- 博客(40)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 避免遗忘，使用Pycharm创建项目
在出现的界面中，出现设置项目名称和选择解释器，详细说明见下图的中文描述 注意：这里默认使用的 Python 的虚拟环境，如果你不使用虚拟环境，一定要修改。如果出现 Interpreter field is empty 表示 Python 的环境变量有问题。当然我们也可以直接选择，请看下面。选择图中 1，如果 3 位置的下来中选不到 Python.exe， 则点击 2 位置按钮。 选择图中1， 如果 3 位置依然没有出现 Python.exe，则点击 2 位置按钮选择 Python 的安装目录，找到你安装
2022-06-16 15:44:11
683
1
原创 解决wps中的一些格式问题
1，安装mathtype后，wps不能复制粘贴了找到开发者工具里面的加载项，取消勾选，确定之后可以看到mathtype不再出现在菜单栏里，复制粘贴可以使用，并且可以照样使用mathtype，只是从外部唤起。2，解决论文左右排版高度不一致的问题，找到插入，分页，连续分节符，就可以解决了3，两排之后出现排版乱的情况从左上角文件中找到选项，然后再格式标记里取消所有勾选，就能够看到文章里面的分页分节符，删掉就可以了...
2022-03-31 14:59:50
2102
原创 解决部分标签学习问题：一种基于实例的方法
摘要在部分标签学习中，每个训练样本都与一组候选标签相关联，其中只有一个是有效的。从部分标签示例中学习的直观策略是平等对待所有候选标签，并通过平均其建模输出进行预测。尽管如此，该策略可能会遇到以下问题：来自有效标签的建模输出被来自假阳性标签的建模输出淹没。本文通过对候选标签集进行直接消歧，提出了一种基于实例的方法IPAL。简单地说，IPAL尝试通过迭代标签传播过程来识别每个部分标签示例的有效标签，然后基于其最近邻的最小错误重建对不可见实例进行分类。大量实验表明，IPAL与现有的基于实例的以及其他最先进的部分标
2022-01-16 19:38:03
1061
原创 Partial Multi-Label Learning via CredibleLabel Elicitation
基于可信标签启发的部分多标签学习摘要部分多标签学习（PML）研究的是每个训练样本都与一组过完备的候选标签相关联的问题，其中只有一些候选标签是有效的。PML的任务自然出现在监督不准确的学习场景中，其目标是诱导一个多标签预测器，该预测器可以为不可见的实例分配一组适当的标签。PML训练过程容易被隐藏在候选标签集中的假阳性标签所误导，这是部分多标签学习的主要建模难点。本文提出了一种新的两阶段PML方法，该方法从模型归纳的候选标签集中引出可信标签。在第一阶段中，通过迭代标签传播估计每个PML训练示例的候选标签的标
2022-01-16 19:30:01
721
原创 Large Margin Partial Label Machine
大幅面局部贴标机摘要-部分标签学习（PLL）是一个多类弱监督学习问题，其中每个训练实例与一组候选标签关联，但只有一个标签是基本真理。PLL的主要挑战是如何处理标签歧义。在各种消歧技术中，基于大幅度（LM）的算法由于其强大的识别性能而备受关注。然而，现有的基于LM的算法要么在构造边缘时忽略了一些潜在的候选标签，要么引入了类容量的辅助估计，这通常是不准确的。因此，它们的泛化性能恶化。为了解决上述缺点，在乐观超集丢失的激励下，我们通过将多类支持向量机（SVM）扩展到PLL，提出了一种LM部分标记机（LM-PL
2022-01-16 19:22:41
375
原创 General Partial Label Learning via Dual Bipartite Graph Autoencoder
基于双二部图自动编码器的一般部分标签学习摘要：我们提出了一个实际而又具有挑战性的问题：广义部分标记学习（GPLL）。与传统的部分标签学习（PLL）问题相比，GPLL将监督假设从实例级（标签集部分标记实例）放宽到组级：1）标签集部分标记一组实例，其中组内实例标签链接注释缺失，和2）允许跨组链接-组中的实例可能部分链接到另一个组中的标签集。这种模棱两可的组级监控在现实场景中更为实用，因为不再需要实例级的附加注释，例如，视频中的人脸命名，其中组由帧中的人脸组成，并由相应标题中设置的名称进行标记。在本文中，我们
2022-01-16 19:13:30
665
原创 Maximum margin partial label learning
