- 博客(24)
- 收藏
- 关注
RSS订阅
原创 目标检测的终极武器·Efficentdet的进阶之路--从Modile Net 到 Efficentnet 并附源码
Efficentdet的进阶之路论文：https://arxiv.org/pdf/1911.09070.pdftf源码：https://github.com/google/automl/tree/master/efficientdetpytorch源码：https://github.com/JianqiuChen/EfficientDet.PytorchMobileNet三部曲【MobileNet V1】把普通的卷积变成深度卷积(depthwise convolution)和点对卷积(poin
2020-05-29 18:09:02
1132
原创 【YOLO V4】 速度和准确度更优的目标检测并附源码
从图中可以看到，最新的YOLO V4 版本的速度比EfficientDet 快了 2倍在大致相同的AP 表现下。相比之前的YOLO V3 AP和FPS 分别提升了 10% 和 12%。摘要：据说有许多功能可以提高卷积神经网络（CNN）的准确性。需要在大型数据集上对这些特征的组合进行实际测试，并对结果进行理论证明。某些功能仅在某些模型上运行，并且仅在某些问题上运行，或者仅在小型数据集上运行；而...
2020-04-24 15:43:39
10067
原创 语义分割看这一篇就够了！
语义分割技术综述本文就Image Segmentation Using Deep Learning: A Survey第三章的模型进行了分析和介绍，第一第二章的基础指示可以看原文进行学习，相关知识有很多这里就不班门弄斧了。最好是一边读原文一边看本文效果更佳原文连接能力有限，水平一般，抱着学习的态度分享此文，有不准确的地方还请各位大佬斧正！3.1 全连接网络关于FCN的资料有很多这里就不...
2020-04-07 10:40:08
42555
7
原创 python CV2 int8 和 float转换
python CV2 int8 和 float转换在使用时有些像素点表达是使用的float，有些是int8，试过x255的方法会导致输出图像出现差异，不能直接转换，查阅很多资料后总结该方法可以有效的修改类型# Float to int8image = cv2.cvtColor(image, cv2.COLOR_RGB2BGR, cv2.CV_8UC3)##int8 to floatimage = cv2.cvtColor(image, cv2.COLOR_RGB2BGR, cv2.CV_32
2022-03-03 09:48:57
6801
原创 nvidia-smi 删除所有python程序
删除所有nvidia-smi中显示的 带有python的程序nvidia-smi | grep 'python' | awk '{ print $5 }' | sudo xargs -n1 kill -9
2021-12-13 19:13:11
2212
原创 ubuntu 1804 2004 server 安装nvidia驱动
屏蔽开源驱动nouveau 下面命令sudo 开始 安装过程会询问是否屏蔽，手动屏蔽也有多种操作方式，终端输入sudo gedit /etc/modprobe.d/blacklist.conf加参数到最底下回车另起一行内容为blacklist nouveauoptions nouveau modeset=0保存再终端更新内核命令 终端输入sudo update-initramfs -usudo apt updatesudo apt install gcc g++ make然后好了以后重启电
2021-12-01 13:01:01
1373
原创 VOT测试自己的数据集
导入环境：# 导入docker镜像docker load --input vot_toolkit.tar# 根据docker镜像建立容器 sudo docker run --gpus all --shm-size=60g -it -v /你的本地项目路径:/test -w /test vot_toolkit生成配置文件在该目录下生成三个文件trackers.ini:[TRACKALL] # <tracker-name>label = TRACKALLprot..
2021-10-25 14:24:15
1002
3
原创 CVPR2020ORAL 长时目标跟踪LTMU
Motivation：设计了一个由多层lstm组成的meta-updater，用来控制模板更新从而实现online-updated tracker。paper：code：meta-updaterxt∈Rd×1x_t ∈ R^{d\times 1}xt∈Rd×1 is a column vector concentrated by stC,stA,vtRs^C_t , s^A_t , v^R_tstC,stA,vtR , and btb_tbt.Appearance Cue: s.
