 3D segmentation. (2) In a fully-automated setup, we assume that a representative, spar ...

# projectJoee 更新时间 2023-03-29 # 软件整体架构和逻辑 TODO：具体描述 # 整体架构 # 主程序流程图 # 任务数据流 # 功能模块 该项目主要分为主程序模块（包含主界面部分和控制逻辑，配置项相关逻辑），核心功能模块（检测算法实现、采集卡相机控制实现、数据库调用实现、开发工具集、外部插件接口实现、虚拟设备实现等），以及通过接口实现的外部插件功能模块（图标功能插件、串口报警器插件、相机串口控制插件、debug 控制台插件等可扩展插件） 其中主程序模块和核心功能模块（位于 core 目录下)，是主程序运行所必须的部分，插件功能模块（位于 plugins 目录下) 是可以根据插件模块文件是否存在动态添加去除的。 # 主程序模块 Windalsa: 主要业务逻辑实现 子类: MainWnd.cs: 主窗体，是程序的主要框架，负责主要业务逻辑和实现外部插件加载 Lists.cs: 自定义列表和控件数组 Plugins.cs: 实现插件加载和抽象接口调用 Utilties.cs: 扩展工具 CustomException.cs: 自定义异常 ...

High-Resolution Image Synthesis with Latent Diffusion Models：https://arxiv.org/abs/2112.10752 Denoising Diffusion Probabilistic Models：https://arxiv.org/abs/2006.11239 Denoising Diffusion Implicit Models：https://openreview.net/forum?id=St1giarCHLP ERNIE-ViLG 2.0: Improving Text-to-Image Diffusion Model with Knowledge-Enhanced Mixture-of-Denoising-Experts：https://arxiv.org/abs/2210.15257 Latent Diffusion Models 原始代码项目：https://github.com/CompVis/latent-diffusion Stable Diffusion 工程优化后的项目：https://g ...

# 生成扩散模型综述 摘要： 由于深度潜在表示，抽象 - 深度学习在生成任务中显示出卓越的潜力。生成模型是一类可以随机生成关于某些隐含参数的观察值的模型。近年来，扩散模型凭借其能量生成能力成为一种新兴的生成模型。如今，已经取得了巨大的成就。除了计算机视觉、语音生成、生物信息学和自然语言处理外，该领域还有待探索更多的应用。然而，扩散模型有其真正的缺点，即生成过程缓慢、数据类型单一、似然度低以及无法进行降维。它们正在导致许多改进工程。本文对扩散模型的研究现状进行了综述。首先，我们阐述了两个地标性作品 DDPM 和 DSM 以及一个统一地标性作品 Score SDE 的主要问题。然后，针对扩散模型领域存在的问题，提出了分类改进技术；为了提高模型的速度，本文提出了各种各样的先进技术来加速扩散模型 —— 训练计划、免训练采样、混合建模以及得分和扩散统一。针对数据结构多样化问题，提出了在连续空间、离散空间和约束空间应用扩散模型的改进技术。对于似然优化，本文提出了改进 ELBO 和最小化变分差距的理论方法。对于降维问题，我们提出了几种解决高维问题的技术。对于现有模型，还根据具体的 NFE 提供了 F ...

# PaLM-E: An Embodied Multimodal Language Model PaLM-E：一种具象化的多模态语言模型 摘要 大型语言模型擅长处理范围广泛的复杂任务。然而，在现实世界中实现一般推理，例如，针对机器人问题，提出了基础的挑战。我们提出具身语言模型，将现实世界的连续传感器模式直接纳入语言模型，从而建立单词和感知之间的联系。我们具体化语言模型的输入是多模态句子，它们交织着视觉、连续状态估计和文本输入编码。我们端到端地训练这些编码，结合预训练的大型语言模型，用于多个具体任务，包括顺序机器人操作规划、视觉问答和字幕。我们的评估表明，PaLM-E 是一个单一的大型具身多模态模型，可以解决各种具身推理任务，来自多种观察方式，在多个实施例中，进一步展示了正迁移：该模型受益于跨互联网规模语言、视觉和视觉语言领域的多样化联合训练。我们最大的模型，具有 562B 参数的 PaLM-E-562B，除了在机器人任务上接受训练外，还是视觉语言通才，在 OK-VQA 上具有最先进的性能，并随着规模的扩大保留了通才语言能力. # 1. 导语 大型语言模型 (LLMs) 在包括对 ...

