CDAM-Net:Channel shuffle dual attention based multi-scale CNN for efficient glaucoma detection using fundus images
854efd16088ec0a2949395f17c9b60f9386aedb0ff5a819cd0390912c2b2702d4931dcd5b5ae558cc89ed0ce3d1cbee67cbab058e550e6fe148bf87408e255db2e588c6c771f6330fd994657db3f97ad0114b022749987d467c7c46f4bc66aa83686e741fdbd04fe5f30293e334c1ea676c7a7602d411eac5a011eecb83b43580c0466171172f855e4e6b29683c7c2dff33af0e054b60df4b2dde8d581dcc2a1ebb5532782b3cfeae1aab37a4df8fefee160e2dcaf26a87f64d9d9afcc68a191b035aa300fefc4f925c8e9259fa39dcc44e10d5b77f5bd45c0edeb49960dca0ea43c3f739d250b83e76a073aaac052b1848940f8064907f5c ...
周报10月20日
854efd16088ec0a2949395f17c9b60f9386aedb0ff5a819cd0390912c2b2702da41294df06bb5e999b82468f3bc6814fb7932315ab65a1fcb492cac7c490c613e2bdebcacc79d59e988debff6f17cebbbc92ffac348cce2934e509678862b1c1c873c8bbec50993e55d4549e962f9f5b2bd75da0a9bc286b85d2993ae9d7f8db163209b2afb794574d7ca6d3bd6177c0e08a5c7cb6b61c6d31347ec6f1ef5e443d07bf976e9d0866eb2afd75fb30a2a3e09770592b1c805688d7714aae6f1d1e1a9a6ab81a81ee8228ac314f4051bd51127eb65bb60214edbcca9cb8c8d98909bef0a7bf0f18e1cb35c14c634a0e9d46f99cf5f5145bea459 ...
Self-Supervised Learning of Remote Sensing Scene Representations Using Contrastive Multiview Coding
854efd16088ec0a2949395f17c9b60f9386aedb0ff5a819cd0390912c2b2702dbca3b60c1de60625835f90b8e297dcaf468c04f1a28ca533dc1ca479e7461705c4d2307c1d18168b26c5fc1b927bcb5ddc049b29e2ccfc7b7e4524d3d9d54f6170caf2525244eb9ee2f3a864ea00baf25c5214d86ce1145ee7965097f6eafb7b5c5c64870418726ebaa9b75b10f91dfb3d199d47afa557b1d5329c8016ea4065f35f34200c23f696a4d3d2ec5369a4fef3511a98950d68fa98c2d95e0129cd9f95a203ee733a7ddbee3c86aa03aab6f5e0cc8f64d813061ae26ac94cb5fe37c58bd165fc672c8cc27b5b0ec792d8ce4846525b0974d65d4f5 ...
PAN————Cross-phenological-region crop mapping framework using Sentinel-2 time series Imagery: A new perspective for winter crops in China
854efd16088ec0a2949395f17c9b60f9386aedb0ff5a819cd0390912c2b2702d5666ecb887ef58c6fccccdba470ab703bc3623bb7aa3e398dfdbc3d3de62e9edc422c2c1022ac42fc42c54fd5656f5550d084796c2246c3dd4636689aec97e6b45b59c1c5be788bb8284dd39d81259523ba71a7486730def23e39da6fa46f067de5ced3731fe380b2b7f2c4eb15e90996bf0847d7221ab0fc35403ef3e0cab578b75ee71083f4cf017a7b20f6e92d5075c0d24cdedbd75b468e2beda5d83dbfccae66e1e78bbb6a039a130edde2f42e5a7f1514fea9a96c84962a2bfce5139b5e3c513cd0a934ebfc22c463b88d680c32aa637a97a4b4eaf5 ...
Untitled
python训练好的模型进行制图
主要步骤：
在进行农作物制图时，像DeepCropMapping这样的训练好的模型可以通过Google
Earth Engine (GEE)进行制图。以下是一个大致的流程：
模型训练
：首先，你需要在本地或云端环境中训练你的模型。常见的选择包括使用Google
Colab、AWS、Azure等云服务平台，这些平台提供了强大的计算资源和GPU支持。
模型导出
：训练完成后，将模型导出为适合在GEE上使用的格式，例如TensorFlow模型可以导出为
.tflite格式。
上传到GEE ：将导出的模型上传到Google Earth
Engine。你可以使用GEE的Python API或JavaScript API来完成这一步。
制图
：在GEE上编写脚本，调用上传的模型进行预测和制图。你可以使用GEE提供的遥感数据（如Landsat、Sentinel等）作为输入数据，模型会根据这些数据生成农作物分布图。
具体的代码和步骤可能会因模型和数据的不同而有所变化。如果你需要更详细的指导或示例代码，可以参考GEE的官方文档或相关的教程。
以下是一个使用DeepC ...