摘要:部分标签学习的目的是从训练样本中学习，每个训练样本都有一组标签，其中只有一个标签对训练样本有效。从部分标签示例学习的基本策略是消歧，即通过尝试从候选标签集中恢复基本真理标签信息。作为一种流行的机器学习模式，最大裕度技术被用来解决部分标签学习问题。现有的尝试通过优化候选标签和非候选标签的最大建模输出之间的间距来执行消歧。尽管如此，该公式忽略了考虑“地面真相”标签和其他候选标签之间的差距。本文提出了一种新的局部标签学习的最大裕度公式，它直接优化了groundtruth标签和所有其他标签之间的裕度。具体地说
2022-01-16 18:58:21
431
原创 PLGP基于高斯过程的偏标签学习
偏标记学习是一种新的弱监督机器学习框架解决的问题：解决每个训练样本与其实际标签的候选集相关联的问题。现存问题：训练数据的模糊性解决办法：利用高斯过程模型，提出了一种新的概率核算法。主要思想：假设一个不可观测的潜在函数，在每个类别标签的特征空间上具有高斯过程。然后定义一个新的似然函数，对训练数据传递的模糊标记信息进行消歧。通过引入聚合函数来逼近似然函数中的max函数，不仅定义了一个与maxloss函数等价的似然函数，并且证明了他比其他损失函数更紧，而且给出了一个可微凸目标函数。困难：在PL
2022-01-12 15:36:25
465
原创 Partial Label Learning via Gaussian Processes
摘要偏标记学习（PL）是一种新的弱监督机器学习框架，它解决了每个训练样本与其实际标签的候选集相关联的问题。由于精确标记的数据通常昂贵且难以在实践中获得，PL可以广泛应用于许多实际任务中。然而，由于训练数据的模糊性不可避免地使这种学习框架难以解决，目前只有少数算法可用。本文利用高斯过程模型，提出了一种新的概率核算法。其主要思想是假设一个不可观测的潜在函数，在每个类别标签的特征空间上具有高斯过程。然后定义一个新的似然函数，对训练数据传递的模糊标记信息进行消歧。通过引入聚合函数来逼近似然函数中的max（·）函
2022-01-12 15:36:14
1039
原创 Disambiguation-Free Partial Label Learning无歧义部分标记学习
相关工作：PL训练示例传递的监督信息是隐式的，因为地面真实值标签隐藏在候选标签集中。因此，部分标记学习可以看做是一个具有隐含标记信息的弱监督学习框架。它介于监督谱的两端，即显性监督的监督学习和盲目监督的非监督学习。部分标记学习和其他流行的弱监督学习框架相关，如半监督学习，多实例学习和多标记学习。然而，通过部分标签学习处理的弱监督信息的类型不同于那些对应的框架，半监督学习的任务是从少量标记的示例和大量未标记的示例中学习。对于未标记示例和Pl示例，学习系统都无法访问地面真实标记信息，但有区别。半监.
2022-01-09 22:01:03
1486
原创 ENet：一种用于实时语义分割的深层神经网络结构
摘要：实时执行像素语义分割的能力在移动应用程序中至关重要。最近针对这一任务的深层神经网络的缺点是需要大量的浮点运算，并且运行时间长，这阻碍了其可用性。在本文中，我们提出了一种新的深度神经网络体系结构ENet（高效神经网络），专门为需要低延迟操作的任务创建。ENet的速度高达18CamVid，Cityscaoes和SUN数据集上对其进行了测试，并报告了与现有最先进方法的比较，以及网络精度和处理时间之间的权衡。我们减少了嵌入式系统上拟议体系结构的性能度量，并提出了可能的软件改进建议，是ENet更快。介绍
2021-11-09 10:20:36
3659
原创 siamGAT跟踪过程理解
在阅读到3.3. The Tracking Phase时，作者提到跟踪的目的是预测当前帧中目标的边界框。对于位置（i，j），建议的框架可以产生6D向量Tij=（cls，cen，l，t，r，b），其中cls表示分类的前景分数，cen表示中心度socre，l+r和t+b表示当前帧中目标的预测宽度和高度。在跟踪过程中，边界框的大小和纵横比在连续帧中通常会发生较小的变化。为了使用这种时空一致性监督预测，我们采用了[3]中介绍的尺度变化惩罚pij对分类分数cls进行重新排序，它允许更新的6D向量P Tij=（clsi
2021-10-19 15:10:11
1426
原创 基于分类和回归子网的包围盒预测（siamGAT和siamCAR的头部）
siamGAT和siamCAR都使用相同的预测模块，具体参考siamCAR论文原文：https://arxiv.org/abs/1911.072413.2. Bounding Box Prediction with Classificationand Regression Subnetwork在代码中实现为 def forward(self, pred, target, weight=None): pred_left = pred[:, 0] ..
