- 博客(8)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 Cuda out of memory
前言我一定要说下我这个心酸的历史啊！！！事情是这样的，我通过东拼西凑得到了一个模型，在一个数据集上一跑，哟，效果还不错，磨刀霍霍准备在其它数据集上试试效果啊。结果你猜怎么着，呵，out of memory。接下来就是我心酸的解决历史了。问题所有的前提都是基于这个out of memory的数据集哈。我是训练过程中没有问题，一验证就out of memory.首先我当然是上网查询原因啦，很多人都说用下面的方法：将模型改为eval()模式并且使用with torch.no_grad():model
2021-03-21 21:31:02
1489
2
原创 ubuntu18.04装nvidia驱动
ubuntu18.04装nvidia驱动1. 删除原有驱动方法一：sudo apt-get remove --purge nvidia*方法二：（在使用了方法一但是输入nvidia-smi命令仍会显示）sudo ./xxxx.run --uninstallxxx代表安装时的run文件名（这种方法不会把安装包卸载掉）2. 禁用nouveau驱动打开黑名单sudo gedit /etc/modprobe.d/blacklist.conf打开之后在文件最底下添加以下内容：blackli
2021-01-27 16:39:44
205
原创 人群计数之DM-count:Distribution Matching for Crowd Counting
DM_count这是继Bayes Loss之后又一针对损失函数提出的人群计数方法。着眼点：损失函数；分布匹配；存在的问题：使用高斯模糊生成真值密度图：论文中提到生成的密度图是一个密集的真值矩阵，而点注释图是一个稀疏的二值矩阵，由于这些稀疏的点在稀疏的二值矩阵中分布不平衡，因此很难训练预测的密度图与点注释图。缓解该问题的一个方法是将每个标注点变成一个高斯斑点，这样真值会更平衡，网络更容易训练。经过这种方法训练出来的网络高度依赖生成的真值密度图的质量，但是在拥挤的场景中，考虑到人的大小和形状变化，
2020-12-02 17:08:30
3059
原创 中科大博士论文——基于卷积神经网络的图像人群计数研究
人群计数一般的研究角度：多尺度问题；背景噪音问题；密度的高估或低估；高质量的密度图；上下文信息；迁移学习；虚拟数据；损失函数等等；该论文针对角度分别为多尺度；背景噪音；人群不均匀分布；生成高质量密度图；并且针对不同的问题从特殊的角度采取了不一样的方式提出了4种不同的网络结构进行解决。多尺度解决思想：尽可能多的在网络中包含不同尺寸大小的感受野，扩大尺度感知。解决方案Skip-connection.将多个多尺度单元进行连接以增加不同感受野的数目。多尺度单元采取的是Skip-connectio.
2020-11-28 20:58:57
1637
1
原创 小白式手把手教学：使用服务器创建新账号，并安装Anaconda，配置系列环境
这里写自定义目录标题创建账号- 目的- 工具- 步骤文件传输+环境安装文件传输环境配置+pytorch创建账号- 目的在实验室服务器上创建个人账号，里面搭建Anaconda等系列环境，帮助实验。- 工具服务器一台，笔记本电脑一台，远程连接工具Mobaxterm，在官网下载(亲测小白友好)- 步骤下载好后，先使用Mobaxterm创建一个ssh，remote host 是服务器ip地址，spercify username是服务器名称，刚开始创建自己的账户时得用服务器主账户。（后续创建了自己的
2020-11-27 20:30:04
8200
2
原创 人群计数——Bayes Loss
Bayes Loss人群计数的技术路线：Bayes Loss一文中针对损失函数部分进行改进。考虑到传统生成真值图的方法会带来一定的误差，所以直接使用标注点信息。为了将标注点信息与生成的估计密度图上进行数值匹配，故采取贝叶斯估计中后验概率蒙版，与估计密度图相乘再相加，得到一个期望值。这个期望值表示yn在整个密度图中出现的概率。由于期望该点有人的概率是1，因此BayesLoss可以表示为：其中E[Cn]的求法如下：在测试阶段，由于没有标注信息，不知道目标点
2020-11-25 19:15:33
1140
原创 人群计数论文笔记之Density-Aware Multi-Task Learning for Crowd Counting
文章目录背景论文要解决的问题论文方案本文目标论文网络思想背景已有方法的缺点：基于图片分类，目标检测，语义分割等领域迁移到人群计数领域方法中的各种基于cnn的方法虽然有显著的提升（什么显著的提升？没有看懂，精度还是？）但在一个或多个场景中人群密度分布差异较大时表现会下降。 分布差异主要来自两个方面。第一个因素是人们在一个场景中的真实聚集和分散。 第二个因素是相机的视角，这是导致比例问题的主要原因。靠近镜头的人看起来比远离镜头的人要大。多尺度方法（eg mcnn）： 这种方法缺少与密度信息相关的先验（
2020-06-11 09:44:47
676
原创 人群计数论文笔记之PaDNet:Pan-Density Crowd Counting
背景人群计数的一个主要困难是背景和密度水平在真实场景中有明显的变化。前人方法的缺点：大多数方法关注于一致的人群密度（稀疏或者密集人群）这意味着在全局估计性能好，然而忽略了局部精度。Single-Column: 适用于单密度人群计数，不能完全捕获pan-density信息。Multi_Column: 这些基于多尺度的方法不能准确识别特定密度的人群，也不能合理利用跨列网络学习到的特征，效率相对较低。更合理的融合特征图的方法是为子网络分配不同的权值。Switch-CNN: 它选择
2020-06-09 18:16:35
988
1-CSRNet.pptx
2020-11-30
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人