jiugeshao的专栏

这边博主只做3种标签，桌面像素打标签为0，书本打标签1，帽子打标签为2，杯子碗一类的打标签为3。先对点云使用如上的剪刀工具，把点云分割成桌面点云和碗两部分点云，然后点击工具栏的“+”符号。01.label是标注数据，01.ply是点云数据，其它类似，可看到点云和标注数据是分离开来的，这边博主手写了如下脚本来合并01.label和01.ply文件，以将label中数据作为Scalar field。然后保存桌子点云到本地磁盘上， 其它点云文件(ply）文件类似，从中只获得桌子的点云。

博主有逐步debug过，对其里面的机制还是了解的，感兴趣的童鞋可以自行去分析下，值得去做这样的事情。这里有个小插曲，即博主在cmd终端train时候，训练的很快，在pycharm中训练的很慢，发现是因为pycharm环境变量中并没有修正最新的cuda的路径，而导致跑在gpu上异常，模型训练实际是跑在cpu上的，所以这里需要结合自己的路径重新配置下。当前博主用的虚拟环境下的tensorflow版本是2.4.0, 所以要对源代码进行一些修改，才能跑起来，可以参考博主之前的博客进行修改。

常常一段时间不接触，一些知识点就陌生了，此贴也是为了自己能够快速回忆起来，重新捡起知识点。

具体可参见博客https://blog.csdn.net/jiugeshao/article/details/109964611https://blog.csdn.net/antkillerfarm/article/details/79524417https://zhuanlan.zhihu.com/p/165563941下面说明Segnet的代码实现

之前博客https://blog.csdn.net/jiugeshao/article/details/112093981中提到，接下来主精力还是先放在深度学习分类，检测，分割算法上面。之前虽然也对各算法做过了解，但没有一一用代码实现过，博主想花一段时间把这些算法大概实现下。就从FCN开始吧，博主当前电脑的环境配置也大概说下：Anaconda3的python环境tensorflow2.3.1cuda10.1cudnn7.6具体可参见我的博客https://blog.csdn.ne

从博客https://blog.csdn.net/jiugeshao/article/details/112093981写完后，整了一段时间温故了这三个方面的算法知识，同时也找寻了相应的代码去实现这些算法，并在自己的数据集上进行测试。当前对这三个方面的知识点还记忆犹新，结合所看的论文博客归纳下自己的理解（不涉及细节，大方向的了解）。后面会把目标检测和目标分类中的常用算法实现一遍，然后就打算转战Linux下实现。一.目标分类1. 从经典的LetNet, AlexNet, VggNet,GooleNet

前面我的两篇博客分别介绍了语义分割FCN及SegNet的算法重点知识及代码实现，最近在github上又fork了一个好资源https://github.com/divamgupta/image-segmentation-keras，这里分享一下。该资源实现了FCN，UNet, SegNet, PSPNet网络，本篇以SegNet为例来说明下如何使用其来训练和预测自己的数据集。值得一提的是，该资源是在最新的tensorflow2.x框架下实现的，不像很多其它资源还是基于tensorflow1.x搭配老

此时查看文件，发现需要yolov3.pt（默认参数），但该文件并没有随git该目录时一起下载，github博主提供了这些文件的下载路径，4. 运行detect.py, 在runs文件夹的detect文件夹中能看到整体测试集的预测结果，这边的exp也是每一次预测的历史记录。yolov3的一些资料可见博主的博客。该文件夹中存在多个exp关键字的文件夹，其每一次训练，exp后面的索引都会增1，以记录你的训练历史。运行，在anno文件夹下，会看到对应每一个xml文件，都会生成一个对应的txt文件。

该版本的SSD实现github路径https://github.com/balancap/SSD-Tensorflow所用库配置： python 3.6.0 tensorflow 1.11 Keras 2.1.5下载完毕后checkpoints下已经有训练好的模型，可以用此模型来预测下自带的测试图片；以及对视频内物体进行定位；此可参见该博客https://blog.csdn.net/zzz_cmi......

十一. ResNet在VGG中，卷积网络达到了19层，在GoogLeNet中，网络史无前例的达到了22层。那么，网络的精度会随着网络的层数增多而增多吗？在深度学习中，网络层数增多一般会伴着下面几个问题计算资源的消耗 模型容易过拟合 梯度消失/梯度爆炸问题的产生残差网络1.1 残差块残差网络是由一系列残差块组成的（图1）。一个残差块可以用表示为：残差块分成两部分直接映射部分和残差部分。是直接映射，反应在图1中是左边的曲线；是残差部分，一般由两个或者三个卷积操作构成，...

整理下目标检测常用算法的知识：一. RCNN (Regions with CNN) RBG1. 候选区域选择（region proposal), 用到了SelectiveSearch2. 对于每个区域利用CNN抽取一个固定长度的特征向量（Alexnet， 基于Caffe进行的代码开发）3. 再对每个区域利用SVM进行目标分类。同时做边界回归。技巧：采用在ImageNet上已经训练好的模型，然后在PASCAL VOC数据集上进行fine-tune。做迁移学习Selective sear