AI炼丹师

垃圾病虫害图像识别挑战赛冠军方案PPT

2022科大讯飞A.I.开发者大赛基于可见光图像的柑橘花果梢识别挑战赛 冠军方案

2022鸿蒙开发者大赛-车道线检测亚军方案

#ps x |grep python|awk ‘{print $1}’|xargs kill 杀死所有僵尸进程#root用户fuser -v /dev/nvidia* |awk ‘{for(i=1;i

ssh config的位置在：~/.ssh/configvscode 登录打开vscode，点击View - Command palette点击Remote SSH: Connect to Host选择上一步配置的远程服务器别名按照提示分别输入跳板机，远程服务器的密码第一次连接的时候会花几分钟时间安装vscode server，注意： 即使远程服务器没有网络也可以安装成功Host xxx # 随便起 HostName 123.123.123.123 # 训练服务器IP User u

主要原因：opencv有个像素的限制在 import cv2 前加上一句规则语句即可import osos.environ["OPENCV_IO_MAX_IMAGE_PIXELS"] = pow(2,40).__str__()import cv2完美解决！！！

记录一下，非常全！！！https://blog.csdn.net/zhangyuexiang123/article/details/107705311

系统：Ubuntu18.0TLSStep1:sudo gedit /etc/hostsStep2:添加到最后140.82.113.3 github.com185.199.108.154 github.githubassets.com185.199.109.154 github.githubassets.com185.199.110.154 github.githubassets.com185.199.111.154 github.githubassets.com185.199.108.1

X：我的一个batchsize输入图像数量Y：mmdetction一个batchsize输入图像数量Z：默认学习率新的学习率= X/YZ如：X：1GPU+2img/GPU=2张MMdet默认是8GPU2img/GPU=16张MMdet默认学习率=0.02新的学习率=0.0025

目标检测任务的损失函数由Classificition Loss和BBox Regeression Loss两部分构成。本文介绍目标检测任务中近几年来Bounding Box Regression Loss Function的演进过程。其演进路线是 Smooth L1 Loss 图片 IoU Loss 图片 GIoU Loss 图片 DIoU Loss 图片 CIoU Loss 图片 EIoU Loss，本文按照此路线进行讲解。详细讲解请看 ：https://mp.weixin.qq.com/s/jMWT

解释的非常好，分享给大家论文讲解 ：https://blog.csdn.net/qq_33948796/article/details/89513416原理 ：https://blog.csdn.net/kk123k/article/details/86566954混叠效应：在统计、信号处理和相关领域中，混叠是指取样信号被还原成连续信号时产生彼此交叠而失真的现象。当混叠发生时，原始信号无法从取样信号还原。而混叠可能发生在时域上，称做时间混叠，或是发生在频域上，被称作空间混叠。在视觉影像的模拟数字转换

语义分割常用trick技巧外部数据• 使用 LUng Node Analysis Grand Challenge 数据，因为这个数据集包含了来自放射学的标注细节。• 使用 LIDC-IDRI 数据，因为它具有找到了肿瘤的所有放射学的描述。• 使用Flickr CC，维基百科通用数据集• 使用Human Protein Atlas Dataset• 使用IDRiD数据集数据探索和直觉• 使用0.5的阈值对3D分割进行聚类• 确认在训练集和测试集的标签分布上有没有不一样的地方预处理• 使用

1. 问题背景2. 方案3. 实验结果

.RuntimeError: Expected object of scalar type Long but got scalar type Float for argument #2 ‘mat2’if i%1000 == 0: display.clear_output(wait=True) x = t.arange(0,20).view(-1, 1) print(x.dtype)# print(x) y = x.

写在前面：立体图推荐PlotNeuaralNet; 平面图推荐NetScope.NN-SVGgithub地址：https://github.com/zfrenchee画图工具体验地址：http://alexlenail.me/NN-SVG/可以绘制的图包括以节点形式展示的FCNN style，这个特别适合传统的全连接神经网络的绘制。PlotNeuralNet画立体卷积图必备https://github.com/HarisIqbal88/PlotNeuralNetConvNetDrawCon

1.主要采用训练时水平翻转，测试时也同样水平翻转抽取两次特征并求平均。该思路在人脸识别问题中就被大量采用。2.输入图像扩大，来自[3]中，将256128的输入变为384128，性能会提升不少，也有人尝试288144[4]3.随机裁剪，很多人尝试过后会发现性能反而不好，这里有个技巧，就是先补0，然后再裁剪，把图片resize到384128，然后补0至402148，再次随机裁剪为384128。具体做法来自于[5]，该文章中是把图片resize到256128，并补0至276148，然后随机裁减至256*128

2020 ECCV VIPriors workshop 目标检测第一名思路1. Offline Data Augmentation2. Online Data AugmentationMethods代码地址

分卷压缩的话，需要先将文件打包成一个zip包，然后执行zip -s SIZE origin.zip --out new.zipSIZE为分卷的大小4m,4g,4t等解压的时候需要先将它合并才能正常解压zip new.zip -s=0 --out single.zip

赛题：多目标检测与跟踪初赛：排名第1，复赛面试完第8。初赛思路：第一次做跟踪任务。简单的认为是检测+reid问题。初赛：1.首先明确题意：多目标跟踪；指标MOTA和MOTP, 后期的大量实验证明检测算法相对于跟踪更重要。2.数据集分析：人群密集稀疏场景；场景（白天，黑夜）光照变化丰富。多方向视角，方向变化大；行人速度有快又慢。B榜 新增2个挑战： 更密集的人群和遮挡初赛不看速度要求，选择SOTA检测算法，Cascade-RCNN ，其中选择HRNet作为backbone。Reid