<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[DoctorCuiLab的博客]]></title><description><![CDATA[]]></description><link>https://blog.csdn.net/DoctorCuiLab</link><language>zh-cn</language><generator>https://blog.csdn.net/</generator><copyright><![CDATA[Copyright &copy; DoctorCuiLab]]></copyright><item><title><![CDATA[从Tif文件转为shp文件(ArcMap，代码)、gdal打包问题]]></title><link>https://blog.csdn.net/DoctorCuiLab/article/details/102671659</link><guid>https://blog.csdn.net/DoctorCuiLab/article/details/102671659</guid><author>DoctorCuiLab</author><pubDate>Mon, 21 Oct 2019 20:51:46 +0800</pubDate><description><![CDATA[从Tif文件转为shp文件(ArcMap，代码)
利用ArcMap来进行转换，以预测出来的滨海湿地图像为例
第一步:打开ArcMap中的栅格转面工具
ArcMap中的栅格转面工具
点击栅格转面之后，选择参数和输出文件路径，如下图所示

得到的结果即为

在选择的文件夹下会生成如下文件

第二步：属性归并
查看tif原图和生成的shp图的属性表。下方左侧为tif原图的属性表，右侧为生成的shp图的属...]]></description><category></category></item><item><title><![CDATA[遥感图像稀疏表征与智能分析竞赛参赛笔记]]></title><link>https://blog.csdn.net/DoctorCuiLab/article/details/101223679</link><guid>https://blog.csdn.net/DoctorCuiLab/article/details/101223679</guid><author>DoctorCuiLab</author><pubDate>Mon, 23 Sep 2019 20:30:18 +0800</pubDate><description><![CDATA[遥感图像稀疏表征与智能分析竞赛参赛笔记
前俩个月参加了由国家自然科学基金委信息科学部主办的“遥感图像稀疏表征与智能分析竞赛”，在这里分享一下参加比赛的一些感悟。
数据集
我参加的是语义分割主题，数据来源于高分二号MSS影像，分辨率为四米，影像尺寸为7200x6800，包括NIR，R， G， B四个波段。由于原始影像是用ENVI classic做的预处理，所以会导致一些读取错误，所以我都使用了ima...]]></description><category></category></item><item><title><![CDATA[【Python】Windows 下使用 pyinstaller 对 keras(tensorflow) 模型预测的代码文件打包]]></title><link>https://blog.csdn.net/DoctorCuiLab/article/details/95384657</link><guid>https://blog.csdn.net/DoctorCuiLab/article/details/95384657</guid><author>DoctorCuiLab</author><pubDate>Wed, 10 Jul 2019 21:43:43 +0800</pubDate><description><![CDATA[用到的几种主要的 python 包的版本（CPU）
python：3.6
1、pyinstaller：3.3.1（打包成 exe）
2、tensorflow：1.4.0（深度学习框架）
3、keras：2.0.8（模型时基于 keras 训练的）
4、opencv-python：4.1.0.25（主要用于图像数据的读取与存储）
5、numpy：1.15.0（主要用于图像数据的矩阵操作）
6、h5p...]]></description><category></category></item><item><title><![CDATA[利用ArcGIS Engine和C#二次开发遇到的问题及解决办法]]></title><link>https://blog.csdn.net/DoctorCuiLab/article/details/93909842</link><guid>https://blog.csdn.net/DoctorCuiLab/article/details/93909842</guid><author>DoctorCuiLab</author><pubDate>Thu, 27 Jun 2019 20:45:06 +0800</pubDate><description><![CDATA[利用ArcGIS Engine和C#二次开发遇到的问题及解决办法
在利用ArcGIS Engine和C#二次开发的过程中，可能会遇到各种各样的配置及环境问题，下面是我在项目过程中遇到的问题以及相应的解决办法。
1.ArcGIS 10.3安装遇到的问题
ArcGIS 10.3的具体安装步骤
安装完成后可能会遇到破解不完全的情况，即使ArcMap可以打开，但是在C#调用相关动态连接库的时候可能会出现问...]]></description><category></category></item><item><title><![CDATA[在vs2017中使用opencv4.0调用darknet框架模型]]></title><link>https://blog.csdn.net/DoctorCuiLab/article/details/90402728</link><guid>https://blog.csdn.net/DoctorCuiLab/article/details/90402728</guid><author>DoctorCuiLab</author><pubDate>Tue, 21 May 2019 12:19:33 +0800</pubDate><description><![CDATA[在vs2017中使用opencv4.0工具调用Darknet框架模型前言VS2017的下载及安装下载安装opencv4.0的下载及安装opencv4.0调用darknet框架模型的实例1. 在vs2017中创建项目2. 配置属性表3. 编写例子结束语
前言
在Linux操作系统中，用Darknet框架已实现目标检测模型训练，同时希望在windows系统中用到已训练的模型并实现目标的检测，这时将用到...]]></description><category></category></item><item><title><![CDATA[在Linux系统下将GDAL部署到eclipse开发环境]]></title><link>https://blog.csdn.net/DoctorCuiLab/article/details/85123566</link><guid>https://blog.csdn.net/DoctorCuiLab/article/details/85123566</guid><author>DoctorCuiLab</author><pubDate>Thu, 20 Dec 2018 15:29:35 +0800</pubDate><description><![CDATA[前言：
