- 博客(80)
- 资源 (19)
- 收藏
- 关注
RSS订阅原创 【Paper Reading·3Det 】On the Importance of Pretrained Knowledge Distillation for 3D Object Detection
预训练知识蒸馏在三维目标检测中的重要性
2022-10-11 22:10:28
718
2
原创 mmdetection/mmdetection3d多机多卡训练
因为3d检测训练时间太久，所以想要在mmdet3d上开多机，发现加载完标注文件pkl/json之后，卡住了，找到如下报错。其中有个warning ：using best-guess GPU, 大概率是rank不对，没什么问题，按照提示修改。...
2022-08-02 20:17:29
2940
原创 3D Detection: 3D Box和点云 快速可视化
3D检测，用于3D box，点云快速可视化，辅助debug，和分析：3D box投影到bev可视化：点云快速可视化：
2022-07-06 18:43:46
1061
1
原创 【Paper Reading-3D Detection】Fully Convolutional One-Stage 3D Object Detection on LiDAR Range Images
本文主要提出了lidar-based 的Range View视角下的3D目标检测方法。
2022-06-13 16:21:21
742
原创 服务器自动保存tmux会话以及恢复tmux会话
最近服务器总是重启，导致实验中断，同时运行多个实验，tmux包括运行的命令全部消失，重新恢复又要不少时间，所以配置了一下tmux自动保存以及恢复。插件准备# 下载 tqm 到~/.tmux/plugins# tqm是tmux插件管理工具git clone https://github.com/tmux-plugins/tpm ~/.tmux/plugins/tpm# 进入相应位置cd ~/.tmux/plugins # 下载插件git clone https://github.com/tm
2022-04-28 22:14:12
2392
原创 【Paper Reading】Homography Loss for Monocular 3D Object Detection
paper: https://arxiv.org/pdf/2204.00754.pdfcode: GitHub - gujiaqivadin/HomographyLoss: Pytorch code of Paper ‘Homography Loss for Monocular 3D Object Detection’TL;DR本文提出一种方法利用object之间的关系来帮助估计3d boxes, 同时利用2d box来全局约束相应的3d box(增加2D,3D一致性约束），为了实现以上目标提出了Ho
2022-04-11 23:52:34
911
原创 NanoDet-Plus及其代码解读
NanoDet-Plus及其代码解读一、前言lossReference:code: Nanodet一、前言之前就有关注过NanoDet，在轻量级检测模型中，卓越的性能，引起了广泛讨论，正巧前端时间看到NanoDet作者更新了第二代模型NanoDet-Plus，同时最近在做一些知识蒸馏的工作，看到NanoDet-Plus也引入了LAD[2]的工作，于是研究了一下NanoDet-Plus代码并进行一些修改实验。关于NanoDet-Plus的实验原理等，直接见作者的文章[1]，写得很详细，写得非常棒。本文主
2022-02-09 18:19:45
4378
原创 torch.scatter_
torch.scatter_Tensor.scatter_(dim, index, src, reduce=None) → TensorParametersdim (int) – the axis along which to indexindex (LongTensor) – the indices of elements to scatter, can be either empty or of the same dimensionality as src. When empty, the
2021-11-02 20:44:54
1657
原创 [Paper Reading-3d] AFDetV2: Real-Time Anchor-Free Single-Stage 3D Detection with IoU-Awareness
Paper: https://arxiv.org/abs/2107.14342TL;DR地平线在Waymo自动驾驶挑战赛2020中方法(AFDet)的升级版-AFDetv2。模型是one-stage,anchor-free的，在保证速度的同时有一个较好的精度。本文方法集成了较多的东西，比较工程，在模型、训练、硬件方面都做了优化。Dataset/Algorithm/Model/Experiment Detail模型结构如下图：首先点云voxelization，这一步文章利用了GPU进行优化，提高了
2021-10-27 18:28:28
1510
原创 OpenPCdet加载nuScenes数据太久