2021-10-14 11:41:19
879
转载 深度学习之迁移学习介绍与使用
迁移学习概述在深度学习领域，通过预训练模型作为检查点开始训练生成神经网络模型实现对新任务的支持，这种方法通常被称为迁移学习，它的好处是不用再重头开始设计与训练一个全新的网络，而是基于已经训练好的网络模型，在其基础上进行参数与知识迁移，只需要很少量的计算资源开销与训练时间就可以实现对新任务的支持。要理解迁移学习的整个过程就是要搞清楚下面三件事：迁移学习迁移什么 迁移学习是怎么迁移的 迁移学习什么时候使用迁移什么在预训练模型中存在各种特征数据与权重信息、有些是与分类识别的对象本身关联比
2021-10-11 11:15:03
1580
原创 10/8周报 学习siamgat中testTracker测试过程代码模块
理解的是作者的源码，地址GitHub - ohhhyeahhh/SiamGAT: Code for the paper "Graph Attention Tracking". (CVPR2021)project部分结构一、从testTracker中的main()函数进入def main(): # load config cfg.merge_from_file(args.config) # Test dataset dataset_root='/19...
2021-10-10 14:58:24
874
3
原创 SiamGATTracker（）学习
tracker()函数的作用就是传入video sequence和first frame中的ground truth bbox，然后通过模型，得到后续帧的目标位置，主要通过两个函数实现：init和trackeriniti：当idx == 0，即传入第一帧图片时，初始化参数，计算一些之后搜索区域的中心等 tracker：idx不等于0，传入后续的帧，根据网络返回目标的box坐标。 class SiamGATTracker(SiameseTracker): def __init__(self,
2021-10-10 14:52:04
388
2
原创 ModelBuider()
def __init__(self): super(ModelBuilder, self).__init__() # build backbone self.backbone = get_backbone(cfg.BACKBONE.TYPE, **cfg.BACKBONE.KWARGS) # build car head self.car_h...
2021-10-10 11:35:49
273
1
原创 如何获得裁剪区域
get_subwindow() def get_subwindow(self, im, pos, model_sz, original_sz, avg_chans): if isinstance(pos, float): pos = [pos, pos] sz = original_sz im_sz = im.shape c = (original_sz + 1) / 2 cont
2021-10-10 10:49:52
443
1
转载 解决qt.qpa.xcb: could not connect to display问题
以服务器作为远程解释器，本地pycharm或vscode调试时出现如下错误：qt.qpa.xcb: could not connect to displayqt.qpa.plugin: Could not load the Qt platform plugin "xcb" in "/home/xx/anaconda3/lib/python3.8/site-packages/cv2/qt/plugins" even though it was found.This application faile
2021-10-07 19:59:26
55080
25
原创 解决pip install -r requirements.txt安装过程中出现的问题
报错：ERROR: Could not find a version that satisfies the requirement futures (from -r requirements.txt (line 1)) (from versions: none)ERROR: No matching distribution found for futures (from -r requirements.txt (line 1))原因：环境变量改变，可以通过指令查看：env |grep -i .
2021-09-28 16:14:54
3020
原创 KCF论文学习
通常我们所说的目标跟踪任务指的是单目标跟踪任务，即给定一个图像序列，在第一帧中给出一个矩形框，然后跟踪算法需要在后续帧中跟踪这个框的内容。视觉中的目标跟踪方法一般被分成两个大类：生成类和判别类模型方法；生成类的方法：在当前帧中对目标区域建模，在下一帧中寻找与模型最为相似的区域认为是预测的目标位置，典型的有卡尔曼滤波器，Mean-shift算法等。判别类方法：当前帧以目标区域为正样本，背景为负样本，极其学习方法训练分类器，然后在下一帧中用训练好的分类器去寻找最优的区域。大部分的视觉跟踪方法都属于这一类
2021-04-17 09:16:51
592
转载 High-Speed Tracking with Kernelized Correlation Filters翻译
摘要大多数当代的跟踪器的核心组件是判别性分类器，其任务是区分目标和周围环境。 为了应对自然的图像变化，通常使用translated and scaled的样本块来训练该分类器。 这样的样本集充满了冗余-任何重叠的像素都被认为是相同的类。 基于这个简单的观察，我们为成千上万个translate patches的数据集提出了一个分析模型。 通过结果显示数据矩阵是循环的，我们可以使用离散傅立叶变换对角化它，将存储和计算量减少几个数量级。 有趣的是，对于线性回归，我们的公式等效于一些最快的竞争跟踪器使用的相关滤
2021-04-06 22:20:11
687
转载 HOG特征
hog特征：方向梯度直方图特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述。他通过计算和统计图像局部区域的梯度方向直方图来构成特征。Hog特征结合SVM分类器已经被广泛应用于图像识别中。主要思想：在一幅图像中，局部目标的表象和形状能够被梯度或边缘的方向密度分布很好的描述。（本质在于梯度的统计信息，而梯度主要存在于边缘的地方）具体实现的方法是：首先将图像分成小的连通区域，我们把它叫细胞单元。然后采集细胞单元中个像素点的梯度或边缘方向的直方图，最后把这些直方图组合起来就可以构成特征描述器。
2021-04-06 21:42:13
177
原创 如何画出高斯滤波器函数得到的高斯分布
import numpy as npimport matplotlib.pyplot as pltfrom mpl_toolkits.mplot3d import Axes3D def _get_gauss_response(self, img, gt): # get the shape of the image.. height, width = img.shape#取图片的长宽 # 获取网格... xx, yy = np...
