- 博客(8)
- 收藏
- 关注
RSS订阅原创 博客摘录「 YOLOv5模型剪枝压缩」2024年5月11日
语义边缘检测和语义分割的关系调研结果为，语义信息可以用来增强语义分割的效果，也有一定的优点和采用理由，但此类论文的数量并不是很多，语义分割的多数方法还是使用深度学习直接做像素分类。在对比两者的性能时发现，两者的performance指标不一样，所以无法进行对比。添加L1正则来约束BN层系数。
2024-06-13 10:12:27
371
原创 bdcn手顺
device问题：model.load_state_dict(torch.load('%s' % (args.model), map_location=torch.device('cpu')))。data = cv2.imread(test_root + '/' + nm+'.jpg')去掉'.jpg'cpu:添加map_location=torch.device('cpu')gpu:去掉map_location=torch.device('cpu')新建一个文件夹存放测试图片。
2024-06-12 19:54:16
469
原创 test2042
细粒度识别指的是在边缘检测中，不仅仅是大类边界（如整个物体的轮廓），还需要对物体内部的细小部件或细节边界进行识别和区分。例如，在一张有猫的照片中，我们不仅要找到颜色变化的地方，还要知道哪里是猫的边缘，哪里是背景的边缘。这种方法的核心思想是，良好的语义分割性能需要显式地对对象的主体和边缘进行建模，这对应于图像的低频和高频信息。语义边缘检测在这篇论文中确实是用于语义分割的，它通过提供边缘信息来帮助模型更好地理解图像中的结构和边界，从而提高了分割的质量和精度。语义边缘检测细节边缘处理和检测精度上更胜一筹。
2024-06-04 20:42:11
823
原创 test1
在CamVid数据集上，SegNet-Basic在全局准确率 (G) 上达到了89.1%，在类别平均准确率 (C) 上达到了75.7%，在平均交并比 (mIoU) 上达到了62.4%，在边界F1分数 (BF) 上达到了83.0%。在SUN RGB-D数据集上，SegNet在全局准确率 (G) 上达到了70.73%，在类别平均准确率 (C) 上达到了30.82%，在平均交并比 (mIoU) 上达到了22.52%，在边界F1分数 (BF) 上达到了9.16%。这些指标用于评估模型在不同类别上的语义分割性能。
2024-06-04 15:44:00
378
原创 【无标题】
I have carefully reconsidered the scheduling of several tasks and made some adjustments.First, my initial task is still merging two tables into one, because I think subsequent work can continue in this table.Secondly, I will write a summary document based
2024-06-03 14:41:30
330
原创 【python】关于_tkinter.TclError: image “pyimage1“ doesn‘t exist 问题的解决办法
在一个程序中只能存在一个根窗口，也就是说只能存在一个Tk()，其他的窗口只能以顶层窗口（Toplevel()）的形式存在。起初是以为线程内相机的图，放在框内，已经资源被占用，导致无法资源无法被二次利用，但我都把图存到本地，再读取，都有问题。我就把我代码里起的第二个窗口，tk改成Toplevel()，就好用了。内部的数字还一直变动，百度了很多帖子，都没找到解决原因。
2023-05-25 09:12:13
753
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人