![](https://img-blog.csdnimg.cn/20201014180756926.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
CNN+深度学习
文章平均质量分 86
是否龙磊磊真的一无所有
来自海淀区某研究所的研究生。
展开
-
半监督学习Semi- Supervised Learning的一致性约束,一致正则损失
半监督学习Semi-Supervised Learning核心思想,对于有标签的数据,采用有监督的交叉熵损失;对于无标签数据,采用无监督的一致性正则损失。 分析了半监督学习的主流方法,以及一致性约束的作用条件和对分类损失的不同部分的作用。原创 2023-05-09 14:24:43 · 1349 阅读 · 1 评论 -
AI/CV大厂笔试LeetCode高频考题之基础核心知识点
AI/CV大厂笔试LeetCode高频考题之基础核心知识点。总结最基础,最全面的高频考题。原创 2023-02-28 10:43:10 · 647 阅读 · 0 评论 -
OpenCV中CommandLineParser命令行输入使用方法介绍
OpenCV中CommandLineParse类主要是命令行解析类。OpenCV中出现此类的主要目:方便用户在命令行使用过程中减少工作量。具体使用方式如下。我们将从三个方面介绍。首先是CommandLineParser类的构造函数,说明一下这个类的一些常用成员函数;随后介绍如何按需添加和配置参数和变量;最后直接使用Visual Studio 或者生成的exe文件,来按照命令行的方式,输入参数,并运行得到结果。...............原创 2022-07-20 16:38:11 · 2509 阅读 · 0 评论 -
目标检测中如何定义正负样本,和正负样本在学习过程中loss计算起的作用
如何定义正负样本,和正负样本在学习过程中loss计算起的作用正负样本定义分类和回归head如何学习和利用划分后的正负样本(loss如何计算)正负样本在分类中loss计算的处理正样本在bbox 回归中的loss计算在目标检测中,经常说起正负样本。本文仔细说一下,如何定义正负样本;定义正负样本之后,在loss计算中,正负样本分别参与到classification head和regression head中,是如何使用正负样本信息进行监督学习的。loss如何从正负样本中,直接得到这两类样本对不同任务的损失函数和原创 2021-08-27 11:07:19 · 9094 阅读 · 8 评论 -
深度学习模型Intel与ARM部署性能分析,Intel和ARM CPU上CNN计算速度差距分析。
我们的一个业务是在Intel CPU的电脑上,进行深度学习模型算法的开发。模型有用到OpenCV,Pytorch,还有QT界面,大多数使用的是图像处理和CNN特征提取和分类的功能,处理的是摄像头输入视频,图片这两类数据。考虑到要求实时处理,我们设计的各个功能模块,能够20fps运行和显示,以及在minutes时间内,输出后处理分析的结果,就能达到预定效果。随后采用docker,部署整个环境到ARM CPU的服务器上。原创 2021-07-15 16:16:49 · 9011 阅读 · 7 评论 -
pycharm中报错:Error: failed to send plot to http://127.0.0.1:63342
pycharm中报错:Error: failed to send plot to http://127.0.0.1:63342import matplotlib.pyplot as pltimport matplotlib.pyplot as pltplt.title("test")plt.xlabel('x')plt.ylabel('y')plt.savefig('test1.jpg')plt.show()在pycharm画图过程中,出现了这个错误.在pycharm使用matplotl原创 2021-03-19 20:16:01 · 14958 阅读 · 6 评论 -
基于深度学习的口罩识别与检测PyTorch实现
基于深度学习的口罩识别与检测PyTorch实现1. 设计思路1.1 两阶段检测器:先检测人脸,然后将人脸进行分类,戴口罩与不戴口罩。1.2 一阶段检测器:直接训练口罩检测器,训练样本问人脸的标注信息,戴口罩的,不带口罩的。2. 算法具体实现。2.1 两阶段口罩识别检测器设计2.2 实现代码分析2.2.1 训练分类器并且保存模型2.2.2 人脸检测与剪裁,然后进行分类。3.总结4. 参考链接。两阶段口罩检测的算法设计与实现。主要讲解整体pipeline的设计。原创 2020-10-25 15:11:48 · 13755 阅读 · 8 评论 -
C++调用Python文件,TensorFlow和PyTorch构建的深度学习模型,无法使用GPU的情况分析。
C++调用Python深度学习模型,包含TensorFlow和pytorch等构造的模型,然后使用GPU出现问题!1. C++调Python深度学习文件1.1 项目描述1.2 C++和Python代码的构建2. Python深度学习模型的构建代码,Python文件名为DNN_algorithm.py3. C++调用所构建的Python代码的相关函数4. 加载模型到GPU,然后使用GPU进行计算4.1 C++加载TensorFlow和Keras模型到GPU4.2 C++加载模型到GPU之后,NN运行完预测函数原创 2020-07-20 20:51:08 · 4112 阅读 · 1 评论 -
面向Mobile device的CNN模型手工设计与NAS分析总结,MobileNet V1,V2,V3,Efficient,MNasNet以及Efficient network design
手工方法和NAS的高效网络模型设计总结与分析这篇文章主要关注对于移动端,资源受限平台的高效神经网络设计(Manually)和搜索(NAS)。 高效的CNN设计不只是用在服务器,云端,资源充足的设备上,也逐渐迁移应用到mobile devices,robotics等。这些平台具有内存有限,计算资源一定,对应用延迟敏感等特点。最近的一些文章,已经从耗时,...原创 2019-11-13 17:52:41 · 2426 阅读 · 3 评论 -
深度学习PyTorch,TensorFlow中GPU利用率较低,CPU利用率很低,且模型训练速度很慢的问题总结与分析
在深度学习模型训练过程中,在服务器端或者本地pc端,输入nvidia-smi来观察显卡的GPU内存占用率(Memory-Usage),显卡的GPU利用率(GPU-util),然后采用top来查看CPU的线程数(PID数)和利用率(%CPU)。往往会发现很多问题,比如,GPU内存占用率低,显卡利用率低,CPU百分比低等等。接下来仔细分析这些问题和处理办法。1. GPU内存占用率问...原创 2019-06-20 10:24:33 · 155672 阅读 · 359 评论 -
SSD(Single shot multibox detector)目标检测模型架构和设计细节分析
先给出论文链接:SSD: Single Shot MultiBox Detector 本文将对SSD中一些难以理解的细节做仔细分析,包括了default box和ground truth的结合,default box结合到不同检测的feature map层上,难样本挖掘,数据扩充,Atrous Algorithm算法原理等。包括了SSD对一阶段目标检测的贡献以及总结了SSD对其他目标检测方法的关键改进点。一、SSD具有如下主要特点 ...原创 2019-04-27 19:24:05 · 1277 阅读 · 0 评论 -
PyTorch加载模型model.load_state_dict()问题,Unexpected key(s) in state_dict: “module.features..,Expected .