2021-03-18 17:53:18
246
转载 有关傅里叶变换知识
傅里叶变换是一种函数在空间域和频率域的变化，从空间域到频率域的变换时傅里叶变换，而从频率域到空间域的变换是傅里叶的反变化。频域：是指在对函数或信号进行分析时，分析其和频率有关 部分，而不是和时间有关部分，和时域一词相对。时域：是描述数学函数或物理信号对时间的关系。例如一个信号的时域波形可以表达信号随着时间的变化。若考虑离散时间，时域中的函数或信号，在各个离散时间点的数值均为已知。若考虑连续时间，则函数或信号在任意时间的数值均为已知。在研究时域的信号时，常会用示波器讲信号转换为其时域的波形。两者之
2021-03-16 13:29:39
9608
转载 窗函数
什么是窗函数? - linmue-谭祥军的文章 - 知乎 https://zhuanlan.zhihu.com/p/24318554本文首发于公众号《模态空间》。似乎每次做FFT都需要加窗函数，很少有不加窗函数的时候。那为什么要加窗函数，加窗有什么好处，又有什么坏处呢，凭什么目的来加函数呢？本文主要内容包括：1. 为什么要加窗函数；2. 窗函数的定义；3. 窗函数的时频域特征；4. 加窗函数的原则；5. 模态测试所用窗函数；6. 窗函数带来的影响。1. 为什么.
2021-03-15 15:43:20
9473
1
原创 解决module ‘tensorflow‘ has no attribute ‘slice_input_producer‘
看了很多文章说把导入 tensorflow 语句import tensorflow as tf修改为下面一句即可：import tensorflow.compat.v1 as tftf.disable_v2_behavior()尝试过后出现新的问题出现提示的地方改成即可
2021-03-13 10:48:03
1653
原创 DSST附件
鲁棒性：在异常和危险情况下系统生存的能力。比如说，计算机软件在输入错误、磁盘故障、网络过载或有意攻击情况下，能否不死机，不崩溃，就是该软件的鲁棒性。所谓鲁棒性，也是指控制系统在一定的参数摄动下，维持其他某些性能的特征。根据对性能的不同定义，可分为稳定鲁棒性和性能鲁棒性。以闭环系统的鲁棒性作为目标射击得到的稳定控制器称为鲁棒控制器。OTB数据集：在视觉跟踪诸多论文中，OTB100常被用于计算benchmark。该数据集是指官网中的98个视频，共计100个测试场景。值得注意的时，这些视频均被拆解为单帧图片存
2021-03-11 16:04:54
123
原创 Discriminative Scale Space T racking翻译
英文全称：尺度估计滤波器算法见附件摘要 目标尺度的精确估计是视觉目标跟踪中一个具有挑战性的研究问题。大多数最先进的方法使用详尽的尺度搜索来估计目标的大小。穷尽性搜索策略在计算上是最昂贵的，并且在遇到大规模变化时困难重重。本文研究了基于检测跟踪框架下的精确和鲁棒尺度估计问题。我们提出了一种新的尺度自适应跟踪方法，通过学习独立的判别相关滤波器进行平移和尺度估计。利用在一组不同尺度上采样的目标外观，在线学习显式尺度滤波器。与标准方法相反，我们的方法直接学习由目标尺度的变化引起的外观变化。...
