w.here的CSDN

转载 pytorch释放缓存

pytorch释放缓存

原创 【阅读】One-bit Active Query with Contrastive Pairs

One-bit Active Query with Contrastive Pairs

转载 【code error】os.environ[‘CUDA_VISIBLE_DEVICES‘]无法指定GPU

os.environ[‘CUDA_VISIBLE_DEVICES‘]无法指定GPU

转载 【error】ModuleNotFoundError: No module named ‘model‘

【error】ModuleNotFoundError: No module named ‘model‘

转载 【阅读】Semi-Supervised Semantic Segmentation with Cross Pseudo Supervision

Semi-Supervised Semantic Segmentation with Cross Pseudo Supervision论文阅读

原创 【代码error】EOFError: marshal data too short

EOFError: marshal data too short问题

转载 【阅读】Contrastive Coding for Active Learning Under Class Distribution Mismatch

Du P, Zhao S, Chen H, et al. Contrastive coding for active learning under class distribution mismatch[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2021: 8927-8936.搬运工：https://zhuanlan.zhihu.com/p/411704686https://zhuanla

原创 【代码error】RuntimeError: 1only batches of spatial targets supported (3D tensors) but got targets of si

【代码error】RuntimeError: 1only batches of spatial targets supported (3D tensors) but got targets of size: : [5, 3, 360, 480]运行语义分割代码时出现，谷歌到的解决方案。这个我并没有用，而是发现是数据集的问题，用的是camvid数据集，发现是数据集的文件有缺少，数据集正确后错误就解决了，神奇。...

原创 【阅读】Metabox+: A new region based active learning method for semantic segmentation using priority map

Colling P, Roese-Koerner L, Gottschalk H, et al. Metabox+: A new region based active learning method for semantic segmentation using priority maps[J]. arXiv preprint arXiv:2010.01884, 2020.摘要：针对语义分割问题提出了一个基于区域的主动学习的方法，称为MataBox+。本文通过训练了一个元回归模型（meta reg

原创 【阅读】Generative Adversarial Active Learning

以下文章写得不错，可以借鉴学习，侵删。对抗生成式主动学习 Generative Adversarial Active Learning_pkueecscss的博客-CSDN博客_对抗主动学习Generative Adversarial Active LearningPaper Reading NoteURL: https://arxiv.org/pdf/1702.07956v5.pdfTL;DR第一篇用以GAN为代表的生成式方法来做Active Learning的文章,比较有开创性,,利用已标注数据,用

原创 【阅读】 Cost-Effective Active Learning for Deep Image Classification

有篇文章不错，可以借鉴，侵删。[论文阅读] Cost-Effective Active Learning for Deep Image Classification_xiongxyowo的博客-CSDN博客2021.11.24 施工中论文地址：https://arxiv.org/abs/1701.03551发表于：TCSVT’16Abstract最近在基于学习的图像分类方面取得的成功，在很大程度上依赖于大量的标注训练样本，这可能需要大量的人力。在本文中，我们提出了一个新的主动学习框架，它能够通过有限的标

原创 【阅读】Variational Adversarial Active Learning

摘要：通常情况下，由于标记成本高，限制了深度学习技术的应用领域，标记大量数据具有挑战性。主动学习(AL)通过在未标记池中查询需要注释的信息量最大的样本来解决这个问题。近年来研究的人工智能有两个很有前途的方向，一是选择远离当前标记池的数据点的任务不可知方法，二是依赖任务模型视角的任务感知方法。不幸的是，前者没有利用来自任务的结构，而后者似乎没有很好地利用整个数据分布。在这里，我们提出了任务感知变分对抗AL (TA-VAAL)，它修改了任务不可知的VAAL，考虑了标签池和未标签池的数据分布，将任务学习损失预

原创 【阅读】Semi-supervised active learning with temporal output discrepancy

Huang S, Wang T, Xiong H, et al. Semi-supervised active learning with temporal output discrepancy[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2021: 3447-3456.总览本文提出了一种简单而有效的损失测度TOD。本文提出了一种新的深度主动学习框架，将TOD与主动学习策略和半监督学习方案相

原创 【阅读】 Pre-Training Acquisition Functions by Deep Reinforcement Learning for Fixed Budget Active Learn

Taguchi Y, Hino H, Kameyama K. Pre-Training Acquisition Functions by Deep Reinforcement Learning for Fixed Budget Active Learning[J]. Neural Processing Letters, 2021: 1-18.摘要本文针对基于池的主动学习问题，提出了一种新的主动学习算法。该方法利用预先训练好的采集函数进行主动学习，当可采集的数据数量固定时，可以获得最大的性能。该方法使