2021-09-25 14:35:14
551
原创 python代码分析目标跟踪中的卡尔曼滤波
1. 什么是卡尔曼滤波卡尔曼滤波（Kalman filter）是一种高效的自回归滤波器，它能在存在诸多不确定性情况的组合信息中估计动态系统的状态，是一种强大的、通用性极强的工具。它的提出者，鲁道夫.E.卡尔曼，在一次访问NASA埃姆斯研究中心时，发现这种方法能帮助解决阿波罗计划的轨道预测问题，后来NASA在阿波罗飞船的导航系统中确实也用到了这个滤波器。最终，飞船正确驶向月球，完成了人类历史上的第一次登月。– 引用自以下两个链接（对应中英文链接），第一次了解卡尔曼滤波的同学强烈推荐阅读以下两篇文章。H.
2021-09-16 14:58:45
2612
4
原创 Transformer for visual tracking目标跟踪论文总结 -- CVPR 2021 ORAL
Transformer Meets Tracker: Exploiting Temporal Context for Robust Visual Tracking这一篇是中国科学技术大学 周文罡 老师团队的作品，2021 CVPR ORAL1. MotivationIn video object tracking, there exist rich temporal contexts among successive frames, which have been largely overlooke
2021-03-31 16:39:57
1644
原创 mmdetection安装 CUDA11.0+pytorch1.7.1+mmcv-full
安装Create a conda virtual environment and activate it.conda create -n open-mmlab python=3.7 -yconda activate open-mmlabInstall PyTorch and torchvision following the official instructions, e.g.,这里建议加上 -c 减少因安装源的问题导致的错误conda install pytorch cudato
2021-03-23 13:10:59
3737
原创 MobileNet系列 v1 v2 v3
MobileNet V1Depthwise Separable Convolution：深度分离卷积：它是将标准卷积拆分为了两个操作：深度卷积(depthwise convolution) 和 逐点卷积(pointwise convolution)深度卷积 上图b 对每个输入通道采用不同的卷积核，就是说一个卷积核对应一个输入通道 即深度级别卷积计算开支：DK⋅DK⋅M⋅DF⋅DFD_K \cdot D_K \cdot M \cdot D_F \cdot D_F DK⋅DK⋅M⋅DF
2021-03-22 19:31:18
322
转载 （CVPR-2021）RepVGG：极简架构，SOTA性能，让VGG式模型再次伟大
转载自论文一作：https://zhuanlan.zhihu.com/p/344324470论文代码：https://github.com/DingXiaoH/RepVGG/blob/main/repvgg.py2020年B站年度弹幕是“爷青回”。一定有很多瞬间，让你感觉“爷的青春回来了”。在这个卷积网络各种超参精确到小数点后三位的时代，你是否还记得五六年前的田园时代，堆几个卷积层就能涨点的快乐？我们最近的工作RepVGG，用结构重参数化（structural re-parameterization）
2021-03-02 11:21:43
380
原创 目标检测-提升方案-目标框加权融合-Weighted Boxes Fusion笔记及源码
Weighted Boxes Fusion 是2019年cvpr的一篇文章，文章非常之短（只有三页不到），并且对bounding box 的融合又非常有效的方法。原文链接：https://arxiv.org/pdf/1910.13302.pdf源码https://github.com/ZFTurbo/Weighted-Boxes-Fusion下面是WBF的算法步骤：每个模型的每个预测框都添加到List B，并将此列表按置信度得分C降序排列建立空List L 和 F（用于融合的）循环遍历B，并在
2020-06-09 14:25:30
6880
11
原创 机器学习-深度学习-调参技巧【贝叶斯优化】
贝叶斯优化贝叶斯优化可以解决在调参时，参数组合的盲目搜索（gridsearch）可以快速，高效的找到相对最优的参数。Sequential model-based optimization (SMBO) 是贝叶斯优化的最简形式，其算法思路如下：主要的流程如下（引用自limoumou）流程和伪代码中关键内容讲解：PF-fitmodel：找到模型分布，如果已知，则可以根据经验选择最优的模型；如果未知，则可以采用基于高斯过程的核函数作为黑盒函数自己学习。高斯过程的内容可以参考高斯分布讲解这里大致
2020-06-09 09:49:56
2281
原创 【池化选择】全局最大池化和全局平均池化的实验分析
根据MIT的 Learning Deep Features for Discriminative Localization论文中的描述，在使用类响应图class activation mapping (CAM) 对比全局平均池化Global average pooling (GAP) vs 全局最大池化global max pooling (GMP):类响应图示例：...
