pyTorch
文章平均质量分 85
无人不智能,机器不学习
AI及算法爱好者 -上海交通大学在读研究生
展开
-
DEFT: Detection Embeddings for Tracking论文解读
DEFT: Detection Embeddings for Tracking论文解读摘要大多数现代多目标跟踪(MOT)系统遵循按检测跟踪的模式,由检测器和将检测关联到轨迹的方法组成。在结合运动和外观特征以提供对遮挡和其他挑战的鲁棒性的跟踪研究方面已有很长的历史,但是这通常伴随着更复杂和更慢的实现的权衡。最近在流行的2D跟踪基准上取得的成功表明,通过使用最先进的检测器和依赖于单帧空间偏移的相对简单的关联,可以获得最高分,这显著优于利用学习的外观特征帮助重新识别丢失轨迹的现代方法。在本文中,我们提出了一个原创 2021-02-09 19:06:27 · 1099 阅读 · 0 评论 -
简单几句话告诉你如何利用vs code连接服务器上的docker环境
VS code连接服务器上的docker环境docker run的时候要指定端口确保容器上有ssh设置ssh用密码连接:passwd然后记得service ssh start 和service ssh restartvs code 这要进行配置:Host name_of_you_loveHostName IP_of_you_want_to_connectPort 8088User root其中Host是可以自己指定的名字,HostName是要连接的iP User是root,如果是连接宿原创 2020-09-24 08:50:45 · 793 阅读 · 0 评论 -
图像预处理如何快速便捷的实现keep ratio操作
图像预处理如何快速便捷的实现keep ratio操作def get_input(img, shape_hw, keep_raito=True): import mmcv if not isinstance(img, np.ndarray): img = mmcv.imread(img) assert shape_hw[0] % 32 == 0 and shape_hw[1] % 32 == 0 if keep_raito: img, scal原创 2020-09-02 20:27:01 · 890 阅读 · 0 评论 -
tensorboard的快捷使用方法
tensorboard使用方法建议不要使用docker来进行使用,因为直接使用的是文件,所以可以直接使用外部的环境。使用pip install tensorboard 进行安装。然后使用tensorboard --logdir log路径 --port 6007然后修改xshell里面的属性里面的隧道。代码里面的操作:首先 from tensorboardX import SummaryWriter在log处log = Logger()log.write(boneName)writer = Su原创 2020-09-01 20:49:38 · 266 阅读 · 0 评论 -
最新多目标跟踪算法综述-2020年08月23日
最新多目标跟踪算法综述-2020年08月23日多目标跟踪:SORT和Deep SORT1. 多目标跟踪是什么?多目标跟踪,即Multiple Object Tracking(MOT),主要任务中是给定一个图像序列,找到图像序列中运动的物体,并将不同帧的运动物体进行识别,也就是给定一个确定准确的id,当然这些物体可以是任意的,如行人、车辆、各种动物等等,而最多的研究是行人跟踪,由于人是一个非刚体的目标,且实际应用中行人检测跟踪更具有商业价值。绝大多数MOT算法无外乎这四个步骤:①检测 ②特征提取、运动原创 2020-08-23 14:50:50 · 9255 阅读 · 1 评论 -
如何利用opencv读取图片并且转换成pytorch可以使用的形式?
如何利用opencv读取图片并且转换成pytorch可以使用的形式?1.首先需要注意的是opencv读取图片的格式以及维度,后续转换需要注意opencv读取图片后的维度是B,H,W,C 并且读取的是bgr2.如何利用opencv读取图片并且转换成pytorch可以使用的形式:img = cv2.imread(img_dir)resized_img = cv2.resize(img, new_size, interpolation=cv2.INTER_LINEAR)#resized_img_rgb原创 2020-08-06 20:16:27 · 3205 阅读 · 0 评论 -
Pytorch如何加载多卡预训练模型以及如何解决此次训练所用卡数与之前卡数不同的问题?