原创 【阅读】Reinforced active learning for image segmentation

Casanova A, Pinheiro P O, Rostamzadeh N, et al. Reinforced active learning for image segmentation[J]. arXiv preprint arXiv:2002.06583, 2020.与以往的需要人工制定的启发式的采样策略不同，这个文章提出了采用强化学习（DQN）的方法进行主动学习策略的选择，通过迭代来优化自身采样策略。这里样本的选择是基于矩形区域，而不是整个图像。提出的端到端的方法，通过最大化每个类

原创 【论文阅读】MD vs FA: Adversarial learning for small object segmentation in infrared images

Wang H, Zhou L, Wang L. Miss detection vs. false alarm: Adversarial learning for small object segmentation in infrared images[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2019: 8509-8518.论文试图解决什么问题？解决红外小目标的目标检测问题。这是否是一

转载 【论文阅读】CEREALS – Cost-Effective REgion-basedActive Learning for Semantic Segmentation

版权声明：本文为CSDN博主「xiongxyowo」的原创文章，遵循CC 4.0 BY-SA版权协议，转载请附上原文出处链接及本声明。原文链接：https://blog.csdn.net/qq_40714949/article/details/120496369

原创 阅读Revisiting Superpixels for Active Learning in Semantic Segmentation With Realistic Annotation Cost

Cai L, Xu X, Liew J H, et al. Revisiting Superpixels for Active Learning in Semantic Segmentation With Realistic Annotation Costs[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2021: 10988-10997.

原创 【论文阅读】Importance of Self-Consistency in Active Learning for Semantic Segmentation

Golestaneh S A, Kitani K M. Importance of Self-Consistency in Active Learning for Semantic Segmentation[J]. arXiv preprint arXiv:2008.01860, 2020.摘要自一致性可以成为用自监督来提高数据驱动模型性能的重要途径。自一致性是假设一张特定图像经过简单的图像变换（比如水平旋转）后的语义分割结果应该是一致的。换句话说就是模型的输出应该与图像的变换无关。自一致性的自我监

原创 【论文阅读】ViewAL:Active Learning With Viewpoint Entropy for Semantic Segmentation

Siddiqui Y, Valentin J, Nießner M. Viewal: Active learning with viewpoint entropy for semantic segmentation[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2020: 9433-9443.摘要本文提出了ViewAl,一种新型的针对语义分割的主动学习策略，它探索了在不同视

原创 【论文阅读】A review on deep learning techniques applied to semantic segmentation

Garcia-Garcia A, Orts-Escolano S, Oprea S, et al. A review on deep learning techniques applied to semantic segmentation[J]. arXiv preprint arXiv:1704.06857, 2017.中文博客地址：http://liangjie.xyz/blogs/Segmentation/一篇致力于综述用于语义分割的深度模型技术的文章：回顾了各种应用场景下利用深度学习技术解决

原创 【论文阅读】Fully convolutional networks for semantic segmentation

Long J, Shelhamer E, Darrell T. Fully convolutional networks for semantic segmentation[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2015: 3431-3440.核心思想：接受任意大小的输入并通过有效的推理和学习产生相应大小的输出“的“全卷积”的网络。基于传统的CNN的图像分割方法：为了对

原创 【论文阅读】Active Learning for Deep Object Detection via Probabilistic Modeling

Choi J, Elezi I, Lee H J, et al. Active Learning for Deep Object Detection via Probabilistic Modeling[J]. arXiv preprint arXiv:2103.16130, 2021.摘要本文的方法依赖于混合密度网络，这个网络能够估计每个定位和分类头输出的概率分布。本文通过单模型的前向传播来估计偶然不确定性和认知不确定性。本文的方法通过一个评分函数来总结这两种类型的不确定性设为两个部分来获取每张图

原创 【论文阅读】a survey of deep active learning

概念：是从未标记的数据集中选择最有用的样本，并将其交给oracle(如专家)进行标注，从而在保持性能的同时尽可能降低标注成本。试图通过标记最少量的样本使得模型的性能收益最大化。注意：主动学习无法提取特征，无法处理高维数据，要靠深度学习模型。DL: 通过使用手工或者自动的方法千方百计的设计具有高性能特征提取能力的模型。AL: 通过设计精妙的查询规则从未标记的数据集中选择最佳的样本，试图尽可能的降低标注代价，查询规则的设计对主动学习的性能是至关重要的。DAL面临的挑战：AL关于查

原创 【论文阅读】Learning Loss for Active Learning

Yoo D, Kweon I S. Learning loss for active learning[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. 2019: 93-102.摘要本文提出了一种简单但是与任务无关新型主动学习方法，并且能有效的应用到深度网络。本文在目标网络中附加了一个损失预测模块，并且通过学习来预测未标记输入的目标损失，然后损失预测模块能够找出目标模块最

原创 简单排序算法汇总

冒泡排序 插入排序 选择排序 快速排序 希尔排序 归并排序

原创 简单排序算法之归并

import randomimport pretty_errorsdef mergeSort(data, left, right): if left < right: middle = (left + right)/2 middle = int(middle) mergeSort(data, left, middle) mergeSort(data, middle+...

