- 博客(15)
- 收藏
- 关注
RSS订阅原创 黑马linux网络编程
1、协议2、分层模型结构3、c/s模型：client-server4、b/s模型：browser-server5、网络传输流程：6、以太网帧协议：7、IP协议8、UDP9、IP协议：10、网络套接字 socket11、网络字节序12、IP地址转换函数13、sockaddr地址结构14、网络套接字函数15、TCP通信流程分析16、三次握手协议17、四次挥手18、滑动窗口19、错误处理函数：
2023-04-24 21:26:14
670
原创 黑马linux系统编程
1.shell：1、常见shell：2、主键盘快捷键2、目录和文件head：3、文件属性和用户用户组4、查找与检索zip压缩：5、vim编辑器6 、gcc编译：7、静态库的制作及使用步骤：8、gdb调试工具 9、Makefile项目管理10、open函数11、close函数12、错误处理函数13、read函数14、write函数15、文件描述符：16、阻塞、非阻塞17、fcntl：
2023-04-12 21:13:26
559
原创 cv2中不能自动补全的问题
在新电脑上装了新版本的OpenCV后发现不能自动补全，但是他的功能还是能使用，在网上找了许多解决方法，最后解决了。跟踪到cv2的目录，目录下有一个cv2.pyd的文件 把该文件复制放在site-packages下，就能自动补全了...
2022-07-04 09:51:09
964
2
原创 Focal Loss for Dense Object Detection
该论文主要想解决在目标检测one-stage中正负样本数量差异过大，本文中将更多的注意力放在难分类的错误分类上，重点训练困难的负样本，这篇文章是首次one-stage目标检测算法的性能超过two-stage的目标检测算法。该论文中提出了一种新的损失focal loss 损失,该损失能够使得正样本的损失变小，负样本也变小，但相比于正样本缩放比例微不足道。感觉类似于softmax操作。网络架构采用Resnet+FPN的结构，最后输出的维度中K为classes的个数，不包括背景，A为预测框的个数，与F
2022-05-08 09:42:47
657
原创 正负样本匹配的技巧
正负样本匹配时，一般会采用两个Iou阈值，如0.7,0.3，当Iou小于0.3时，被标记为负样本，当iou大于0.7时被标记为正样本，但这样会存在一些问题，例如其中某一个GTboxes与所有的anchor的IOU都在[0.3,0.7]之间，为了解决这一问题，当匹配时将每个GTboxes对应的anchor中IOU最大的哪一个设置为正样本。如何操作？ anchor0 anchor1 anchor2 GTboxes0 0.3 0.1 0.9 GTboxes1
2022-05-03 10:17:02
711
原创 torch.where()的使用
torch.where我所知道的用法有两种，第一种为torch.where(condition，a，b)，condition为条件判定，当满足条件时，对应位置为a的值否则为b的值，例如import torcha = torch.tensor([[0.5,2,1], [1,1,1], [0,3,2]])b = torch.tensor([[0.6,1,1], [2,3,2],
2022-04-30 16:11:42
1583
原创 Bounding Box Regression with Uncertainty for Accurate Object Detection 论文
这篇论文发表在2019CVPR上，旨在解决人工标注有遮挡，不明确信息（如上图所示）带来的目标检测算法性能降低的问题。论文的主要新颖点：1.使用KL散度替换smooth L1 loss2.对soft-NMS的后续处理中采用var voting 的方式，来预测候选框的位置 为什么这样做，论文中指出使用KL散度(1)可以成功地捕获数据集中的歧义。包围盒回归器在包围盒不明确时损失较小。(2)学习的方差在后处理过程中是有用的。我们提出了VAR投票，在NMS过程中，使用邻居的位置加...
2022-04-27 11:27:01
194
原创 关于torch.unsqueeze与torch.squeeze
torch内置的unsqueeze方法是增加1的维度,如下squeeze和unsqueeze相反，是删除数据中1的维度当指定数据时，删除指定位置的1的维度，当不指定参数时，删除数据中所有1的维度也有另一种方法可以增加或删除维度，如下也可以指定位置使用这种方法如果想删除维度可以采用切片的方式将其取出，也可以使用squeeze方法。...
2022-04-20 19:56:29
140
原创 torch.nn.functional.interpolate函数
torch.nn.functional.interpolate(input, size=None, scale_factor=None, mode='nearest', align_corners=None, recompute_scale_factor=None, antialias=False)Down/up samples the input to either the given size or the given scale_factorThe algorithm used for int
2022-04-20 16:19:38
508
原创 lxml.etree.fromstring的使用
该方法是将xml格式转化为Element 对象，Element 对象代表 XML 文档中的一个元素。元素可以包含属性、其他元素或文本。如果一个元素包含文本，则在文本节点中表示该文本。with open(xml_path) as f: xml_str = f.read()xml = etree.fromstring(xml_str)传入的为一个xml文件，经过该方法后变成一个Element对象<Element annotation at 0x24b46496680>...
2022-04-19 09:50:23
3722
原创 pytorch中的torch.nn.convTranspose2d
in_channels为输入通道数out_channels为输出通道数kernel_size为卷积核大小stride为卷积步长padding为填充尺寸groups为是否使用分组卷积，具体解释见下文bias为偏置dilation为是否使用空洞卷积（膨胀卷积）convTranspose2d是对特征层进行转置卷积操作，即进行上采样.转置卷积的运算步骤分为如下几步：1.在输入特征图中行列内部进行stride-1，外围进行kernel_size-padding-...
2022-04-16 09:04:30
1404
原创 YOLOV4中的优化策略
一、CIOUCIOU出处yolov4出处CIOU从重叠面积，中心面积和长宽比三方面考虑，CIOU loss如下：表示为两个预测框中心距离的平方，C为最小外接矩形对角线的长度，V考虑了长宽比，为权衡参数，论文中给出的公式如下：使用CIOU能够更解决IOU两个预测框完全不相交时，Loss为0，无法传播损失的问题。二、Eliminate grid sensitivityYolov4在边界框回归上进行了改进，原始的边界框回归sigmoid只有在t趋向无...
2022-04-15 10:03:42
485
原创 关于pytorch中的[...,n]
今天在看yolov4代码时看到的疑问，自己便实验了一下以prediction维度为batchsize*3*13*13*85为例，prediction[...,0]即取第一个轴上的所有数据，即维度为batchsize*3*13*13。yolov4中85分别代表先验框的x,y坐标，宽，高，是否包括物体，以及80个类别概率prediction[...,0]对应x的信息prediction[...,1]对应y的信息prediction[...,2]对应宽的信息prediction[...
2022-04-12 17:53:37
1266
原创 使用CVX进行Matlab仿真时出现的一些问题
使用使用的约束是常数<非凸函数在CVX中约束函数只能是非凸小于等于凸，而自变量直接小于大于常数都可以表示自变量被重写 ,就是𥘅此ax中出现的自变是在之前就有用过此函数定义，将原先的变量值覆盖使用log函数转换为rel-ener时log函数是非凸的...
2022-04-11 15:11:44
1147
2
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人