- 博客(38)
- 资源 (2)
- 收藏
- 关注
RSS订阅
原创 autoware.universe中跟踪模块详解，一看就懂！
主要三块内容：创建跟踪器、删除跟踪器、发布结果创建跟踪器无历史跟踪目标的情况下，直接创建跟踪器有历史跟踪目标的情况下，如果目标出现前后两帧类别识别错误、移动距离过远（欧式距离、马氏距离）、形状尺寸变化过大、朝向转动幅度过大、2dIOU比例过小等情况，就会出现目标丢失的情况，默认两帧之间无关联，从而创建新的跟踪器删除跟踪器当某个历史跟踪目标在1秒的时间范围内，都没有找到与之关联的检测目标，删除该历史跟踪目标所对应的跟踪器。
2024-03-02 11:03:36
380
原创 AutoDL远程服务器训练配置，保姆级教学，一学就会
目录0.整体把握1.使用ssh远程连接服务器2.本地文件远程传输服务器3.实际运行4.最后说一句0.整体把握 所谓远程服务器训练，即在本地显示远程服务器终端(Terminal)，并在该终端内进行网络训练的行为。但有时学校内资源紧张，很难做到随时随地进行远程服务器训练的行为，于是找了很多云GPU服务器，最终选定AutoDL远程服务器。该远程服务器的优点如下：（1）价格便宜，最低0.5/小时；（2）ssh配置简单，稳定且容易上手；（3）上传速度巨快(10M/S)，随时本地更新服务器文件，就像自己的电脑一
2022-05-27 22:50:25
13642
5
原创 C++极速掌握，只需这一篇就够了
全文目录开始面向对象使用类虚函数的工作原理开始C++程序中必须包含一个main函数cerr：标准错误某个变量在不同cpp文件中都有，为了避免混乱，但使用时一般需要声明该变量extern类型别名typedef，typedef int wa //wa是int的同义词一般是.h文件的固定开头.以下为例，在别处引用时，#include SALE_DATA_H.h#ifndef SALE_DATA_H#define SALE_DATA_H#endif空指针：nullpt
2022-05-25 19:33:43
602
1
原创 python之关于函数部分讲解
文章目录1. 形参和实参2. 传递实参（1）向函数传递实参的方式（2）避免参数的不必配现象3. 返回值：return4.传递列表（1）禁止函数修改列表5.传递任意数量的实参（1）结合位置实参和任意数量实参（2）使用任意数量的关键字实参（3） 将代表任意数量实参的形参，放在最后（4） 在函数传递实参的过程中，先匹配位置实参、关键字实参，剩余的实参归在最后一个形参6.将函数存储在模块中7. 编写规范1. 形参和实参（1） 形参：定义函数中时使用的参数（2）实参：调用函数时使用的参数2. 传递实参（1）
2021-09-11 10:17:36
138
原创 Python实现力扣刷题之打家劫舍III（337题），超简单，一看就会
文章目录题目描述原理阐述代码实现举例实现代码操作题目描述在上次打劫完一条街道之后和一圈房屋后，小偷又发现了一个新的可行窃的地区。这个地区只有一个入口，我们称之为“根”。 除了“根”之外，每栋房子有且只有一个“父“房子与之相连。一番侦察之后，聪明的小偷意识到“这个地方的所有房屋的排列类似于一棵二叉树”。 如果两个直接相连的房子在同一天晚上被打劫，房屋将自动报警。计算在不触动警报的情况下，小偷一晚能够盗取的最高金额。如下示例所示原理阐述该题目考察的是二叉树。相邻节点不能选择的情况下，求所有节点
2021-07-07 16:09:46
322
原创 OTB官方工具中OTB100的前期数据配置，全网独家
前言OTB官方一直不更新支持OTB100的测试，而且网上几乎都是关于OTB50的配置，所以一气之下自己开始配置OTB100的测试环境。本文主要针对于修改groundtruth_rect.txt、configSeq。基本上搞定这两方面之后，后面的configTracker修改、运行跟踪器以及画图网上其他地方都有很详细的阐述，这里不再进行表述。OTB100前期数据配置进行OTB100代码的修改，生成新的数据图网上搜寻其他跟踪器的测试结果：KCF、ECO、SiamFC、DaSiamRPN、SRD
2021-04-21 21:53:59
1905
1
原创 linux中vot-toolkit测试工具使用，超详细，一看就会，不会请扇我