原创 简单排序算法之希尔

import randomimport pretty_errorsdef shellSort(data): length = len(data) while length > 1: length = length/2 length = int(length) for i in range(length): for j in range(i, len(data),...

原创 简单排序算法之快排

import randomimport pretty_errors#挖坑法def quickSort(data, left_index, right_index): if left_index >= right_index: return middle_data = data[left_index] # 注意这里要保存中间元素的下标，后面会跟随循环改变但是不能直接用i或j...

原创 简单排序算法之选择

import randomimport pretty_errorsdef selectSort(data): length = len(data) border = length - 1 for i in range(length): max_num = 0 for j in range(border): max_num = (j if (data[max_num] &...

原创 简单排序算法之插入

import randomimport pretty_errorsdef insertSort(data): length = len(data) for i in range(1, length): current_data = i for j in range(i-1, -1, -1): if data[current_data] < data[j]: ...

原创 简单排序算法之冒泡

import randomimport pretty_errors#isSorted用来检测数据是否已经有序,在内层循环时如果没有进行交换变量则表示数据已经排序完成，就不用再继续循环了#sortBoard用来检测每次内部循环的边界，边界后面的数已经有序，不用再比较def bubbleSort(data): length = len(data) sortBoard = length-...

原创 python之pygame

目录pygame.dispaly, pygame.event, pygame.draw:pygame.dispaly:pygame有且仅有一个屏幕；左上角坐标（0,0）；以像素为单位。#屏幕尺寸和模pygame.display.set_mode(r = (0,0), flag = 0)#r是游戏屏幕分辨率，以元组形式输入(weight, height)#flag用来控制显...

原创 python简单爬虫（思维导图）

原创 Python小记

整数和浮点数在计算机内部存储的方式是不同的，整数运算永远是精确的（除法难道也是精确的？是的！），而浮点数运算则可能会有四舍五入的误差。 如果字符串里面有很多字符都需要转义，就需要加很多\，为了简化，Python还允许用r''表示''内部的字符串默认不转义，可以自己试试：&gt;&gt;&gt; print('\\\t\\')\ \&gt;&gt;&gt; print(r'\\...

原创 python基础（思维导图）

原创 0-1背包问题（回溯）

描述需对容量为c 的背包进行装载。从n 个物品中选取装入背包的物品，每件物品i 的重量为wi ，价值为pi 。对于可行的背包装载，背包中物品的总重量不能超过背包的容量，最佳装载是指所装入的物品价值最高。 输入多个测例，每个测例的输入占三行。第一行两个整数：n（n&lt;=10）和c，第二行n个整数分别是w1到wn，第三行n个整数分别是p1到pn。n 和 c 都等于零标志输入结束。...

原创 二分查找

描述给定一个单调递增的整数序列，问某个整数是否在序列中。 输入第一行为一个整数n，表示序列中整数的个数；第二行为n（n不超过10000）个整数；第三行为一个整数m（m不超过50000），表示查询的个数；接下来m行每行一个整数k。 输出每个查询的输出占一行，如果k在序列中，输出所在数组下标，否则输出not exit。#include&lt;iostream&gt;...

原创 走迷宫

描述判断是否能从迷宫的入口到达出口 输入先输入两个不超过20的正整数表示迷宫的行数m和列数n，再输入口和出口的坐标，最后分m行输入迷宫，其中1表示墙，0表示空格每个数字之间都有空格。 输出只能向上、下、左、右四个方向走若能到达，则输出"Yes"，否则输出"No"，结果占一行。 输入样例3 30 02 20 0 01 1 00 1 0 输出样...

原创 穷举n位m进制数

#include&lt;iostream&gt;#include&lt;stdio.h&gt;using namespace std;int n,m; char a[16] = {'0','1','2','3','4','5','6','7','8','9','A','B','C','D','E','F'}; //存储进制数的数位表示int b[100]; //存储输出数据voi...