训练第七天之数据比较

今天白天是放假的,每天满满的训练让我没有时间开黑,所以不用说,放假的一整天都在开车。。。
晚上又得训练,因为要为第二周的模块做预习。然后会长还交给了我们如何利用已给数据来判断自己程序是否能过。

预习:

无向(有向)图的定义:每条边都是无向(有向)边的图
连通图:任两点都连通的图称为连通图。
树(自由树、无根树)的定义:连通的无回路的无向图。集合中的元素称为树的结点,所定义的关系称为父子关系。
有向树:一个结点入度为0,其余结点入度均为1的弱连通有向图;在有向树中,入度为 0的结点称为根,其余结点称为叶。

数据比较:

前提:事先给定两个文本文件input(测试数据)与output(标准答案)
第一步:在自己代码的main函数开头加下面代码
freopen("input","r",stdin);//从input中读入数据
freopen("out","w",stdout);//将运行结果写入out中,注意out要与标准答案的文件名不同,否则会覆盖
第二步:运行自己的代码,这时会自动新建一个out文本文件,然后将input,output,out放在同一个文件夹中
第三步:新建一个bat文件用于比较,然后右键该文件,点击编辑,输入以下语句
fc out output         //fc就是比较程序,比较out和output是否有差异
pause       //令exe停在pause,否则会直接闪掉
结果:如果显示“找不到差异”说明代码正确,否则会显示差异在哪。当然还得考虑超时问题,在第二步中运行自己代码后会直接显示运行时间,一般大于1s就很可能超时了。
资源为视频检测算法代码包括算法的模型,算法实现的原理是:首先在视频检测跟踪之前,对所有目标已经完成检测,那么当第一帧进来时,以检测到的目标初始化并创建新的跟踪器,标注ID,输出行人图片,输出一组向量,通过比对两个向量之间的距离,来判断两副输入图片是否是同一个行人。在后面帧进来时,先到卡尔曼滤波器中得到由前面帧box产生的状态预测和协方差预测,并且使用确信度较高的跟踪结果进行预测结果的修正。求跟踪器所有目标状态与本帧检测的box的IOU,通过匈牙利算法寻找二分图的最大匹配,在多目标检测跟踪问题中为寻找前后两帧的若干目标的匹配最优解,得到IOU最大的唯一匹配,在去掉匹配值小于iou_threshold的匹配对。 用本帧中匹配到的目标检测box去更新卡尔曼跟踪器,计算卡尔曼增益,状态更新和协方差更新。并将状态更新值输出,作为本帧的跟踪box,再对于本帧中没有匹配到的目标重新初始化跟踪器。 yolo v3首先通过特征提取网络对输入图像提取特征,得到一定size的feature map,通过尺寸聚类确定anchor box。对每个bounding box网络预测4个坐标偏移。如果feature map某一单元偏移图片左上角坐标,bounding box预选框尺寸为,即anchor尺寸,那么生成对预测坐标为,此为feature map层级.而为真值在feature map上的映射,通过预测偏移使得与一致。类别预测方面为多标签分类,采用多个scale融合的方式预测。
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值