文章目录通用步骤matlab版本配置python版本配置（与matlab版本配置基本相同，我只介绍不同点）总结vot-toolkit是vot challenge官方发布的，用来测试跟踪器在VOT数据集上表现的工具。最近在做这方面的实验就顺便配置了一下，下面是我配置的步骤方法，分为matlab跟踪器版本和python跟踪器版本。通用步骤因为配置matlab和python版本的开始操作几乎一样，所以放在这部分进行阐述。具体步骤使用数字1，2，3，…代表前后次序从github上下载vot-toolki
2021-04-12 10:54:01
1642
2
原创 pysot的评估代码阅读,对照代码观看更佳！
pysot的评估代码文章目录pysot的评估代码1.官方给出的评估代码2.代码阅读1.官方给出的评估代码#mermaid-svg-ZzksXQRbA9132Ncr .label{font-family:'trebuchet ms', verdana, arial;font-family:var(--mermaid-font-family);fill:#333;color:#333}#mermaid-svg-ZzksXQRbA9132Ncr .label text{fill:#333}#mermaid
2021-02-15 15:26:02
1071
2
原创 pysot之测试代码分析，一看就会，对比代码阅读更佳哦
文章目录1.官方给出的测试方法2.代码阅读1.官方给出的测试方法2.代码阅读需要加载的内容（以测试Siam RPN为例）：网络结构：将Siam RPN的网络结构加载进去 --config网络权重：将Siam RPN的网络权重加载进去 --snapshot测试数据集：将想要测试的数据集加载进去 --datasettorch.set_num_threads(int):设定用于并行化CPU操作的Open MP线程数加载网络配置和数据集路径加载数据集路径imp
2021-01-20 20:36:08
1601
2
原创 python数据结构与算法之搜索与排序总结
整体概述本篇文章主要涉及：搜索算法：顺序搜索和二分搜索；排序算法：冒泡排序、选择排序、插入排序、希尔（谢尔）排序、归并排序、快速排序我将把算法的原理和优劣写出，方便大家在用的时候可以针对不同情况因地制宜的选择合适的算法。搜索算法顺序搜索（无序列表）原理：从列表的第一个元素开始，沿着列表的默认顺序逐个查看。默认顺序为：0,1,2,3,4,…如果在列表中的某个位置找到了要搜索的元素，则返回True；如果搜索完整个列表没有找到要搜索的元素，则返回False代码：def sequent
2020-11-20 14:51:04
358
原创 详细分析DaSiamRPN，快速把握论文要点，不会请砍我！
文章目录整体把握训练集修改的创新点出发点修改论文代码：https://github.com/foolwood/DaSiamRPN论文题目：Distractor-aware Siamese Networks for Visual Object Tracking整体把握本篇论文赢得了vot2018短时跟踪比赛的冠军，长时跟踪比赛的第二名，比较值得研读，尤其要注意其中对于训练数据集的修改思想，值得借鉴。这篇论文的核心内容在于：通过对训练样本集的改善，从而达到提高跟踪器精度的目的。（主要）提出了一种
2020-11-13 21:47:18
1310
原创 力扣刷题（一）两数之和，运行时间快，但耗内存
直接代码：class Solution: def twoSum(self, nums: List[int], target: int) -> List[int]: hashmap={} for index,num in enumerate(nums): hashmap[num]=index for index,num in enumerate(nums): nu=target-num if nu in hashmap.keys and i
2020-10-24 11:21:26
405
原创 SiamCAR的详细解答，一看就会，不会请打我
首先提一句：这篇论文虽然是今年CVPR的oral，但是它的整体思路与SiamBAN基本相同。所以在本篇论文中我将主要的重点放在与SiamBAN不同的地方。我之前的关于SiamBAN的博客。整体把握本篇论文通过anchor-free的策略，将网络的回归输出变成了特征图映射在搜索补丁上点与选定的gt框四条边的距离。通过观察分类得分图和中心度得分图，决定最佳目标中心点。然后提取最佳目标中心点与gt框四条边的距离，得到预测框，从而实现跟踪。具体的过程如下所示：#mermaid-svg-3wMaNEknLF1
2020-10-09 11:26:57
