ccccmj-CSDN博客

原创 [paper翻译]OpenPose：Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields

OpenPose：实时多人2D姿态估计使用部分关联域（Part Affinity Fields）摘要实时的多人2D人体估计，对于让机器理解图像和视频中的人来说，是一个关键的组件。这篇文章里，我们一处了一个实时的2D多人检测方法。提出的方法使用一种非参数的表示——部分关联域（PAF），来学习图像中身体各部分的联系。这个自底向上的系统架构有很高的准确率，同时实施表现也很好，即使很多人在图片中亦是如...

2019-05-06 19:08:19 1084

原创 [瞎搞]python调试第三方库

读代码时边调试边看，可以提高速度，顺便偷懒。想要调试阅读python第三方库，随手一查，找到了大佬使用PDB文章https://blog.csdn.net/ybdesire/article/details/54649211，试了一下，pdb这东西像极了gdb所以上手容易。但是不太适用于看代码的场景，因为在入库的时候需要打断点，但是跨文件的时候好像没法jump in（如果可以求告知！）。而且习惯了...

2019-03-19 15:19:48 1602

原创 [瞎搞]读PDF英文文献时，剪切板中的回车用空格代替

英文垃圾如我，读文章的时，最苦恼的莫过于复制了的问题会把结尾的换行符也复制进剪切板，影响翻译质量。各种搜索找了AutoHotKey。#NoEnv ; Recommended for performance and compatibility with future AutoHotkey releases.; #Warn ; Enable warnings to assist with d...

2019-02-23 11:43:06 351

原创 [paper笔记]RFBNet——感受野再优化

RFB-Net——准确快速的物体检测_思路1. 突破点提高实时算法的精准度。2. 优化的问题实时算法特征表达能力不强，或者说特征提取器因为不能太深，所以效果不好。3. 为什么会得以优化根据人类视觉系统的接受域（感受野？），提出RFB。4. 依然存在的问题pass5. 为什么会存在这些问题pass摘要目前顶级目标检测算法，得益于DCNN backbones很强的特征表...

2018-09-28 11:17:10 3375 2

原创 [paper笔记]RefineDet——把两级目标检测方法的串联结构并联起来

Single-Shot Refinement Neural Network for Object Detection摘要单级方法高效，两级方法准确。取两者之长处，克服其缺点，提出单级方法——Refine-Net。精准度高于两级方法。两个内联模块组成anchor校准模块——过滤掉无效的anchor，缩小分类器的搜索空间。物体检测模块——粗略地调整anchor的位置和大小，为后续的回归提...

2018-09-26 21:39:04 773

原创 [Paper笔记]Corner Net——使用Paired Keypoints代替Anchor的One-stage目标检测器

讨厌这个作者，我英语稀撇，这作者特爱用长句子。摘要提出Corner Net。使用paired key points代替anchor box。引入corner pooling。效果COCO上one-stage中目前最好。1 引言Anchor box两个缺点：框框多，训练过程中positive和negative不平衡，导致训练无效率，得到次优解。(在文章Focal loss(Re...

2018-09-19 22:05:35 509

原创 Linux下如何防止误删文件？防范于未然，回收站+定时备份

以前听到是rm -rf / ，觉得是知乎上的段子，直到今天我蠢得手快删除了自己的工作目录。写下做法于此，希望避免再犯类似愚蠢的错误！！！1. Linux 回收站的建立把下面的代码插入你的home目录下的.bashrc的末尾，并且在家目录创建一个.Trash文件夹，你就拥有了一个linux下的回收站。成功让你可以手快而不经大脑的输入rm -rf，却不会再对着屏幕留下悔恨的泪...

2018-08-16 16:01:13 989 2

原创 YOLOv3源码darknet的学习与解读（未完成）

注释代码地址：https://github.com/chenmingjian/darknet_mark顺序训练训练时如何加载网络信息？如何加载图像数据？如何训练网络？检测 pass

2018-07-13 16:27:00 2093

ccccmj的博客