最近在用nuScenes数据做实验，8*2080Ti，发现单卡加载没问题，多卡的时候加载时间太久，容易挂掉，优化dataloader太麻烦了，把num_workers减小先用着。
2021-10-21 12:05:28
1039
1
原创 nuScenes数据集在OpenPCDet中的使用及其获取
1. 安装官方提供的开发者工具pip install nuscenes-devkit==1.0.52. 下载数据从官方网站上下载数据NuScenes 3D object detection dataset，没注册的需要注册后下载。注意： 如果觉得数据下载或者创建data infos有难度的，可以参考本文下方 5.3. 数据组织结构下载好数据集后按照文件结构解压放置。其在OpenPCDet中的数据结构及其位置如下，根据自己使用的数据是v1.0-trainval，还是v1.0-mini来修改。
2021-09-30 15:43:07
3761
9
原创 win10上Typora卡顿的问题及其解决方案
电脑上运行较多应用，内存占用较高，发现Typora特别卡顿，但是同时chrome同时开着40+网页也没有卡顿，多个Pycharm也正常，打开任务管理器发现Typora使用了0号显卡，怀疑是导致其卡顿的原因。于是决定关闭GPU, 找到Typora的配置文件大概在如下所示位置c:\Users\\AppData\Roaming\Typora\conf\conf.user.json打开后修改flags, 保存并重启typora，就不再使用GPU了: "flags": [["disable-gpu"]
2021-09-28 17:42:29
12364
25
原创 3D Detection paper reading
## URLpaper: RangeDet:In Defense of Range View for LiDAR-based 3D Object Detectionhttps://arxiv.org/abs/2103.10039TL;DRrange view较多用于语义分割任务，在检测中应用较少，之前有的方法相对于BEV,Point View的方法性能差不少，本文分析了造成range view方法效果差的原因，并据此提出了RangeDet, 在range view方法中取得了一个比较大的提高。..
2021-09-24 19:46:20
914
原创 Screeps入门: harvest,upgrader,builder初级自动化
文章目录前言设计角色设计harvesterupgraderbuildermain前言这篇博客给想要入坑Screeps但是不知道一开始不知道如何下手的玩家的教程，关于要不要入坑这篇博文介绍的很详细：Screeps 介绍及入坑，其他关于Screeps的信息也空余参考如下文档：中文官方文档官方教程Screeps APIScreep 中文教程目录设计这篇文章主要设计了初步自动化运行的代码，在找到并确定一个合适的房间后，选取某合适的位置设定为spawn（可以将其理解为虫族母巢），前期先确定使用如下三.
2021-08-01 01:01:40
5102
6
原创 matting笔记_一周小结
去年刚入坑的旧笔记，刚翻出来…1. 利用神经网络做抠图的入坑之作《Deep Image Matting》详情见之前的笔记matting系列论文笔记（一）：Deep Image Matting由于image matting的工作没有特别好的综述，有的综述也不是特别新，deep image matting这篇paper就作为进入这个方向的引导论文。这篇paper是Adobe出品，2017年的论文，虽然时间比较久，但是目前很多的matting方法用的还是这篇文章的思路。先通过语义分割网络生成二分类的前景背
2021-07-19 16:47:04
1975
原创 图像分割之DeepLab v3+
from PIL import Imageimport mathimport torchimport torch.nn as nnimport torch.nn.functional as F# 一个1×1卷积 + 三个3×3卷积(rate = {6, 12, 18}) + 全局平均池化class ASPP_module(nn.Module): def __init__(self, inplanes, planes, dilation): ''' in
2021-07-19 10:42:44
1541
2
原创 图像分割之Global Convolutional Network(GCN)
论文：Large Kernel Matters ——Improve Semantic Segmentation by Global Convolutional Network主要工作（创新点）：提出全局卷积网络（Global Convolutional Network，GCN），用以同时提高语义分割中分类和定位的准确度。提出Boundary Refinement block（BR）, 用以提高物体边界的定位。在早期的网络中，有不少大卷积核。后来因为在相同计算复杂度下，堆叠的小滤波器比大内核更高
2021-07-16 15:25:01
2810
1
原创 python装饰器和语法糖