前面已经将GDAL成功的配置在Linux下了，本篇文章主要是介绍一下如何将GDAL部署到eclipse下，在eclipse使用GDAL库进行图像的处理。
另外，我是用C++来进行编译的，我系统中下载的g++版本如下图所示：g++的版本是4.8.5
配置过程：
1、导入环境变量
因为是在默认路径下安装的，所以需要导入的环境变量为：
export PATH=$PATH:/usr/local/b...]]></description><category></category></item><item><title><![CDATA[重磅 | 西安思考：“2018国际人工智能院长论坛”专家思想分享]]></title><link>https://blog.csdn.net/DoctorCuiLab/article/details/84426431</link><guid>https://blog.csdn.net/DoctorCuiLab/article/details/84426431</guid><author>DoctorCuiLab</author><pubDate>Sat, 24 Nov 2018 10:07:31 +0800</pubDate><description><![CDATA[原创： 人工智能学院 西电人工智能学院 6月10日
本文档分为两个视频:视频一（P2-P14）和视频二(P14-P26)
5月27-28日，2018国际人工智能院长论坛在西安成功举办，来自中、美、英、意等国，IEEE、中国人工智能学会等国内外专业技术组织的30余位人工智能领域顶级资深专家共襄盛举，阿里巴巴、Google、百度、商汤、华为、蒜泥、维恩等20余家中外人工智能行业领军企业的代表齐聚一堂，...]]></description><category></category></item><item><title><![CDATA[三个牛人教你怎么高效阅读论文]]></title><link>https://blog.csdn.net/DoctorCuiLab/article/details/84374840</link><guid>https://blog.csdn.net/DoctorCuiLab/article/details/84374840</guid><author>DoctorCuiLab</author><pubDate>Fri, 23 Nov 2018 10:22:34 +0800</pubDate><description><![CDATA[三个牛人教你怎么高效阅读论文
科研牛人一
从Ph.D到现在工作半年,发了12 篇paper, 7 篇first author
我现在每天还保持读至少2-3 篇的文献的习惯，读文献有不同的读法，但最重要的自己总结概括这篇文献到底说了什么，否则就是白读，读的时候好像什么都明白，一合上就什么都不知道，这是读文献的大忌，既浪费时间，最重要的是没有养成良好的习惯，导致以后不愿意读文献。
1、每次读完文献（不...]]></description><category></category></item><item><title><![CDATA[自然语言处理：重要采样的梯度推导]]></title><link>https://blog.csdn.net/DoctorCuiLab/article/details/84326915</link><guid>https://blog.csdn.net/DoctorCuiLab/article/details/84326915</guid><author>DoctorCuiLab</author><pubDate>Wed, 21 Nov 2018 22:05:57 +0800</pubDate><description><![CDATA[加速神经语言模型训练的一种方式是，避免明确的计算所有未出现在下一位置的词对梯度的贡献。每个不正确的词在此模型下具有低概率。枚举所有这些词的计算成本可能会很高。相反，我们可以仅采样词的子集，梯度的推导过程如下：
∂logP(y∣C)∂θ=∂softmaxy(a)∂θ
\frac{\partial logP(y|C)}{\partial \theta} = \frac{\partial softmax...]]></description><category></category></item><item><title><![CDATA[[AI教程]TensorFlow入门：使用卷积网络模型实现手势识别]]></title><link>https://blog.csdn.net/DoctorCuiLab/article/details/84110094</link><guid>https://blog.csdn.net/DoctorCuiLab/article/details/84110094</guid><author>DoctorCuiLab</author><pubDate>Thu, 15 Nov 2018 20:05:55 +0800</pubDate><description><![CDATA[介绍
本文介绍了搭建简单的卷积网络模型进行手势数字识别
数据集：https://github.com/stormstone/deeplearning.ai/tree/c38b8ea7cc7fef5caf88be6e06f4e3452690fde7
工具：TensorFlow 1.9.0 + Python 3.6.3
1.相关包导入
// An highlighted block
import ma...]]></description><category></category></item><item><title><![CDATA[[AI教程]TensorFlow入门：通过二分类来比较神经网络模型和逻辑回归模型]]></title><link>https://blog.csdn.net/DoctorCuiLab/article/details/84109933</link><guid>https://blog.csdn.net/DoctorCuiLab/article/details/84109933</guid><author>DoctorCuiLab</author><pubDate>Thu, 15 Nov 2018 19:52:22 +0800</pubDate><description><![CDATA[介绍
本文主要是建立一个包含一个隐藏层的神经网络， 体会神经网络模型和逻辑回归模型的不同。
在本文中将涉及如下几个部分：
- 使用神经网络实现二分类；
- 使用非线性激活函数tanh;
- 计算 cross entropy loss
- 实现正向传播和反向传播；
工具：TensorFlow 1.9.0 + Python 3.6.3
1、两个辅助.py文件