2020-05-10 14:15:19
6331
1
原创 基于立体视觉SLAM系统的在线目标检测与定位【论文解析】
Online Object Detection and Localization on Stereo Visual SLAM System【Journal of Intelligent & Robotic Systems (2020) 98:377–386】摘要：为了在未知环境中导航，自主机器人必须能够在周围环境中绘制周围环境的地图 同时估算其位置。此问题称为SLAM。我们提出了用于立...
2020-05-06 10:22:24
1437
原创 optimized product quantiization笔记
论文链接：https://www.microsoft.com/en-us/research/wp-content/uploads/2013/06/cvpr13opq.pdf先说一下乘积量化product quantiization：积量化（PQ）是一种有效的矢量量化方法。乘积量化器可以以非常低的存储器/时间成本生成指数大的码本。 PQ的本质是将高维向量空间分解为子空间的笛卡尔乘积，然后分别量化...
2020-04-18 18:07:18
480
原创 深度学习细颗粒图像分析综述
深度学习细颗粒图像分析综述（图像识别） 计算机视觉（CV）是使用机器理解和分析图像的过程，这是人工智能的组成部分。在CV的各个研究领域中，细粒度图像分析（FGIA）是一个长期存在的基本问题，并且已在各种实际应用中无处不在。FGIA的任务旨在分析从属类别（例如，鸟类或汽车模型）中的视觉对象。细粒度性质导致的小类间差异和大的类内差异使其成为...
2020-04-12 18:52:34
3059
原创 Multi-Attention Multi-Class Constraint for Fine-grained Image Recognition（ECCV2018）
Multi-Attention Multi-Class Constraint for Fine-grained Image Recognition（ECCV2018）之前的笔记：https://blog.csdn.net/qq_32768091/article/details/84853545论文链接：https://arxiv.org/pdf/1806.05372.pdf主要讲的是：...
2020-04-12 14:18:58
230
原创 RACNN笔记
Recurrent attention convolutional neural network for fine-grained image recognition 中的RA-CNN算法不需要对数据做类似bounding box的标注就能取得和采用类似bounding box标注的算法效果。有多个结构相同参数不共享的子网络对应每个scale。每个子网络包含分类网络和APN网络。对两个网络进行教程...
2020-04-12 10:24:05
506
原创 RCNN，SSD， YOLO的优缺点比较及反思
RCNN，SSD， YOLO的优缺点比较及反思1. RCNNFast-RCNNFaster-RCNNFaster-RCNN 系列的反思2. YOLOYOLO V1YOLO V2YOLO V3YOLO系列的反思3. SSD1. RCNNrcnn对于原有的目标检测算法提升50% 在VGG-16网络模型下，voc2007数据集上准确率为66%，但是速度很慢，内存占用量大，主要原因为候选框由速度较慢的...
2020-01-17 15:36:49
39784
原创 花书-无约束优化
无约束优化机器学习的最普遍，最简单的优化问题1.梯度下降2.牛顿法机器学习的最普遍，最简单的优化问题x∗=minxf(x),x∈Rn.x^* = \min{_x}f{(x)},x\in R^n.x∗=minxf(x),x∈Rn.1.梯度下降梯度下降是一次收敛，梯度方向为下降最快方向，可能会震荡在极值点可以参考这个链接用python实现2.牛顿法牛顿法是二次收敛，收敛速度快，计...
2019-10-14 08:36:10
167
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人