装饰器在大工程中比较常见，那么如何理解装饰器呢？打个比方，假如你建好了一栋大房子，建好后还想加一些功能，这个时候房子的主体结构是不能动了，只好在现有房子的基础上做一些装饰/装修。这些装饰在不影响/不修改原来房子功能的基础上，增加了美观等功能。装饰器是可调用的对象，其参数是另一个函数（被装饰的函数）。 装饰器可能会处理被装饰的函数，然后把它返回，或者将其替换成另一个函数或可调用对象。[2]@decoratedef target(): print('running target()')
2021-06-22 14:03:50
1567
原创 python可变参数的理解, *args, **kwargs
在Python函数中，除了参数还可以定义可变参数。顾名思义，可变参数就是传入的参数个数是可变的，可以是1个、2个到任意个，还可以是0个。如果读者经常看 Python 模块库代码，会发现很多函数的参数定义，都会跟上 *args 和 **kwargs,我们接下来详细了解这两者。假如我们有一个如下函数：def Func(nums): for item in nums: print(item)Func([1,3,5])135如果是固定参数的话，想要函数正常运行，我们输入的
2021-06-21 14:52:37
2565
原创 pytorch DataLoader(3)_albumentations数据增强(分割版)
这篇文章主要是讲怎么利用albumentation来做数据增强的，torchvision的transforms模块本身就包含了很多的数据增强功能，在这里讲解albumentation的原因是albumentation的速度比其他一些数据增强的方法普遍更快一点(主要卖点速度快)，功能更齐全。详情见官方文档·英文，可以查看githubAlbumentation的主要特点：这个库是图片处理的library，处理的图片是在HWC格式下，也就是Height，Width,Channale;在相同的对图像的处.
2021-06-01 17:46:52
3946
2
翻译 将Albumentations用于语义分割任务
将Albumentations用于语义分割任务本文主要基于Using Albumentations for a semantic segmentation task的翻译修改，有少量修改，添加了一些个人理解批注。Colab notebook示例GitHub notebook示例一些安装和数据获取的步骤，在此就不再赘述了。import randomimport cv2import torchfrom matplotlib import pyplot as pltimport albume
2021-05-28 14:41:14
1871
原创 pytorch DataLoader(2): Dataset,DataLoader自定义训练数据_opencv,skimage,PIL接口
本文主要简单讲解一下opencv,skimage,PIL读取数据并加载到dataset。一些前置知识可以参考前一篇文章pytorch DataLoader(1): opencv,skimage,PIL,Tensor转换以及transforms，这篇文章主要讲了一些opencv,skimage,PIL的格式，读取方式，相互转换等，有助于帮助大家理解本文本文的一些操作等。import osimport numpy as npimport cv2import torchfrom torch.utils
2021-05-25 18:41:48
1726
4
原创 pytorch DataLoader(1): opencv,skimage,PIL,Tensor转换以及transforms
前置知识在使用pytorch进行dataload，transform之前，需要了解一些数据的知识，许多人使用不同的接口因为不熟悉犯了一些错误。在这里对一些常用的OpenCV,PIL,skimage进行了一些总结，以及pytorchvision.transorforms的一些简单使用。import cv2from PIL import Imagefrom skimage import io, transform, colorimport matplotlib.pyplot as pltimport
2021-05-24 18:08:44
4361
18
原创 U^2 Net显著性检测分割抠图
论文：U^2 -Net: Going Deeper with Nested U-Structure for Salient Object Detection代码：https://github.com/xuebinqin/U-2-Net目录1. 简介2. 方法设计2.1 RSU-L2.2 U^2 net网络结构2.3 损失函数设计Reference:Reference:1. 简介这是一篇关于显著性检测的文章，作者是秦雪彬大佬，CVPR2019 BASNet的作者。文章是关于显著性检测的，但其效果突出被
2021-03-31 16:45:01
2309
3
原创 图解pytorch padding方法 ReflectionPad2d