Pytorch如何加载多卡预训练模型以及如何解决此次训练所用卡数与之前卡数不同的问题?当我们使用Pytorch多卡训练得到一个模型然后再使用单卡加载时可能就会报错。或者多卡加载单卡训练的模型也有可能出错,这主要是因为训练的模型记录了相关的信息,那么如何解决如何问题呢,只需要按照如下方式进行预训练模型的加载即可。 # If specified we start from checkpoint &nbs原创 2020-07-11 15:33:41 · 3004 阅读 · 0 评论 -
几句大白话告诉你如何上传文件夹到github或者gitlab上
几句大白话告诉你如何上传文件夹到github或者gitlab上1.首先git clone 一个仓库到本地或者服务器2.然后在克隆的文件夹下进行操作,如建立文件夹或者修改相关的操作3.然后使用git add . 命令进行添加,将所有的修改都添加上去,如果只想添加一个文件就用文件名取代点4. git commit -m "做了哪些操作”5. git push 然后输入用户名和密码(github或者gitlab上的用户名和密码)就可以了。中间可能会提示输入user.name 和user.email按原创 2020-06-19 20:52:16 · 1355 阅读 · 0 评论 -
如何使用Pytorch冻结你不想要其参数被改变的层
如何使用Pytorch冻结你不想要其参数被改变的层我猜下面的内容应该是你想要的!#---------------------------model define ------------------------------------#class YourModel(nn.Module): def __init__(self, feat_dim): # input the dim of output fea-map of Resnet: super(YourModel, s原创 2020-06-07 14:46:55 · 949 阅读 · 0 评论 -
编译安装yolo v4 c版遇到的问题及解决方法(最全踩坑)
编译安装yolo v4 c版遇到的问题及解决方法(最全踩坑)要十分注意,在一开始一定记得加-gpus all建立docker1.首先编译安装cmake下载cmake的安装包。(1)解压,然后执行./configure遇到问题提示然后安装ssl,执行如下命令:apt-get install libssl-dev提示:然后执行命令:apt-get update然后再执行apt-get install libssl-dev然后接下来就make -j接下里在root用户下或者sudo原创 2020-05-28 10:13:53 · 2472 阅读 · 1 评论 -
# 为我所用之SENet
为我所用之SENet1. SENet是Squeeze-and-Excitation Networks的简称,拿到了ImageNet2017分类比赛冠军,其效果得到了认可,其提出的SE模块思想简单,易于实现,并且很容易可以加载到现有的网络模型框架中。SENet主要是学习了channel之间的相关性,筛选出了针对通道的注意力,稍微增加了一点计算量,但是效果比较好。class SELayer(nn.Module): def __init__(self, channel, reduction=16):原创 2020-05-23 10:15:12 · 1473 阅读 · 0 评论 -
一种值得借鉴的RPN:GARPN | Region Proposal by Guided Anchoring
GARPN | Region Proposal by Guided Anchoring**基于语义特征指导anchor生成。**主要思想是定位可能的目标中心点,然后根据中心点设置最优的anchor box。该方法联合预测各个位置可能的目标的中心点以及相应的尺度和宽高比。训练时相比于RPN:(1)GA-RPN产生的正样本数目更多,而且高IoU的proposal占的比例更大。(2)GA-RPN采用更高的阈值、使用更少的样本(3)使用高质量proposal的前提是根据proposal的分布调整训原创 2020-05-23 10:12:12 · 1710 阅读 · 0 评论 -
Pytorch学习要点整理
Pytorch学习要点整理PyTorch是一个基于Torch的Python开源机器学习库,用于自然语言处理等应用程序。它主要由Facebookd的人工智能小组开发,不仅能够实现强大的GPU加速,同时还支持动态神经网络,这一点是现在很多主流框架如TensorFlow都不支持的。 PyTorch提供了两个高级功能:1.具有强大的GPU加速的张量计算(如Numpy)2.包含自动求导系统的深度神经...原创 2020-04-07 13:38:45 · 735 阅读 · 0 评论 -