希望将训练好的模型加载到新的网络上。如上面题目所描述的,PyTorch在加载之前保存的模型参数的时候,遇到了问题。 Unexpected key(s) in state_dict: "module.features. ...".,Expected ".features....". 直接原因是key值名字不对应。 表明了加载过程中,期望获得的key值为feature...,而不是...原创 2019-04-17 00:23:51 · 64676 阅读 · 23 评论 -
YOLOv3 训练的各种config文件以及weights文件。
YOLOv3训练过程中的各种文件。包括配置文件,权重文件。yolov3.ptyolov3.weightsdarknet53.conv.74yolov3-spp.weightsyolov3-tiny.conv.15yolov3-tiny.ptyolov3-tiny.weighshttps://drive.google.com/open?id=1uxgUBemJVw9w...原创 2019-03-21 18:07:18 · 20414 阅读 · 17 评论 -
目标检测计算mAP,AP,Recall,Precision的计算方式和代码(YOLO和FastRCNN等)
目标检测中计算mAP是较为复杂的,并不是很多讲解中说的那个计算precision和recall,然后总的ground truth 目标和检测出的真实目标做除法就可以了。而是需要构建precision和recall 曲线,然后计算曲线面积。一下是代码,可以去相关网站查看计算过程,过程较为复杂。mAP计算详解https://github.com/rafaelpadilla/Object-De...原创 2019-03-24 23:06:23 · 7929 阅读 · 1 评论 -
Pytorch 类型错误:Expected object of type torch.FloatTensor but found type torch.cuda.FloatTensor.
Expected object of type torch.FloatTensor but found type torch.cuda.FloatTensorPytorcht调试过程中,将数据传入模型,进行计算。出现这个error,表明你的数据格式有问题。也许模型是GPU上的,参数是CPU类型。也许模型是CPU,参数是GPU类型。这是由于用了.cuda()进行转换。两个方法可以解决。1....原创 2019-02-26 17:28:50 · 5581 阅读 · 1 评论 -
用Python在Windows或Linux下批量删除文件夹中指定的文件
情况说明:当在一个文件夹下面有好几十个或几百个文件需要删除,此时一一去挑选费时费力,特别是在Linux下面。因此,需要批量删除文件。 对训练样本(图像)和测试样本(图像)进行评估时候,需要查看是数据本身问题还是自己模型的问题,因此需要将错误分类的样本(图像)挑选出来,看到底是标注本身问题,还是说模型没有训练好。当是样本本身问题,需要将错误样本删除。 在3W多个训练样本中,...原创 2019-02-27 17:42:30 · 2119 阅读 · 0 评论 -
Winograd,GEMM算法综述(CNN中高效卷积实现)(下)
CNN高效卷积实现算法和应用综述(下)论文分析1. Fast Algorithms for Convolutional Neural Networks分析的第一篇文章是16年CVPR,由于是CVPR中第一次将Winograd算法引入,大篇幅介绍了Winograd算法的原理,矩阵的操作,转化,没有做任何优化,直接按照矩阵公式操作的。其中与FFT进...原创 2019-01-09 23:24:05 · 10840 阅读 · 7 评论 -
Winograd,GEMM算法综述(CNN中高效卷积实现)(上)
高效卷积实现算法和应用综述(上)在下一篇文章会介绍Winograd算法的应用,在ICLR,CVPR,FPGA,FCCM等机器学习和FPGA领域的定会上的研究实现和新的突破。下一篇理论分析链接。https://blog.csdn.net/qq_32998593/article/details/86181663摘要:首先要说明的是,卷积是指Co...原创 2019-01-09 21:27:30 · 16612 阅读 · 2 评论 -
基于CNN目标检测方法(RCNN,Fast-RCNN,Faster-RCNN,Mask-RCNN,YOLO,SSD)行人检测,目标追踪,卷积神经网络
一、研究意义卷积神经网络(CNN)由于其强大的特征提取能力,近年来被广泛用于计算机视觉领域。1998年Yann LeCun等提出的LeNet-5网络结构,该结构使得卷积神经网络可以端到端的训练,并应用于文档识别。LeNet-5结构是CNN最经典的网络结构,而后发展的卷积神经网络结构都是由此版本衍生而来。在过去六年中,由于深度学习和卷积网络的发展和进步,基于图...原创 2018-06-10 11:10:38 · 38362 阅读 · 0 评论