torch.nn.ReflectionPad2d(padding)这个函数简单来说就是：利用输入边界的反射来填充输入张量。官方文档里给了该padding的输入输出如下所示：CLASS torch.nn.ReflectionPad2d(padding: Union[T, Tuple[T, T, T, T]])Input: (N,C,Hin,Win)(N, C, H_{in}, W_{in})(N,C,Hin,Win)Output: (N,C,Hout,Wout)(N, C, H_{ou
2021-02-22 00:11:06
2946
2
原创 Batch Normalization、Instance normalization简单理解
1. Batch Normalization首先，简短介绍一下Batch Normalization，通常Batch Normalization更为大家所知，所以在此简要介绍BN来引入Instance Normalization。引入BN层主要是为了解决"Internal Covariate Shift"问题，关于这个问题李宏毅老师有个视频讲解比较形象[4]，可以参考。Batch Normalization主要是作用在batch上，对NHW做归一化，对小batchsize效果不好，添加了BN层能加快模型
2021-02-20 00:42:09
6198
1
原创 Image Matting 客观评价指标、数据集及主观评价
Image Matting 客观评价指标、数据集及主观评价客观评价指标1. 精度目前常用的几个指标来自于这篇论文[1]，SAD, MSE, Gradient error, Connectivity error.1.1 SADSAD(Sum of Absolute Difference)绝对误差和,SAD=∑i∣αi−αi∗∣SAD = \sum_i |\alpha_i - \alpha_i^*|SAD=i∑∣αi−αi∗∣def matte_sad(pred_matte, gt_ma
2021-02-04 15:06:24
4933
10
原创 Pytorch多GPU训练
Pytorch多GPU训练1. torch.nn.DataParalleltorch.nn.DataParallel()这个主要适用于单机多卡。个人一般比较喜欢在程序开始前，import包之后使用os.environ['CUDA_VISIBLE_DEVICES']来优先设定好GPU。例如要使用物理上第0,3号GPU只要在程序中设定如下：os.environ['CUDA_VISIBLE_DEVICES'] = '0,3'**注意：**如上限定物理GPU后，程序实际上的编号默认为device_ids[
2021-01-22 17:42:47
2159
原创 matting之trimap生成_膨胀腐蚀
在抠图技术中三分图（trimap)经常被用到，通常使用的方法是膨胀腐蚀(一般在去除噪声的时候先腐蚀再膨胀)。1.import osimport numpy as npimport cv2def random_dilate(alpha, low=1, high=5, mode='constant'): """Dilation. erode""" iterations = np.random.randint(1, 20) erode_ksize = np.random.ran
2021-01-15 17:00:52
4907
9
原创 Pytorch CUDA报错，RuntimeError: cuDNN error: CUDNN_STATUS_INTERNAL_ERROR
（多卡环境）在使用torchsummary()进行可视化的时候，代码报错：RuntimeError: cuDNN error: CUDNN_STATUS_INTERNAL_ERROR在代码中设置指定GPU，代码仍旧运行不成功device = torch.device(“cuda:3” if torch.cuda.is_available() else “cpu”)model = model.to(device)import torchfrom torchsummary import su
2021-01-11 16:33:21
22526
3
原创 torch.split()
torch.split(tensor, split_size_or_sections, dim=0)Splits the tensor into chunks. Each chunk is a view of the original tensor.tensor (Tensor) – tensor to split. 输入split_size_or_sections (int) or (list(int)) – size of a single chunk or list of sizes f
2021-01-08 14:09:59
509
原创 pip.conf配置问题+多个 国内源+SSL
服务器为linux系统在墙内使用pip总会遇到一些问题，ti子经常会挂掉，更换国内的源或许更合适，如清华源、中科大源、豆瓣源、阿里源等。大致配置如下：[global]index-url=https://pypi.tuna.tsinghua.edu.cn/simple/extra-index-url= http://mirrors.aliyun.com/pypi/simple/ http://pypi.douban.com/simple http:/