使用两个辅助,py文件写入一些经常使用的内...]]></description><category></category></item><item><title><![CDATA[[AI教程]TensorFlow入门：使用TF-slim的模型做图像分类]]></title><link>https://blog.csdn.net/DoctorCuiLab/article/details/84102938</link><guid>https://blog.csdn.net/DoctorCuiLab/article/details/84102938</guid><author>DoctorCuiLab</author><pubDate>Thu, 15 Nov 2018 17:23:23 +0800</pubDate><description><![CDATA[文章目录1.简介2.文件说明3.训练过程3.1数据预处理3.2训练3.3测试
1.简介
tf-slim是TensorFlow的一个轻量级库，它基于TensorFlow实现了高层封装，将网络、loss、正则化等概念有调理的组织起来，而不是像原生tensorflow底层接口编程那样，到处充满了超参、网络定义、训练循环等。
例如，定义一个卷积：
with tf.name_scope('conv_a') ...]]></description><category></category></item><item><title><![CDATA[[AI教程]TensorFlow入门：手势数字识别]]></title><link>https://blog.csdn.net/DoctorCuiLab/article/details/84073025</link><guid>https://blog.csdn.net/DoctorCuiLab/article/details/84073025</guid><author>DoctorCuiLab</author><pubDate>Wed, 14 Nov 2018 20:06:24 +0800</pubDate><description><![CDATA[实验说明
本实验为吴恩达课后编程作业第二课第三周内容，通过引导我们将完成一个深度学习框架，使我们可以更轻松地构建神经网络。编程框架不仅可以缩短编码时间，而且有时还可以执行加速代码的优化。
数据集下载地址：[https://github.com/stormstone/deeplearning.ai/tree/c38b8ea7cc7fef5caf88be6e06f4e3452690fde7]
工具：J...]]></description><category></category></item><item><title><![CDATA[[AI教程]TensorFlow入门：使用TensorBoard和MNIST数据集实现监控指标可视化]]></title><link>https://blog.csdn.net/DoctorCuiLab/article/details/84072199</link><guid>https://blog.csdn.net/DoctorCuiLab/article/details/84072199</guid><author>DoctorCuiLab</author><pubDate>Wed, 14 Nov 2018 19:14:42 +0800</pubDate><description><![CDATA[TensorBoard介绍
TensorBoard是TensorFlow的可视化工具，它可以通过TensorFlow程序运行过程中输出的日志文件可视化TensorFlow程序的运行状态。TensorFlow和TensorBoard程序跑在不同的进程中，TensorBoard会自动读取最新的TensorFlow日志文件，并呈现当前程序运行的最新状态。下面通过使用MNIS数据集创建一个简单的神经网络实...]]></description><category></category></item><item><title><![CDATA[[AI教程]TensorFlow入门：Simple Linear Model]]></title><link>https://blog.csdn.net/DoctorCuiLab/article/details/84069678</link><guid>https://blog.csdn.net/DoctorCuiLab/article/details/84069678</guid><author>DoctorCuiLab</author><pubDate>Wed, 14 Nov 2018 16:57:45 +0800</pubDate><description><![CDATA[介绍
本文演示了使用简单线性模型了解TensorFlow的基本工作流程。
数据集：MNIST数据集
工具：TensorFlow 1.9.0 + Python 3.6.3
方法：简单线性模型
1、import
import matplotlib.pyplot as plt
import tensorflow as tf
import numpy as np
from sklearn.metrics ...]]></description><category></category></item><item><title><![CDATA[[AI教程]TensorFlow入门：Hello World与基本操作]]></title><link>https://blog.csdn.net/DoctorCuiLab/article/details/83929477</link><guid>https://blog.csdn.net/DoctorCuiLab/article/details/83929477</guid><author>DoctorCuiLab</author><pubDate>Sat, 10 Nov 2018 15:09:37 +0800</pubDate><description><![CDATA[[AI教程]tensorflow入门：Hello World与基本操作
文章目录[AI教程]tensorflow入门：Hello World与基本操作1.tensorflow介绍2.Hello World3.基本操作
1.tensorflow介绍
TensorFlow™ 是一个采用数据流图（data flow graphs），用于数值计算的开源软件库。节点（Nodes）在图中表示数学操作，图中的线...]]></description><category></category></item><item><title><![CDATA[如何理解Gabor滤波器]]></title><link>https://blog.csdn.net/DoctorCuiLab/article/details/83714641</link><guid>https://blog.csdn.net/DoctorCuiLab/article/details/83714641</guid><author>DoctorCuiLab</author><pubDate>Sun, 04 Nov 2018 11:58:43 +0800</pubDate><description><![CDATA[转载自：(https://blog.csdn.net/xue_wenyuan/article/details/51533953).
介绍
我们已经知道，傅里叶变换是一种信号处理中的有力工具，可以帮助我们将图像从空域转换到频域，并提取到空域上不易提取的特征。但是经过傅里叶变换后，图像在不同位置的频度特征往往混合在一起，但是Gabor滤波器却可以抽取空间局部频度特征，是一种有效的纹理检测工具。

