最近在研究利用深度学习对气象数据进行降尺度的方法，偶然发现这一篇论文及其提及到的规范化降尺度库，便安装以供实验。GitHub-carlos-gg/dl4ds:DeepLearningforempiricalDownScaling.Pythonpackagewithstate-of-the-artandnoveldeeplearningalgorithmsforempirical/statisticaldownscalingofgriddeddata安装作者给出的库安装看似十分简单，那我们就创建一个虚拟环境然后运行下面这行命令。pipinstalldl4ds创建一个新的conda环境condac
又搬了一个啊勤劳的搬家公司就是我...论文先行论文地址：https://arxiv.org/pdf/2112.13082.pdf此为一种基于单模态语义分割的新型坑洼检测方法。它首先使用卷积神经网络从输入图像中提取视觉特征，然后通道注意力模块重新加权通道特征以增强不同特征图的一致性。随后，研究者采用了一个空洞空间金字塔池化模块（由串联的空洞卷积组成，具有渐进的扩张率）来整合空间上下文信息。这有助于更好地区分坑洼和未损坏的道路区域。最后，使用研究者提出的多尺度特征融合模块融合相邻层中的特征图，这进一步减少了不同特征通道层之间的语义差距。在Pothole-600数据集上进行了大量实验，以证明提出的方
又搬了一个啊勤劳的搬家公司就是我...论文先行论文地址：https://arxiv.org/pdf/2112.13082.pdf此为一种基于单模态语义分割的新型坑洼检测方法。它首先使用卷积神经网络从输入图像中提取视觉特征，然后通道注意力模块重新加权通道特征以增强不同特征图的一致性。随后，研究者采用了一个空洞空间金字塔池化模块（由串联的空洞卷积组成，具有渐进的扩张率）来整合空间上下文信息。这有助于更好地区分坑洼和未损坏的道路区域。最后，使用研究者提出的多尺度特征融合模块融合相邻层中的特征图，这进一步减少了不同特征通道层之间的语义差距。在Pothole-600数据集上进行了大量实验，以证明提出的方
参考链接：https://blog.csdn.net/qq_36268755/article/details/106192524?spm=1001.2014.3001.5502https://zhuanlan.zhihu.com/p/366646884SPP、ASPP与PPM_我不是薛定谔的猫的博客-CSDN博客_ppm和aspp一、多尺度与特征融合1.多尺度：可以简单理解为不同尺寸的图像，在不同尺寸下对图像进行采样，以及特征预测的效果不一样，大物体检测需要在低分辨率上较好，也就是深层特征，具有全局的感受野。小物体在底层高分辨率的预测较好，因为一些细节比如边缘在放大后预测的结果更好。2.特征融
参考链接：https://blog.csdn.net/qq_36268755/article/details/106192524?spm=1001.2014.3001.5502https://zhuanlan.zhihu.com/p/366646884SPP、ASPP与PPM_我不是薛定谔的猫的博客-CSDN博客_ppm和aspp一、多尺度与特征融合1.多尺度：可以简单理解为不同尺寸的图像，在不同尺寸下对图像进行采样，以及特征预测的效果不一样，大物体检测需要在低分辨率上较好，也就是深层特征，具有全局的感受野。小物体在底层高分辨率的预测较好，因为一些细节比如边缘在放大后预测的结果更好。2.特征融
知乎：深度学习中的多尺度模型设计知乎：计算机视觉中的多尺度模型都有哪些设计？CSDN：多尺度理解 什么是多尺度？所谓多尺度，实际就是对信号的不同粒度的采样。通常在不同的尺度下我们可以观察到不同的特征，从而完成不同的任务。粒度更小/更密集的采样可以看到更多的细节，粒度更大/更稀疏的采样可以看到整体的趋势。使用多尺度，就可以提取更全面的信息，既有全局的整体信息，又有局部的详细信息。如果要完成的任务只是判断图中是否有前景，那么12×8的图像尺度就足够了。如果要完成的任务是识别图中的水果种类，那么64×48的尺度也能勉强完成。如果要完成的任务是后期合成该图像的景深，则需要更高分辨率的图像，比如640×
知乎：深度学习中的多尺度模型设计知乎：计算机视觉中的多尺度模型都有哪些设计？CSDN：多尺度理解 什么是多尺度？所谓多尺度，实际就是对信号的不同粒度的采样。通常在不同的尺度下我们可以观察到不同的特征，从而完成不同的任务。粒度更小/更密集的采样可以看到更多的细节，粒度更大/更稀疏的采样可以看到整体的趋势。使用多尺度，就可以提取更全面的信息，既有全局的整体信息，又有局部的详细信息。如果要完成的任务只是判断图中是否有前景，那么12×8的图像尺度就足够了。如果要完成的任务是识别图中的水果种类，那么64×48的尺度也能勉强完成。如果要完成的任务是后期合成该图像的景深，则需要更高分辨率的图像，比如640×
1回归1.1回归回归分析是最常用的社会科学统计方法。回归用于评估两个或更多要素属性之间的关系。通过回归分析，我们可以对空间关系进行建模、检查和探究；回归分析还可以帮助解释所观测到的空间模式背后的诸多因素，例如为什么有些地区会持续发生年轻人早逝或者糖尿病的发病率比预期要高的情况。回归可以分为两类，一类是线性回归，另一类是非线性的基于机器学习算法的回归。线性回归，用来确定两种或两种以上变量间相互依赖的定量关系。包括普通最小二乘法OLS(OrdinaryLeastSquares)、广义线性回归GLR(GeneralizedLinearRegression)、以及地理加权回归GWR(Geographi
1回归1.1回归回归分析是最常用的社会科学统计方法。回归用于评估两个或更多要素属性之间的关系。通过回归分析，我们可以对空间关系进行建模、检查和探究；回归分析还可以帮助解释所观测到的空间模式背后的诸多因素，例如为什么有些地区会持续发生年轻人早逝或者糖尿病的发病率比预期要高的情况。回归可以分为两类，一类是线性回归，另一类是非线性的基于机器学习算法的回归。线性回归，用来确定两种或两种以上变量间相互依赖的定量关系。包括普通最小二乘法OLS(OrdinaryLeastSquares)、广义线性回归GLR(GeneralizedLinearRegression)、以及地理加权回归GWR(Geographi
一、CNN中的底层、高层特征:简短总结：分类要求特征有较多的高级信息，回归（定位）要求特征包含更多的细节信息1）图像的低层特征（对定位任务帮助大，我们可以想想比如轮廓信息都不准那怎么去良好定位）:图像底层特征指的是：轮廓、边缘、颜色、纹理、棱角和形状特征。边缘和轮廓能反映图像内容；如果能对边缘和关键点进行可靠提取的话，很多视觉问题就基本上得到了解决。图像的低层的特征语义信息比较少，但越浅的层特征越细节（低级）且特征图分辨率大，所以位置信息很充足，目标位置准确。再从另一个方面讲，越浅层的特征感受野越小（每个像素点映射回原图的覆盖面积小），故用浅层特征图检测大目标时就有点像瞎子摸象的感觉效果并不好
