- 博客(16)
- 收藏
- 关注
RSS订阅原创 RuntimeError: Invalid device string: ‘0,1,2,3‘
开头加上import osos.environ[‘CUDA_VISIBLE_DEVICES’] = ‘0,1,2,3’改为：device = torch.device(‘cuda’ if torch.cuda.is_available() else ‘cpu’ )
2022-05-23 16:22:07
6068
原创 UnboundLocalError: local variable ‘cls_num‘ referenced before assignment
函数中的局部变量，报出unboundLocal Error问题，是出现在赋值的问题上，报错是因为系统认为cls_num 不一定能被赋值，要先对其进行赋值。好了如果在子程序中对全局变量的操作任然报错UnboundLocalError: local variable ‘xxxxx’ referenced before assignment用global关键字来进行说明xxxxx该变量是全局变量...
2022-05-17 19:43:47
442
原创 ImportError: cannot import name ‘_validate_lengths‘ 解决方法
更新scikit-imagepip install --upgrade scikit-image
2022-05-16 16:48:55
147
原创 0x00611F29 处有未经处理的异常(在 suanfaxunlian.exe 中): 0xC00000FD: Stack overflow (参数: 0x00000000, 0x00622000)
0x00611F29 处有未经处理的异常(在 suanfaxunlian.exe 中): 0xC00000FD: Stack overflow (参数: 0x00000000, 0x00622000)。栈溢出”，多半是定义的数组太大了，所以在定义数组的时候一定要谨记千万别太大。
2022-03-26 14:52:12
417
原创 ReID环境准备
表征学习代码实现其最经典的网络是IDENet，度量学习：triple loss，ReID的半壁江山。分类问题，分类行人的ID。分类损失也叫ID损失，只有ID损失的网络称为ID Embeding网络(IDE网络)。训练集中行人的ID数为网络的类别数。特征层后接一个分类FC，经过Softmax激活函数计算交叉熵损失。测试阶段使用倒数第二层的特征向量进行检索，分类FC层丢失。数据集准备Market1501"bounding_box_test"有19732张图片。"bounding_bo
2022-02-27 15:39:23
207
原创 抑制背景干扰的行人重识别方法
摘要目的：解决ReID中的相似背景干扰问题方法：对多摄像头监控场景下的ReID中的前景和背景的隐含关系进行分析设计背景抑制网络模型，包括前景子网络，背景子网络和噪声抑制模块在噪声抑制损失函数的作用下增强前景子网络对行人特征的提取能力，抑制背景噪声成果：计算复杂度低，提高模型识别能力的同时提高可迁移能力正文提出研究背景：近年来，相对于行人(前景)，监控场景中的背景对Re-ID的影响受到部分学者的关注。本文献分别从消除背景、消除部分前景和验证背景偏置3方面进行分析。提供理论成熟依据
2022-02-22 20:09:28
1326
原创 transform: 数据预处理的代码，可以自定义数据增广
from __future__ import absolute_importimport torchimport torchvisionfrom torch import nnfrom torch.nn import functional as Ffrom IPython import embedclass ResNet50(nn.Module): def __init__(self, num_classes, loss={'softmax, metric'}, **kwargs):
2022-01-04 20:14:48
123
原创 transform:数据预处理代码，可以自定义数据增广等
from __future__ import absolute_importfrom torchvision.transforms import *from PIL import Imageimport randomimport numpy as npclass Random2DTranslation(object): """ With a probability, first increase image size to (1 + 1/8), and then perform
2022-01-02 20:50:32
1480
原创 data-manager:自动处理数据集，返回数据集的一些常用属性
from __future__ import print_function, absolute_importimport osimport globimport reimport sysimport urllibimport tarfileimport zipfileimport os.path as ospfrom scipy.io import loadmatimport numpy as npimport h5pyfrom scipy.misc import imsavef
2022-01-02 19:57:34
258
原创 dataset-loader吐数据的dataloader
from __future__ import print_function, absolute_importimport osfrom PIL import Imageimport numpy as npimport os.path as ospimport torchfrom torch.utils.data import Datasetdef read_image(img_path): """Keep reading image until succeed. This
2022-01-02 19:11:19
863
原创 cannot import name ‘imsave‘ from ‘scipy.misc‘
把from scipy.misc import imsave改为：import imageio# from scipy.misc import imsaveimsave = imageio.imsave
2022-01-02 19:01:46
820
原创 全局特征和局部特征
全局特征是指对每一张行人图片的全局信息进行一个特征抽取，这个全局特征没有任何的空间信息。缺点：噪声区域会对全局特征造成极大的干扰(背景杂波)。姿态的不对齐造成信息不对齐，也会使得全局特征无法匹配。为了解决这个问题，我们提出了局部特征。局部特征就是对图像的某一区域进行特征提取，最后将多个局部特征融合起来作为最终特征。常用方法：切片，姿态，分割，网络切片：水平切片，从上到下，对每一个切片块进行特征提取姿态：利用姿态估计模型，把每个姿态估计出来，对关键姿态点进行特征提取分割：把人或某个区域分割出
2021-12-09 02:01:57
8259
1
转载 Faster-rcnn源码解析之RPN
def grid_anchors(self, grid_sizes, strides): # type: (List[List[int]], List[List[Tensor]]) -> List[Tensor] """ anchors position in grid coordinate axis map into origin image 计算预测特征图对应原始图像上的所有anchors的坐标 Args: grid_sizes: 预测特征矩
2021-11-24 16:13:37
220
原创 完全小白配置esp8266环境的艰难过程ing
配置环境将程序烧录到Arduino中，一共需要三步：选择好对应的例程配置Arduino开发板的下载口选择Arduino开发板型号出现问题问题一：Serial port not selected.已解决：找不到串口，插入开发板，未自动安装驱动解决方法：1.进入设备管理器，查看Arduino对应的串口，在工具中配置端口。2.手动安装驱动，链接：https://pan.baidu.com/s/1O4cglz7j_D8zbBJbpH9r2A提取码：hkol问题二：无esp8266开发板选
2020-10-20 22:30:18
2895
原创 由于目标计算机积极拒绝,无法连接。 已解决
爬取下厨房页面提取不到信息，加headers解决url = 'http://www.xiachufang.com/explore/'headers = {'user-agent': 'Mozilla/5.0 (Windows NT 10.0; Win64; x64) AppleWebKit/537.36 (KHTML, like Gecko) Chrome/84.0.4147.89 Safari/537.36'}# 获取数据res_foods = requests.get(url, header
2020-08-05 15:53:10
11250
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人