- 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-server 4、b/s模型：browser-server 5、网络传输流程： 6、以太网帧协议： 7、IP协议 8、UDP 9、IP协议： 10、网络套接字 socket 11、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
1173
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
1037
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
1111
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
744
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
943
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 torch a = 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
1731
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 loss 2.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
333
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
212
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_factor The algorithm used for int
2022-04-20 16:19:38
662
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
4308
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
1576
原创 YOLOV4中的优化策略
一、CIOU CIOU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 sensitivity Yolov4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
655
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
1370
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
1356
2
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人