2020-12-03 18:29:07
1521
原创 matting系列论文笔记（三）：Boosting Semantic Human Matting with Coarse Annotations
matting系列论文笔记（三）：Boosting Semantic Human Matting with Coarse Annotations论文链接: CVPR2020 Boosting Semantic Human Matting with Coarse Annotations [1]代码：暂无文章目录matting系列论文笔记（三）：Boosting Semantic Human Matting with Coarse Annotations前言Abstract1. Introduction2
2020-12-02 10:51:39
2364
原创 matting系列论文笔记（二）：Background Matting: The World is Your Green Screen
matting系列论文笔记（一）：Background Matting: The World is Your Green Screen论文链接: 2017 Background Matting: The World is Your Green Screen代码：http://github.com/senguptaumd/Background-Matting文章目录matting系列论文笔记（一）：Background Matting: The World is Your Green Screen前言A
2020-11-30 17:23:49
1608
原创 matting系列论文笔记（一）：Deep Image Matting
matting系列论文笔记（一）：Deep Image Matting 刚刚入了Image Matting的坑，后续会更新系列相关的文章。这个坑目前还没有人满为患，好的文章没有很多，综述文章也没有囊括比较新的方法。论文链接: 2017 Deep Image Mattingpytorch代码： https://github.com/foamliu/Deep-Image-Matting-PyTorch文章目录matting系列论文笔记（一）：Deep Image Matting前言Abstract一、I
2020-11-24 15:24:34
2141
4
原创 目标检测通用trick
目标检测通用trick1. 数据增强离线增强 ： 直接对数据集进行处理，数据的数目会变成增强因子 x 原数据集的数目 ，这种方法常常用于数据集很小的时候在线增强 ： 这种增强的方法用于，获得 batch 数据之后，然后对这个 batch 的数据进行增强，如旋转、平移、翻折等相应的变化，由于有些数据集不能接受线性级别的增长，这种方法长用于大的数据集，很多机器学习框架已经支持了这种数据增强方式，并且可以使用 GPU 优化计算。1.1 在线增强常用空间几何变换：翻转（水平和垂直）、随机裁剪、旋转、放
2020-10-13 18:19:57
434
原创 百度目标检测7日打卡常见问题汇总：PaddleDetection安装，yml配置文件，评估结果等
百度目标检测7日打卡常见问题汇总原文位置： 百度目标检测7日打卡常见问题汇总 (原文保持更新)鉴于大家遇到的问题比较多，且这些问题很多是相似的，故在此做个汇总。环境版本说明：推荐版本Paddle：1.8.4Python： 3.7CUDA：10.0pip: 9.0.1+PaddleDetection: 0.4…版本错误容易导致运行不成功，请注意版本号。Paddle具体安装说明如果自己电脑性能不够的话安装CPU版本也是可以的。遇到问题不要慌，多baidu,google，还可以在群里
2020-09-25 10:48:41
2249
原创 windows下pycocotools的安装及避坑
windows下pycocotools的安装及避坑本文原地址： https://aistudio.baidu.com/aistudio/projectdetail/980509 (保持更新)1. 安装步骤在Windows电脑上打开 cmd/powershell/terminal按如下所示输入命令# 若Cython未安装，请安装Cythonpip install Cython# 由于原版cocoapi不支持windows，采用第三方实现版本，该版本仅支持Python3pip install
2020-09-25 10:38:33
578
原创 自动调参神器NNI
尝试了几款调参神器后，还是选择了一款微软出的一款调参神器NNI . 除了各方面性能都挺好之外，完备的官方文档也是一个值得选择的原因。另外，NNI (Neural Network Intelligence)是一个轻量但强大的工具包，帮助用户自动的进行特征工程，神经网络架构搜索，超参调优以及模型压缩。微软还很贴心的推出了中文版，详情见官方GitHub NNI，NNI中文文档. 官方给出了许多的样例，比如mnist,effcientnet,等。手上刚好在跑effcientdet, 所以以此为例。安装Li
2020-07-31 15:53:03
1490
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人