EMS-YOLO的工程结构 12345678910111213141516171819202122232425262728293031323334353637383940414243444546474849505152535455565758EMS-YOLO├─ .ipynb_checkpoints├─ LICENSE├─ README.md├─ __pycache__├─ data├─ detect.py├─ environment.yml├─ export.py├─ firerate10_5.npy├─ g1-resnet├─ hubconf.py├─ models # 网络模型文件│ ├─ __init__.py│ ├─ common.py│ ├─ common_origin.py│ ├─ experimental.py│ ├─ res10-ee.yaml│ ├─ res18-ee.yaml│ ├─ res18-eebk.yaml│ ├─ res18-sew.yaml│ ├─ resnet10.yaml│ ├─ resnet18.y ...

Reference [1] H. Cho, T. Kim, Y. Jeong, and K.-J. Yoon, “TTA-EVF: Test-Time Adaptation for Event-based Video Frame Interpolation via Reliable Pixel and Sample Estimation,” in Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR), 2024, pp. 25701–25711. [2] J. Dong, K. Ota, and M. Dong, “Video Frame Interpolation: A Comprehensive Survey,” ACM Trans. Multimedia Comput. Commun. Appl., vol. 19, no. 2s, May 2023, doi: 10.1145/3556544. [3] O. S. Kılıç, A. Akman, a ...

参考文献 (带标注，仅供参考) 方法 1. Hidden neuron的稀疏化 一个通用的表示图像恢复任务的神经网络表示为如下: （为什么如此建模作者在Related Works中有描述） Y=W2∗F(W1∗X)\mathbf{Y} = \mathbf{W_2} * \mathcal{F}(\mathbf{W_1} * \mathbf{X}) Y=W2​∗F(W1​∗X) Notes Description Connections w.r.t image restoration tasks X\mathbf{X}X 输入图片 以图像超分为例，代表输入的低分辨率图片 Y\mathbf{Y}Y 输出图片 以图像超分为例，代表输出的高分辨率图片 F(⋅)\mathcal{F}(\cdot)F(⋅) 神经网络中的非线性激活函数 一种稀疏表示的方式，但文章中认为不是很高效 W1\mathbf{W_1}W1​ 卷积核1 线性投射到高维空间的基矩阵（或者说是投射的token，作为基底来表示用token线性组合，即图片本身） W2\mathb ...

00. 学习在PL端使用OV7725摄像头 拿到摄像头，我们先来研究它的引脚： 输入端口： Port Function XCLK 系统时钟输入 FSIN 帧同步信号输入 RSTB 系统reset信号输入，低电平有效 PWDN 关机模式选择 SCL SCCB协议时钟输入(类似IIC) SDA SCCB协议数据输入(类似IIC) 输出端口： Port Function HREF 行同步信号输出 PCLK 像素时钟输出 VSYNC 垂直同步信号输出 D[9:0] 10-bit RGB数据 Step 1. 读出OV7725的RGB数据并拼成一帧图像 假设摄像头正常工作，自身产生的24MHz的PCLK作为输出给到读取数据的模块中。一系列像素同步信号（VSYNC，HREF）和本身的RGB像素信息也同样传给模块中。作为时序控制电路应有RST_n信号。所以该Verilog模块的输入输出端口就很清晰了（如下图） Ports Port name Direction Type sys_rst_n input wire ...

如何生成有一定可解释性的Attention Map 参考Github Repo: jeonsworld/ViT-pytorch 我们先试着跑一跑仓库里的train.py，本人写了一个脚本方便快速运行，作者也提供了预训练权重(.npz)。这里以ViT-B-16的模型为例： 12345678910111213141516171819202122python train.py \ --dataset cifar10 \ --model_type ViT-B_16 \ --pretrained_dir "checkpoint/imagenet21k+imagenet2012_ViT-B_16.npz" \ --output_dir "./outputs" \ --img_size 224 \ --train_batch_size 256 \ --eval_batch_size 4 \ --name "exp_1" \ --eval_every 100 \ --learning ...

参考文献 FireFly: A High-Throughput Hardware Accelerator for Spiking Neural Networks With Efficient DSP and Memory Optimization, IEEE Transactions on Very Large Scale Integration (VLSI) Systems, 10.1109/TVLSI.2023.3279349 URL: https://ieeexplore.ieee.org/document/10143752/ 其他参考资料 UltraScale Architecture DSP Slice, UG579 (v1.7) June 4, 2018 1. 通过单个 DSP48E2 进行突触交叉计算 (Synaptic Crossbar Computation by a Single DSP48E2) DSP48E2是Xilinx Ultrascale SoC中会提供的一个数字信号运算IP，基本架构在下两图所示，由三部分组成： 27位预加器 (27’b p ...

在ZYNQ 7020 PS端使用paho.mqtt实现设备侧开发连接华为云IoTDA服务 （2024-2025第六学期综合课程设计自主设计任务的一环） 参考资料 https://blog.csdn.net/thisway_diy/article/details/125557534, 【嵌入式Linux应用】初步移植MQTT到Ubuntu和Linux开发板, 韦东山 https://www.cnblogs.com/wanqieddy/archive/2011/09/21/2184257.html, Makefile 中:= ?= += =的区别, wanqi https://support.huaweicloud.com/devg-iothub/iot_02_2200.html, MQTT使用指导, 华为云 0. Ubuntu18.04 WSL准备 教程很多有手就行。 1. 前置包准备 Paho MQTT的包对多种语言都有支持，其中特别是嵌入式设备中（之前bz用过海斯Hi3861的paho-embedded-mqtt，是工程师事先构建好在OpenHarmony镜像中，用户 ...

2023 NUEDC Question C (项目链接在报告里有写的喵) <----(你喵个锤锤子)

1.注意力机制（Attention） 1.1 自注意力机制 （Self-Attention） 为了处理序列数据，自注意力采取的策略是，吃一整个序列，再根据输入的向量（一段序列）决定输出一个向量，再进入传统的FC，换言之，是考虑了整个序列之后输出一个结果。Self-Attention也可以与FC交替做很多次： 那Self-Attention如何运作？ Self-Attention块的输入可以是一开始的输入层，也可以是中间的某个hidden layer的输出。考虑了所有的输入，输出与输入长度相等的一系列向量。例如b1b^1b1考虑了a1,…,a4a^1, \dots , a^4a1,…,a4。 以上图为例，怎么产生b1b^1b1这个输出呢？ 有两种方法，其中Method 1是如今Transformer架构中用到的，也是注意力机制的主流架构，通过点积计算两向量的关联度。 应用中，把一个向量当作query（问询值），其余的所有当作key（键），进行关联度计算，得到Attention Score，再经过Softmax层进行归一化，得到最终的attention-score矩阵。（其实也不一定 ...