本文为分布式计算 - 云计算课程课程实验的记录。 本实验通过购买华为云 ECS 和在华为云上选取对象存储服务 OBS 服务，为后续实验提供搭建 环境基础。（华为发放的有代金券） 实验流程 本实验的基本步骤包含：购买并配置 ECS；购买 OBS 并获取 AK、SK 信息；搭建 Hadoop 集群；搭建 MapReduce 集群并验证存算分离。 实验目的 ・掌握华为云上购买 ECS 步骤。 ・掌握华为云上选取对象存储服务 OBS。 ・掌握 Hadoop 集群搭建。 ・掌握 MapReduce 实验实现存算分离。 # 环境准备 购买四台 ECS 服务器 购买一个 OBS 对象存储服务并创建桶 配置 Access Key 和 Secret Key # 搭建 Hadoop 集群 命令行 ssh 登录服务器 12345678910C:\Users\cy>ssh [email protected] authenticity of host '124.70.xxx.xxx (124.70.xxx.xxx)' can't be establishe ...

本文基本参照 PaddleX 官方部署方式， 只进行 paddlex 模型的 c# 端部署和验证，而不进行模型的训练相关操作。 目前已经具备的CUDA环境和cuDNN环境情况 123456C:\Users\cy\paddle_deploy>nvcc --versionnvcc: NVIDIA (R) Cuda compiler driverCopyright (c) 2005-2022 NVIDIA CorporationBuilt on Tue_May__3_19:00:59_Pacific_Daylight_Time_2022Cuda compilation tools, release 11.7, V11.7.64Build cuda_11.7.r11.7/compiler.31294372_0 cudnn_version.h 中 123#define CUDNN_MAJOR 8#define CUDNN_MINOR 6#define CUDNN_PATCHLEVEL 0 当前 CUDA 版本：11.7，cuDNN 版本：8.6.0 需要根据实际情况进行多 CUDA 环境部 ...

# 下载 YOLOv6 并安装 下载地址：https://github.com/meituan/YOLOv6.git 1git clone https://github.com/meituan/YOLOv6.git 创建指定版本的虚拟环境 1conda create -n yolov6 python=3.8 安装依赖 12cd YOLOv6pip install -r requirements.txt # 数据集准备 赛题来源自 Google 街景图像中的门牌号数据集（The Street View House Numbers Dataset, SVHN），该数据来自真实场景的门牌号。训练集数据包括 3W 张照片，验证集数据包括 1W 张照片，每张照片包括颜色图像和对应的编码类别和具体位置；为了保证比赛的公平性，测试集 A 包括 4W 张照片，测试集 B 包括 4W 张照片。 从天池官方发的 csv 文件中找到对应的数据集下载链接： file size link mchar_train.zip 345.91MB http://tianchi-competition.oss ...

由于修改了参数配置的实现，Debug Console 中加载配置参数会出现问题，因此需要修改相应的逻辑实现。 实现思路 在 onload () 事件中（执行 onload 的时候所有插件都已经完成初始化 init ()，所以会在对应的 Attributes 中包含需要保存的参数），读取主程序和各个插件的 Attributes，然后找出 bool 类型的变量，将其加入到开关字典 switches<string,object > 中，并且根据读取到的变量列表 l_MainWnd、l_cfg、l_plugin 来生成 checkbox 控件，最后定义其点击事件，在事件中将对应键值与 checkbox 的 Checked 属性进行绑定，最终实现点击选择框修改对应的变量。 该思路的核心部分在于读入插件参数并创建控件的过程，其实现如下： 12345678910111213141516171819202122232425262728293031323334353637383940414243//根据反射获取属性字典 动态添加开关控件private void CreateContorls( ...

# 1. 存在的问题 当前只能对一个灯光控制模块进行控制，但是由于产线中的灯光有两组，需要对两个灯光控制模块同时控制，因此需要对插件 PluginAlarm 的 Plugin.cs 进行修改。以及目前插件中的参数并不能实现自动保存，只有手动在 config.cs 代码中添加相应项才能实现对应参数的保存和读取。 # 2. 思路 # 2.1 灯光部分： 在插件代码中添加灯光控制器的对象，并且在增益算法中添加对新增灯光调整。 # 2.2 参数保存部分： 每个插件都存在 Attributes 用于存储当前插件下的控制参数，同时在 config.cs 中定义 Settings 类用来辅助存储插件的控制参数和主程序的控制参数。然后由 config 模块实现运行时 Settings 装载，Settings 实例在保存过程中会被序列化为 json 字符串，然后保存到本地配置文件中，而在读取时会反序列化本地配置文件生成运行时 Settings 实例，当配置文件不存在时，会根据生成默认值的配置文件，当本地配置文件中没有对应的配置项时，会使用预先输入的字段作为默认值。 # 3. 实现 # 3.1 灯光 在对 ...