Untitled
遗传算法与深度学习实战（4）——遗传算法（Genetic
Algorithm）详解与实现
0. 前言
1. 遗传算法简介
1.1 遗传学和减数分裂
1.2 类比达尔文进化论
2. 遗传算法的基本流程
2.1 创建初始种群
2.2 计算适应度
2.3 选择、交叉和变异
2.4算法终止条件
3. 使用 Python 实现遗传算法
3.1 构建种群
3.2 评估适应度
3.3 应用选择
3.4 应用交叉
3.5 应用突变
3.6 运行演化过程
小结
系列链接
0. 前言
遗传算法是通过代码模拟生命的过程，借鉴了进化、自然选择和通过基因传递成功特征的理念。算法模拟了高级有机繁殖中的减数分裂，我们不必精通遗传学才能使用遗传算法，但了解遗传学能够帮助我们更好的理解遗传算法。在本节中，我们首先回顾遗传学和减数分裂过程的一些重要概念，旨在为代码模拟遗传理论和减数分裂奠定基础，然后使用
Python 实现遗传算法。
1. 遗传算法简介
1.1 遗传学和减数分裂
遗传算法 (Genetic Algorithms, GA)
模拟了遗传水平上生命的演化。同时，在基因过程(减数分裂)中进行了 ...
ImageNet Large Scale Visual Recognition Challenge
854efd16088ec0a2949395f17c9b60f9a00c2a6c5eb3a29dbc763e76c9255d6bf379f4dad2fc50ad96b3f70a875583a2425afc48926bc09c06f02e651e78cf61b131730c1a027fc009b7209e881bb3371077ac029cb6a96653e86c932f9fe8cfe4bd861368f56bc531582c23f71620e4322b4a6bdd7e5408f40684c74888e12fa90d45eb203aa407aa90829284f2d00bb8fa6694f8eece2ae40cd5bbd2c48cdd31278a4cbfd425d8b2c1b2ae5ac4dc4555558cece939a30823b7658d31a9ede7fb06832a84c66565db95a9ee597dd2681d67c667adc1fabf45684aa84a27254505d28a1f71189f4cead6d8d59d9d3cb344619d9d6d29dad9d ...
周报10月12日
854efd16088ec0a2949395f17c9b60f9386aedb0ff5a819cd0390912c2b2702d8e0322724cf1c9cd2239752d85a76e2f95a80f7c9d9c56eaa1f9f6556f1af39a952f07a65df6fea186e9e6590447f99538956306950d1ce596190cda0eb20f0c103c8ff5b83c74f0761d5cb383042cac2f5576c3ffcb873cd6938caac4423a853c7ae38a1ba1c6a881ad0a05b7cd6ff1787197ef54dfd3715906c2aaca4bb0b9d1ad762c5959623942ab666739861c0a24ee637134b23ff34d592e7a68e283372eddfe72ecd6971020432623cc86f7dc0d0cb4ef5cf35499af7d5f35584f8f696be434e3ff756b90993dc0ad3cdf3d9eee04ee91c5afb3b8e ...
Reconstructing NDVI time series in cloud-prone regions: A fusion-and-fit approach with deep learning residual constraint
854efd16088ec0a2949395f17c9b60f9386aedb0ff5a819cd0390912c2b2702d83eb16dbd06ae4a1c30e28638132ba3fcceb67b8cf49a521c4d48221b4e3571871766b55e0d7a49d6a4f09ee9a0fe99a9352ead162f3683c863474901c3e8fae63c7b794d520b38e3529df9e5e8262bb62014d248d6b9e0e1068d20c0e50d01b8fab405488e6880301b78b681a5cdef978fbe7da3e48898f6f3bcbd7d6966e4860e507f57bf6cfdea23e189e7b6557a8646709f25e85ebd8a1aff683d20c2732b0aa7fe3d9c061a662a5f92706e0c1aa82949c3abb06d19614088c5de3b4be5cdffb4c1920463c64c3b0e2cf638fb53368c3d95b6472f5d05 ...
Subfield-level crop yield mapping without ground truth data: A scale transfer framework
854efd16088ec0a2949395f17c9b60f9386aedb0ff5a819cd0390912c2b2702d52ee38c8246c1a6ea870d9a9cbc82c0a660a457f0ab408e3d1e808be64005bc8d4cba8e0d4c3072237d8713ebf387a4ae5d1e494d8a1e7c3fafec297e7e9a37b474c3cf8b15df1abca208af2b27c142a6d9902883c26c9bc45922ee431967f420a5dcf81fe83a5c3828056693e62365be1989296464bfb8402284f9ad3a589c7b29b5acdc4285bf34a1df8a307265933a88a9d79b1907ccc9bbbca004c87c52586f80bebe898a415176d9b0194b6742f009f02e79a9ff6eb6aca681324322d3c1bc3e70218e15263805ce5bd1f85deaf57af89b764e900c9b ...