Fi...]]></description><category></category></item><item><title><![CDATA[GitHub（网页版）简明教程]]></title><link>https://blog.csdn.net/DoctorCuiLab/article/details/83311090</link><guid>https://blog.csdn.net/DoctorCuiLab/article/details/83311090</guid><author>DoctorCuiLab</author><pubDate>Tue, 23 Oct 2018 18:02:03 +0800</pubDate><description><![CDATA[GitHub（网页版）简明教程
GitHub官网：GitHub
一、注册
进入GitHub官网，界面如下图所示。

根据提示一步一步完成注册。
二、使用
1、登录用户主页，界面如下图所示。

2、点击上图中的绿色按钮“New repository”创建新的知识库，点击后的界面如下图所示。（上图中的“FCN-zyh”和“yida”是我以前建立的知识库，“wdzyh”为我的用户名。）

在新界面输入新...]]></description><category></category></item><item><title><![CDATA[遥感图像下载指南]]></title><link>https://blog.csdn.net/DoctorCuiLab/article/details/83245438</link><guid>https://blog.csdn.net/DoctorCuiLab/article/details/83245438</guid><author>DoctorCuiLab</author><pubDate>Sun, 21 Oct 2018 21:12:31 +0800</pubDate><description><![CDATA[1、高分系列（收费）
下载方式（一）：登录中国资源卫星应用中心
登录网址为：http://218.247.138.119:7777/DSSPlatform/index.html
（1）新用户注册新如下图所示，老用户可直接登录；

（2）填写注册信息保存并登录；

（3）选择产品与服务菜单下的产品查询如下两幅图所示；

注：有些浏览器加载不出来下图，换个浏览器！

（4）根据上图我们可以选择性的下载...]]></description><category></category></item><item><title><![CDATA[矩阵的向量化及内积]]></title><link>https://blog.csdn.net/DoctorCuiLab/article/details/83243845</link><guid>https://blog.csdn.net/DoctorCuiLab/article/details/83243845</guid><author>DoctorCuiLab</author><pubDate>Sun, 21 Oct 2018 18:51:03 +0800</pubDate><description><![CDATA[定义1. 设矩阵 A=(aij)∈Rm×n\boldsymbol{A} = (a_{ij})\in R^{m\times n}A=(aij​)∈Rm×n , 把矩阵 A\boldsymbol{A}A 的元素按行的顺序排列成一个列向量：
vecA=(a11,a12,⋅⋅⋅,a1n,a21,a22,⋅⋅⋅,a2n,⋅⋅⋅,am1,am2,⋅⋅⋅,amn)T
vec\boldsymbol{A} = (a...]]></description><category></category></item></channel></rss>