2021-03-11 16:04:09
576
原创 fhog
第一次看见fhog在研究复现KCF代码时传统hog特征提取hog特征（梯度统计直方图）--------1，对原图进行灰度化（hog统计的是梯度信息，色彩几乎没有贡献）。2再进行gamma压缩和归一化（减轻光照影响）.3，统计每个cell里的梯度（包括大小和方向，大小用来加权方向）统计直方图。4，再把几个cell合并成一个block，作为这个block的hog特征。5，对这个特征进行归一化处理，可以进一步减轻光照影响。第四步中，合成block的时候有两种方式，overlap和non-overlop
2021-03-09 11:08:42
785
原创 5KCF 基于核化相关滤波器的高速跟踪论文笔记
摘要现代跟踪器的核心组件：判别分类器 其任务是区分目标和目标周围的环境。为了应对自然图像的变化，通常使用经过平移和缩放的样本patch进行训练。-------》这样的样本充满冗余，任何重叠的像素都被视为相同。------》因此本文提出了数千个平移patch的数据集分析模型。结果现实数据是循环的，我们能够使用离散傅里叶变换对数据矩阵进行对角化，从而将存储和计算开销减少几个数量级。对于线性回归-------我们的公式相当于一个相关滤波器对于核回归--------我们推导了一个新的核化相关滤波器.
2021-03-08 21:36:28
382
原创 有关task4的学习和疑问
# 使用位置参数定义和调用函数# 该函数返回参数x的绝对值 def my_abs(x): if x>=0: return x else return -xresult=my_abs(-2)print(result)# 使用关键字参数定义和调用函数# 该函数输出传入的所有参数def person(name,age,**kw) print('name:',name,'age:',age,'other:',kw)p...
2020-09-23 20:21:37
85
1
原创 冒泡排序和选择排序的见解
冒泡排序： 第一个for循环（若用i计数，与数组下标无关，是需要进行比较的次数，如十个数需要比较九次； 第二个for循环，j从0开始，因为最大或最小的已经放在了最后面，若已经确定了i个，所以只用比较9-i次，然后两两相邻之间的数进行比较。选择排序： 第一个for循环（若用i计数，与数组下标无关 令第一个数的下标为min或max...
2020-05-04 21:39:00
177
原创 String Tool Suite的使用方法，及如何导入项目
第1步打开sts，在菜单栏上点击windows下拉框，选择preferences（首选项），找到sever，选择runtime enviroments，点击add，选择第一个文件夹Apache，选择自己下载的tomcat版本第2步在左下角的框框里，将之前的删除，然后将tomcat添加进去需要注意的一点是，一定要在自己电脑里找到服务，然后将tomcat设为手动第3步，按照第一步的步骤找到首选项，选择...
2018-05-15 11:14:46
9829
2
原创 Tomcat自带JDBC Pool建立连接池
采用物理连接方式连接数据库非常消耗系统时间，因为我们经常会需要用到连接池，连接池技术可以大幅提升连接数据库的的效率和应用程序的性能用tomcat自带的JDBC Pool，性能强悍，使用方便，不需要下载东西，很适合新手这里我把上一篇文章中使用物理连接的DBFactory改成连接池连接mport java.sql.Connection;import java.sql.SQLException;i...
2018-05-15 11:07:45
573
原创 使用jQuery、JackSon实现和MVC模式实现用户注册
首先，看一下用户注册架构设计M层：Users类，IUsersDao类，UsersDao类，DaoFactory类，DBFactory类V层：register.jsp admin.jspC层：UserManagAction类降低控制器与业务逻辑的耦合性，从而优化了代码结构数据表users的设计Users类public class Users { private String username...
2018-05-15 10:55:37
671
1
原创 编写一个程序，利用哈夫曼树求取哈夫曼编码。构造一棵哈夫曼树并进行哈夫曼编码。实验步骤： ①、在编辑环境中新建程序，输入程序内
废话不多说，直接上代码，一共四个文件第一个TriElementpublic class TriElement { int data; //根节点数据 int parent,left,right; //右子树 public TriElement(int data,int parent,int left,int right){ this.data = data;...
2018-05-15 10:24:47
6044
原创 Tomcat 的JDBC Pool应用示例
我们在进行数据库连接时，采用物理连接方式连接数据库非常消耗系统时间，物流连接实例如下：import java.sql.Connection;import java.sql.DriverManager;import java.sql.SQLException;//这里我是用的postgresql数据库public class DBFactory2 { private final Stri...
2018-05-10 15:02:45
1805
原创 数据库模糊查询遇到的问题集
在这里，我说的是利用sts软件编写代码；首先分四个包，分别为beans，daos，servlets，utils。这四个文件中分别写不同的内容。beans写各种方法的类；daos写获得数据查询语句；servlets写查询学生信息并传递给查询页面；utils写连接数据库；然后在webcontent里面写jsp文件，即查询页面，就可以完全模糊查询。查询语句我用的是数据库自带的函数，具体代码如下：sele...
2018-04-10 10:45:37
767
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人