14991
37
原创 SiamBAN详细分析，一看就懂！
整体把握SiamBAN是今年CVPR中效果最好的跟踪器之一，研究它的原理更加能够很好的帮助我们掌握目前跟踪器发展的趋势。SIamBAN，按照意思分析是孪生自适应框。“孪生”，说明该跟踪使用了Siamese网络架构；而“自适应框”，则是该跟踪器采用了anchor-free的策略，不预先设定anchor框的尺寸，使得框拥有更大强大的自由度。通过分析论文和代码，我认为SiamBAN就是一个优化版的SiamRPN++，最大的创新点在于anchor-free的引用，去掉了预定义的anchor，从而使得模型整体的
2020-10-04 21:56:06
11241
13
原创 快速掌握numpy.hanning、numpy.outer、numpy.meshgrid函数
文章目录numpy.hanningnumpy.outernumpy.meshgridnumpy.hanning这是numpy库中比较常见的函数，它生成余弦窗函数或者高斯函数，用于过滤或者突出某个物体。输入参数：M.输出：一行M列的向量import numpy as npimport matplotlib.pyplot as pltwindow=np.hanning(13)print(window)plt.plot(window)plt.show()得到输出：array([0.
2020-09-16 15:43:37
3654
原创 FCN简单理解
文章目录整体把握卷积层替换全连接层的意义卷积层替换全连接层的具体方法网络结构中“放大”、“缩小”跳级的思想损失函数整体把握FCN的论文主要集中于语义分割，当然这种结构现在已经运用在计算机视觉的各种任务中。FCN创造性的将传统CNN的全连接层都转换成了卷积层。FCN支持任意尺度的图片输入，改变了传统CNN要求固定输入图片尺寸的要求。FCN中可将卷积分为两个过程，分别使得图片“缩小”、“变大”。所谓“缩小”指的是经过卷积提取图片的特征，所谓“放大”指的是经过反卷积将“缩小”的特征图还原成与输入图像尺
2020-09-14 21:09:16
4348
原创 Tracking by Instance Detection: A Meta-Learning Approach论文详解
文章目录跟踪器的整体把握离线预训练离线训练流程在线跟踪过程跟踪器的整体把握之前基本上都是遵循“检测—跟踪”的思路，将检测器的“头部件”与跟踪器相结合，达到良好的跟踪效果。但是，该跟踪器的作者独辟蹊径，认为跟踪器既然使用了检测器的“头部件”能实现良好的跟踪效果，那我何不直接将检测器转换成跟踪器？于是基于这种想法作者创造了该跟踪器。直接将检测器转换为跟踪器，可以在保留最需要的“头部件”的前提下，还能保留基本检测器的总体设计。这样，我们就不用再去创建一个新的跟踪框架，也不必去思考跟踪框架是否与“头部件”兼
2020-09-10 09:20:46
1399
12
原创 focal loss详解
focal loss的整体理解focal loss 是一种处理样本分类不均衡的损失函数，它侧重的点是区分样本是否容易辨认，即给容易区分的样本添加较小的权重α1\alpha_1α1，给难分辨的样本添加较大的权重α2\alpha_2α2.那么，损失函数的表达式可以写为：Lsum=α1×L易区分+α2×L难区分L_{sum}=\alpha_1\times L_{易区分}+\alpha_2\times L_{难区分}Lsum=α1×L易区分+α2×L难区分因为α1\alpha_1α1小而α2\
2020-09-08 08:06:53
37346
7
原创 超简单MAML阐述
核心思想模型初始化参数θ\thetaθ，从给定的数据集p(T)p(T)p(T)中抽样不同的TiT_iTi，每个TiT_iTi包含训练集和测试集，保证训练集和测试集都是一个类别（比如训练集是猫和狗，测试集也应该是猫和狗）。在不同的任务TiT_iTi上，利用训练集对模型初始化参数θ\thetaθ 进行一次或多次梯度更新，获得新的模型参数θ′\theta^{'}θ′.然后利用测试集，获得在该模型参数下的损失函数的方向∇LTi(fθ′)\nabla L_{T_i}(f_{\theta^{'}})∇LTi
2020-08-23 16:38:35
878
原创 python中将矩阵元素值限制在某个范围的实现
