- 博客(75)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 【个人笔记】Linux 服务管理两种方式service和systemctl
与传统的 SysVinit 和 Upstart 初始化系统相关。较早期的 Linux 发行版（如早期的 Ubuntu、Red Hat 等）使用了这些初始化系统。service 命令用于启动、停止、重启和查询系统服务的状态。虽然许多现代 Linux 发行版已经转向使用 systemd，但它们通常仍然提供 service 命令作为向后兼容支持。是与 systemd 初始化系统相关的命令。systemd 是许多现代 Linux 发行版（如 Ubuntu、Fedora、Debian 等）的默认初始化系统。
2023-07-31 18:04:08
1426
原创 【个人笔记】Linux命令之查看使用过的命令
Ctrl + R将从最近的命令开始搜索到旧的命令（反向搜索）。如果您有多个以ssh开头的命令，请ssh按Ctrl + R直到找到匹配项。5.除了使用上下键来切换最近输入的命令，并回车执行此中方式以外，使用。文件，Bash的命令历史默认保存在~/.bash_history中。找到匹配后，可以按Enter执行命令，或按左/右光标选择命令文本。Ctrl + R没有默认的反向选项来反转搜索的方向。，然后输入对应的历史指令进行单条指令搜索。命令可以快速重复执行上条命令。显示出所有使用过的命令。
2023-07-27 17:31:33
1936
原创 【个人笔记】Linux查询系统日志的命令journalctl
从2012年开始，大部分linux发行版本开始从传统的systemv 初始化系统移植到一个叫做systemd的全新系统。systemd包含了一个叫做journalctl的辅助组件，其主要作用是管理系统的事件日志记录。默认情况下，用户都可以访问自己的日志。对于系统主日志和其他用户的日志，仅限于有权限的用户访问，比如root用户，wheel组和systemd组的用户。journalctl可以查看所有的系统日志文件，由于日志信息量很大，journalctl还提供了各种参数帮助用户更快速的定位到日志信息。
2023-07-25 15:55:47
384
原创 【个人笔记】linux的cd命令与目录结构理解
cd（英文全拼：change directory）命令用于改变当前工作目录的命令，切换到指定的路径。
2023-07-19 20:54:04
1088
原创 TrackingNet评价基准
在线评估网址：https://eval.ai/使用方法参考：https://blog.csdn.net/qq_30287833/article/details/127602523公开对比数据：https://paperswithcode.com/sota/visual-object-tracking-on-trackingnet?metric=Normalized%20Precision格式：
2023-03-26 16:09:38
231
原创 Python编程练习：给定一个字符串 s，请你找出其中不含有重复字符的最长子串的长度。
【代码】Python编程练习：给定一个字符串 s，请你找出其中不含有重复字符的最长子串的长度。
2022-10-07 10:22:14
869
原创 Python编程练习：身体BMI质量检测、实例和实例方法的创建、100以内的偶数和、输入年份判断是不是闰年、编写分段函数、因式分解、检查二进制是否可被整除、查找数字等等
【代码】Python编程练习：身体BMI质量检测、实例和实例方法的创建、100以内的偶数和、输入年份判断是不是闰年、编写分段函数、因式分解、检查二进制是否可被整除、查找数字等等。
2022-10-06 15:54:55
861
原创 arXiv-2022-OSTrack:Joint Feature Learning and Relation Modeling for Tracking: A One-Stream Frame阅读笔记
所以只保留中k个相似度最大的候选项(k为超参数，保持比ρ = k/n)，其余候选项被淘汰。作者提出了一个早期候选消除模块，在ViT的早期阶段逐步消除属于背景的候选，以减轻计算负担并避免噪声背景区域对特征学习的负面影响。当前流行的孪生的两个阶段的跟踪框架分成模板分支和搜索区域分支来提取特征，然后进行关系建模，因此提取的特征缺乏目标的感知性，对目标-背景的区分能力有限。其中既包含了模板图像和搜索图像的自注意，也包含了两者的交叉注意，自注意作为提取的特征，交叉注意代表了两者之间的关系模型。...
