DCD_LIN的博客

sudo mount -t cifs //ip地址/path/to/share path/to/mount命令行解释：mount：挂载命令-t cifs： 用cifs文件系统挂载samba共享文件，如果提示错误的文件系统的话，可能是没有cifs，需要自己安装。【centos：yum install nfs-utils】//ip地址/path/to/share：共享目录路径path/...

安装完有道后，发现不能划词\取词。在shell终端驱动youdao-dict后进行屏幕取词翻译，显示如下错误：QOpenGLShaderProgram::uniformLocation( qt_Matrix ): shader program is not linked经过调查发现是有道词典找不到显卡驱动问题。在/etc/ld.so.conf.d中的x86_64-linux-gnu_GL....

之前一直在ubuntu下安装的caffe，在centos安装caffe时，发现找不到cblas和atlas。后面发现是因为在centos里面cblas不叫cblas，atlas不叫atlas。而是cblas叫 satlas , atlas叫 tatlas。因此需要在Makefile里相应的地方（大概在393行处）更改一下：将 LIBRARIES += cblas atlas改成： LIBRAR...

很有意思的一篇文章，使用热图来预测bbox的左上角和右下角，这两个边角点的坐标，而不依赖于anchor box。在人体姿态检测和人脸特征点识别领域里面，有不少论文都是使用热图来表示坐标点。由于bbox也是一组坐标点，所以在物体检测应当也可以使用热图来做，该论文便是一个很好的思路。论文的基础网络使用的是HG网络（漏斗网络），并且又两个HG网络堆叠起来，因此模型还是很大的。根据作者提供的训练好的模型文...

yoloV2的预测代码在examples/detector.c中的test_detector函数中。具体步骤为：1、模型、参数、待检测图片等信息的加载2、图片resize，这里使用的是letterbox_image函数。与opencv的resize函数不同的是letterbox不会使物体变形。这边是移植到手机端的一个坑。3、前向传播，获取网络输出，大小为13*13*425（假设，输入为...

之前基于yoloV2做过一段时间的物体检测，当时对yoloV2整个框架了如指掌。由于没有及时写笔记记录一下，现在回过头来很多东西都快忘光了。本篇博客不会记录如何使用darknet训练yoloV2，而更注重的的是整个yoloV2的算法，以及其中的一些细节。废话不多说，我们直接开始。物体检测训练主函数yoloV2的训练函数主函数在examples/detector.c中的train_det...

假设在git项目中有images目录，images目录中有图片1.jpg。利用命令进行图片插入,显示不是很正常可以用HTML代码添加图片：<p align='center'><img src='images/1.jpg' title='images' style='max-width:600px'></i...

这是shuffleNet的一个改进版本。论文分析了影响运行速度的几个因素，然后提出了一些指导原则。总的来说，这是一篇很不错的论文，值得学习。现在很多模型的速度评估都是用FLOPs这个指标，但这个指标用来评价速度是不直接的。因为影响模型速度的因素不仅仅是FLOPs，内存访问操作所消耗的计算（memory access cost，MAC），以及平台因素。对于MAC这种情况，有很多操作会有非常高...

动态库的添加：link_directories(${PROJECT_SOURCE_DIR}/lib) #添加动态连接库的路径target_link_libraries(project_name -lmxnet ) #添加libmxnet.so静态库的添加：add_library(mxnet STATIC IMPORTED)set_property(TARGET mxnet PR...

的

的

的

的

f

da

export PYTHONPATH=/path/to/mxnet/python/:$PYTHONPATH

SSD在众多的物体检测方法中算是比较重要的。之前学习过，但是没过多久就忘了，因此决定将该论文翻译一下，以加深印象。Abstract我们提出了用单个深度神经网络进行物体检测的方法，称为SSD。在每个特征图中的每个位置，SSD将bbox（bounding boxes）离散化成一系列的固定框，每个框有不同的长宽比（aspect ratios）和缩放率（scale）。在预测的时候，网络会为每个de...

点云法向量的估计在很多场景都会用到，比如ICP配准，以及曲面重建。基于PCA的点云法向量估计，其实是从最小二乘法推导出来的。假设我们要估计某一点的法向量，我们需要通过利用该点的近邻点估计出一个平面，然后我们就能计算出该点的法向量。或者可以这么说，通过最小化一个目标函数（要求的参数为法向量），使得该点与其每个近邻点所构成的向量与法向量的点乘为0，也就是垂直： 正常情况下，我们可以将点c看成...

论文：Linear Least-Squares Optimization for Point-to-Plane ICP Surface Registration 这篇论文不是原始的point-to-plane ICP，只是对线性最小二乘法优化point-to-plane 损失函数的推导。...