![](https://img-blog.csdnimg.cn/20201014180756780.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
笔记
文章平均质量分 85
为了写博客,要取一个好的名字
这个作者很懒,什么都没留下…
展开
-
Autoware.universe中激光雷达感知部分简述,一看就懂,不懂请打我
Autoware.universe的激光雷达感知原创 2023-06-17 14:58:02 · 1374 阅读 · 0 评论 -
Autoware中的点云3D聚类算法,保姆级算法阅读注释,一看就懂,非常详细!
autoware的聚类算法解读原创 2022-11-20 17:56:54 · 1520 阅读 · 1 评论 -
KD树邻域搜索原理,一看就懂,不懂请扇我
KD树构建、KD最邻近点搜索、多个最邻近点搜索、半径R邻域搜索原创 2022-11-04 17:19:55 · 1321 阅读 · 1 评论 -
推理证明RANSAC算法中迭代次数为何总设置为100,一看就懂,不懂请打我
介绍代码中RANASAC的迭代次数为何总是设置为100原创 2022-11-03 09:59:13 · 514 阅读 · 1 评论 -
数字图像处理(二):图像基本操作
基本图像处理操作原创 2022-11-01 11:30:08 · 365 阅读 · 0 评论 -
数字图像处理(一):numpy的基本操作和简单绘图
数字图像处理中的numpy基本操作原创 2022-10-30 13:36:28 · 1496 阅读 · 0 评论 -
Picture-defogging:暗通道去雾法
暗通道去雾,算法原理与实现原创 2022-08-05 17:01:14 · 333 阅读 · 0 评论 -
ROS2学习(1)—核心概念
ROS2急速入门原创 2022-07-28 15:48:56 · 784 阅读 · 0 评论 -
C/C++常用刷题技巧,简单易懂
c++刷题技巧原创 2022-06-04 16:43:42 · 371 阅读 · 1 评论 -
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原创 2021-04-21 21:53:59 · 1934 阅读 · 1 评论 -
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原创 2021-04-12 10:54:01 · 1711 阅读 · 2 评论 -
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原创 2020-11-20 14:51:04 · 378 阅读 · 0 评论 -
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)提出了一种原创 2020-11-13 21:47:18 · 1325 阅读 · 0 评论 -
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原创 2020-10-09 11:26:57 · 15491 阅读 · 37 评论 -
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原创 2020-10-04 21:56:06 · 11533 阅读 · 13 评论 -
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.原创 2020-09-16 15:43:37 · 3876 阅读 · 0 评论 -
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原创 2020-09-14 21:09:16 · 4383 阅读 · 0 评论 -
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”兼原创 2020-09-10 09:20:46 · 1411 阅读 · 12 评论 -
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\原创 2020-09-08 08:06:53 · 37701 阅读 · 7 评论 -
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原创 2020-08-23 16:38:35 · 894 阅读 · 0 评论 -
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原创 2020-08-20 09:37:03 · 3393 阅读 · 0 评论 -
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代原创 2020-08-19 17:21:30 · 5243 阅读 · 6 评论 -
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、前两列原创 2020-08-17 15:34:32 · 257 阅读 · 0 评论 -
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,多边形的原创 2020-08-16 20:23:54 · 1283 阅读 · 0 评论 -
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原创 2020-08-16 20:18:08 · 3969 阅读 · 5 评论 -
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),可以考虑原创 2020-05-16 20:54:26 · 454 阅读 · 0 评论