高效读论文和一些小技巧
本文为研究者提供了找寻和筛选学术论文的实用方法。文章建议确定研究主题和关键词，然后集中阅读论文的摘要、简介、方法、结果和总结等部分，并强调利用引用信息来追踪研究发展。作者还推荐了国内外的数据库和期刊，并介绍了使用RSS订阅来持续获取最新研究信息的方法。文章为读者提供了一套有效的学术论文搜寻和分析框架，尤其适用于建筑、景观和规划领域的研究者。
论文复现
Part4-2.对建筑年代预测结果进行展示和分析
本文为首先会通过对测试数据集的预测来展示模型的预测能力，其中，我们会介绍对模型进行评估的几种方法，包括混淆矩阵、召回率 (Recall)、精确度 (Precision)、F1分数 (F1 Score)，然后，我们会利用类激活映射（Class Activation Mapping，简称 CAM）查看模型关注哪些方面，最后从空间上观察建筑年代的预测结果在空间上的表现。
Part4-1.对建筑年代进行深度学习训练和预测
本文为《通过深度学习了解建筑年代和风格》论文复现的第五篇——训练识别建筑年代的深度学习模型，我们会使用Python中的`PyTorch`库来训练模型，模型将选用基于`DenseNet121`的深度卷积神经网络（DCNN）作为骨干进行迁移学习，数据集采用上一篇文章中获取的阿姆斯特丹的7万多张谷歌街景图像。在处理过程中我们会进一步优化模型，避免欠拟合和过度拟合，并且使用Tensorboard实时查看训练过程。
Part3.2《selenium多线程获取街景.py》和《语义分割筛选街景完整代码.py》完整代码
论文《通过深度学习了解建筑年代和风格》的复现代码已上传至Github和Gitee。目前代码仍在更新中，仓库可用于查看利用PyTorch进行语义分割的完整代码。此外，还提供了《selenium多线程获取街景.py》和《语义分割筛选街景完整代码.py》的完整代码。
Part3-2.获取高质量的阿姆斯特丹建筑立面图像（下）
本文主要是介绍如何用Python的selenium库去操控浏览器截取谷歌街景图像，并按照Pytorch中标准ImageFolder保存，最后使用语义分割模型进行进一步筛选图片。
Part1.论文解读：如何利用最近很火的深度学习来识别建筑年代和风格？——《通过深度学习了解建筑年代和风格》
本文为《通过深度学习了解建筑年代和风格》（详细引用信息见文末）论文复现的第一篇——论文解读，主要是介绍建筑论文的大致逻辑，创新点和结论。