2022-08-13 21:46:51
2740
2
原创 CVPR-2018- DensSiam: End-to-End Densely-Siamese Network with Self-Attention Model for Object Trackin
为了在保持泛化能力、高精度和速度的情况下，减少参数数量，并克服同一时间下只处理一个局部领域而造成的外观模型局限和对外观变化不鲁棒的问题。
2022-07-31 21:37:24
108
原创 arXiv -2022-NAT: Neighborhood Attention Transformer 阅读笔记
论文地址：https://arxiv.org/abs/2204.07143代码地址（刚刚开源）：https://github.com/SHI-Labs/Neighborhood-Attention-Transformer动机受卷积如何引入邻域偏差和局部性的启发，本文通过引入了邻域注意，允许特征图中的每个像素仅关注其相邻像素。以此在不需要额外操作的情况下引入局部归纳偏差。内容总览本文提出了Neighborhood Attention Transformer(NAT)，NAT是一种集高效、准确和可
2022-05-15 15:56:20
1183
1
原创 CVPR-2021-Alpha-Refine: Boosting Tracking Performance by Precise Bounding Box Estimation 阅读笔记
论文地址：https://arxiv.org/abs/2012.06815代码地址：https://github.com/MasterBin-IIAU/AlphaRefine动机：现有的跟踪器存在低质量的包围框估计问题，设计一个特别的细化模块可能更有助于包围框的估计。优点：Alpha- Refine是独立训练的，可以以即插即用的方式直接应用于任何现有的跟踪器，不需要额外的训练或修改基础跟踪器。Alpha-Refine整体架构:Alpha-Refine整体架构描述:采用具有两个输入孪
2022-05-03 21:17:13
854
3
原创 ICCV-2021-DTT：High-Performance Discriminative Tracking with Transformers 阅读笔记
论文地址：https://openaccess.thecvf.com/content/ICCV2021/papers/Yu_HighPerformance_Discriminative_Tracking_With_Transformers_ICCV_2021_paper.pdf代码地址：https://github.com/tominute/DTT（暂未开源）三种简化框架：基于孪生网络的跟踪器在线判别跟踪器DTTDTT还是一个结合了CNN的混合网络架构。DTT整体架构：在编码器的交叉
2022-04-30 16:52:11
1067
原创 【个人笔记】python常用语句
Ubuntu16.04+Pytorch1.4.0+cuda10.0的pip安装：pip install torch===1.4.0 torchvision===0.5.0 -f https://download.pytorch.org/whl/torch_stable.htmlPytorch1.6.0安装：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple torch==1.6.0 torchvision==0.7.0 -f https:/
2022-04-28 16:34:39
639
原创 【个人笔记】常用的命令行操作Linux
每隔1秒刷新一次GPU使用情况:watch -n 1 nvidia-smi当没有权限新建文件夹时：sudo nautilus正常杀死进程命令：kill -9 进程如若kill之后显存未释放，则先执行以下命令查看：sudo fuser -v /dev/nvidia*通过以下命令逐一kill僵尸进程：sudo kill -9 进程用标准的格式显示系统进程的命令:ps -ef ...
2022-04-28 09:24:55
1003
原创 Trackingnet Ubantu 解压 / linux.zip.001, linux.zip.002, linux.zip.003文件解压方法
下载了Trackingnet数据集，文件目录为 linux.zip.001, linux.zip.002, linux.zip.003…形式（如图），无法直接使用，解压方式为：首先 cat linux.zip* > linux.zip #合并为一个zip包cat TEST.zip* > TEST.zip然后 unzip linux.zip #解压zip包unzip TEST.zip解压成功！...
2022-04-26 21:03:38
2913
7
原创 CVPR-2022- MixFormer: End-to-End Tracking with Iterative Mixed Attention 阅读笔记
目录端到端的MixFormer跟踪整体框架Mixed attention module (MAM)基于角的定位头基于查询的定位头分数预测模块（SPM）论文地址：https://arxiv.org/abs/2203.11082代码地址：https://github.com/MCG-NJU/MixFormer端到端的MixFormer跟踪整体框架它只由一个基于MAM的主干和一个定位头组成，MAM为混合注意模块（Mixed Attention Module），用来完成特征提取和目标信息合并的过程。S
2022-04-23 16:41:11
1220
原创 Tech Report-2021-SwinTrack: A Simple and Strong Baseline for Transformer Tracking 阅读笔记
论文地址：https://arxiv.org/abs/2112.00995代码地址：https://github.com/LitingLin/SwinTrackSwinTrack与TransT、Stark等混合模型不同，是一个完全基于注意力的Transformer跟踪算法。SwinTrack使用Transformer进行特征提取和特征融合，允许目标对象和搜索区域之间的完全交互以进行跟踪。SwinTrack的整体网络架构：SwinTrack的体系结构由基于Transformer的特征提取、基于T
2022-04-23 09:33:47
1643
原创 ICCV-2021-Swin-T: Swin Transformer: Hierarchical Vision Transformer using Shifted Windows 阅读笔记
目录一、Swin Transformer的整体架构及流程Swin变压器架构Stage 1Stage 2Stage 3Stage 4Swin Transformer block二、基于移动窗口的自我注意（Shifted Window based Self-Attention）非重叠窗口中的自我注意（Self-attention in non-overlapped windows）连续块中的移位窗口划分（Shifted window partitioning in successive blocks）移位配置的
2022-04-21 21:36:11
914
1
原创 BMVC-2021-DETR: End-to-End Object Detection with Transformers 阅读笔记
目录DETR整体架构BackboneTransformer encoderTransformer decoderPrediction feed-forward networks (FFNs)Auxiliary decoding lossesQUOTE论文地址：https://arxiv.org/abs/2005.12872代码地址：https://github.com/facebookresearch/dethttps://github.com/facebookresearch/detrDETR
2022-04-21 10:41:47
3516
原创 ICLR-2021-ViT: AN IMAGE IS WORTH 16X16 WORDS:TRANSFORMERS FOR IMAGE RECOGNITION AT SCALE 阅读笔记
论文地址：https://arxiv.org/pdf/2010.11929.pdf代码地址：https://github.com/google-research/vision_transformerVision Transformer (ViT)框架：模型概述：将输入图像分割成固定大小的小块（patch）,并为他们嵌入位置编码后线性的馈送到标准的变换器编码器（Transformer encoder）中。该模型的设计遵循了原始变压器。Conclusions:[原文]We have exp
2022-04-19 21:20:31
685
原创 NIPS-2017-原始变压器: Attention Is All You Need 阅读笔记
论文地址：https://proceedings.neurips.cc/paper/2017/file/3f5ee243547dee91fbd053c1c4a845aa-Paper.pdf代码地址：https://github.com/tensorflow/tensor2tensor整体架构：编码器（Encoder）:编码器由N = 6个相同层的Encoders堆叠组成。每个Encoder两个子层。第一个是多头自注意机制，第二个是简单的、按位置全连接的前馈网络。我们在两个子层周围使用残差连接
2022-04-19 16:36:52
841
Java程序_拼图.zip
2021-07-13
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人