2020CVPR解读之何恺明新作PointRend:将图像分割视作渲染问题,显著提升语义/实例分割性能
2020CVPR解读之何恺明团队新作PointRend:将图像分割视作渲染问题,显著提升语义/实例分割性能论文原文源码【导读】Facebook人工智能实验室何恺明团队提出一种高效、高质量的目标和场景图像分割新方法。他们提出了一个独特的视角,将图像分割视为一个渲染问题,提出PointRend神经网络模块。建立在现有的最先进的模型之上,PointRend可以灵活地应用于实例分割和语义分割任务。...原创 2020-03-29 14:23:28 · 7456 阅读 · 1 评论 -
2020CVPR解读之ATSS:Bridging the Gap Between Anchor-based and Anchor-free Detection
2020CVPR论文解读之ATSS:Bridging the Gap Between Anchor-based and Anchor-free Detection论文源码思考与学习1.论文详细解释了anchor-free与anchor-based的本质区别,此外,使用ATSS去尝试解决label assignment的问题2.ATSS是目标检测中可以学习借鉴的点,解决正负样本的选取问题。...原创 2020-03-09 19:27:19 · 2800 阅读 · 0 评论 -
DenseFusion(6D姿态估计)解读-2019cvpr
DenseFusion(6D姿态估计)解读-2019cvpr资源论文作者源码他人修改过代码作者的想法我们在研究中发现,从 RGB-D 输入中提取 6D 姿态信息时,很多点是被其他对象遮挡住的,这就会导致识别性能发生明显下降。在前人的工作中,一种流行的方法是利用全局特征进行 6D 位姿估计。但是当发生了遮挡,全局特征很大程度上会受到影响,导致预估测结果不佳。在这项工作中,我们生成了基于像...原创 2020-03-09 12:44:04 · 4900 阅读 · 0 评论 -
大白话解读2020CVPR-GhostNet论文以及相关代码: 超越MobileNetV3的轻量级网络
大白话解读GhostNet论文以及相关代码: 超越MobileNetV3的轻量级网络华为源码源码 为了减少神经网络的计算消耗,论文提出Ghost模块来构建高效的网络结果。该模块将原始的卷积层分成两部分,先使用更少的卷积核来生成少量内在特征图,然后通过简单的线性变化操作来进一步高效地生成ghost特征图。从实验来看,对比其它模型,GhostNet的压缩效果最好,且准确率保持也很不错,论文思想...原创 2020-03-01 12:15:17 · 4233 阅读 · 0 评论 -
云从的多粒度网络(MGN)的结构设计与技术实现-ReID行人重识别
云从的多粒度网络(MGN)的结构设计与技术实现-ReID1.摘要全局特征和局部特征的结合是提高人的再识别(re-ID)任务识别性能的一种有效方法。以前的基于部分的方法主要集中在定位具有特定预定义语义的区域来学习局部表示,这增加了学习的难度,但对具有较大方差的场景却没有效率或鲁棒性。本文提出了一种融合不同粒度判别信息的端到端特征学习策略。我们仔细设计了多粒度网络(MGN),这是一个多分支的深层网...原创 2020-02-29 17:48:43 · 3618 阅读 · 1 评论 -
大白话解读行人重识别-ReID之DG-Net
综述参考:from:ReID综述(上)https://www.leiphone.com/news/201712/4Mvj2NBIxCN5bQZI.htmlfrom:ReID综述(下)https://www.leiphone.com/news/201712/JdVuO1BWAIrkPSyx.html一.DG-Net源码1. 摘要和简介利用生成数据去改进行人ReID:使用一种联合学习框架,...原创 2020-02-28 21:03:37 · 2822 阅读 · 1 评论 -
如何将Google的AutoAugment应用于实际问题
结合PIL使用from autoaugment import ImageNetPolicyimage = PIL.Image.open(path)policy = ImageNetPolicy()transformed = policy(image)结合Pytorch使用from autoaugment import ImageNetPolicydata = ImageFolder...原创 2020-02-09 11:03:11 · 1075 阅读 · 5 评论