我们平常使用矩阵的时候，通常会发现矩阵的元素不能够满足我们的需求，其中一种情况就是矩阵内的元素要么过大，要么过小，最好将矩阵的元素限制在某个范围之内。代码：import numpy as npb=np.arange(1,13).reshape(3,4)a=b.reshape(-1)num=0for i in a: if i<3: a[num]=3 num+=1c=a.reshape(b.shape)print(c)结果：[[ 7 7 7 7
2020-08-20 09:37:03
3344
原创 python中矩阵循环移位的简单方法（切片）
话不多说，直接上代码。def circshift(matrix,shiftnum1,shiftnum2): h,w=matrix.shape matrix=np.vstack((matrix[(h-shiftnum1):,:],matrix[:(h-shiftnum1),:])) matrix=np.hstack((matrix[:,(w-shiftnum2):],matrix[:,:(w-shiftnum2)])) return matrix上述代码中的matrix代
2020-08-19 17:21:30
5174
6
原创 numpy操作（二）完结
文章目录数组的复制1.切片复制2.numpy.copy数组维度的修改1.reshape函数2.将多维数组转换为一维数组数组的拼接数组的分割数组的转置统计函数总结数组的复制数组的复制，顾名思义就是将数组复制下来获得一个新的数组。有两种方法，一种是通过切片复制，一种是利用np.copy.1.切片复制切片复制是浅copy，即对 复制的数组内的元素修改时，原数组对应的元素也会发生变化。a=np.arange(1,13).reshape(3,4)b=a[:2,:2] #切片复制数组a的前两行、前两列
2020-08-17 15:34:32
248
原创 SiamMask的完整跟踪过程
SiamMask代码中的demo配置环境，加载预训练模型后形成siammask模型，加载图片序列。选择跟踪的对象cv2.selectROI（窗口名字，要截取的图片，是否十字画矩形，是否以中心画矩形）。返回（左上角坐标，宽，高）执行跟踪：for f,im in enumerate(ims)初始化目标中心位置获取目标尺寸获取跟踪器初始化跟踪获得跟踪结果定位目标位置（中心加尺寸）掩码输出：大于阈值的输出1，否则输出0画框cv2.polylines（图片，多边形的
2020-08-16 20:23:54
1267
原创 SiamFC完整的跟踪过程
SiamFC准备两路输入图像：模板图像和检测图像。设置模板图像和检测图像的边长，分别用z_sz和x_sz表示。设置content，前后文信息content=12∗(h+w)=2pcontent=\frac{1}{2}*(h+w)=2pcontent=21∗(h+w)=2p设置z_szz−sz=(w+2p)(h+2p)z_{-}sz=\sqrt{(w+2p)(h+2p)}z−sz=(w+2p)(h+2p)设置x_szx−sz=255127(w+2p)(h+2
2020-08-16 20:18:08
3893
5
原创 numpy操作（一）
numpy操作（一）文章目录numpy操作（一）多维数组的创建1.array创建法2.顺序创建：a range.3.随机创建：`np.random`1.按照指定的范围随机创建2.正态分布创建4.其他方式创建多维数组的创建1.array创建法使用：将数组输入，就可以转换成numpy.ndarray类型a=np.array([1,2,3,4]) #一维数组print(type(a))print(a)<class 'numpy.ndarray'>[1 2 3 4]a=n
2020-08-16 14:33:45
223
原创 利用小白的视角描写yolov3，简单、易懂！
网络模型这是我看到一位大神的作品，冒昧拿来使用，因为实在画的太好了！原文作者：https://me.csdn.net/leviopku不管是训练还是预测都是使用的同一个网络，那么输出也都是相同的。其中的关键在于输出了三个输出：y1，y2，y3.（1）他们的维度都是255，即3*（4+1+80），代表预测的4个坐标（tw,th,tx,ty），1个置信度（是目标的概率），80个分类预测分数（coco中有80中分类，要是换一个数据集，80也会改变）。（2）他们的大小都是NxN（例如13x13），可以考虑
2020-05-16 20:54:26
445
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人