- 博客(52)
- 收藏
- 关注
原创 【解决方案】COCO数据集分类别测试mAP
coco数据集官方给出的pycocotools.cocoeval库只能测所有类别平均mAP。需要修改自己的类别数量,并给出单类别mAP。
2022-11-30 10:38:30
1150
1
原创 【论文阅读】Maskformer:Per-Pixel Classification is Not All You Need for Semantic Segmentation
作者知乎亲自写的简介、《MaskFormer:使用Mask分类实现语义分割》pixel-level module:用来提取每个像素embedding(灰色背景部分)transformer module:用来计算N个segment的embedding(绿色背景部分)segmentation module:根据上面的per-pixel embedding和per-segment embedding,生成预测结果。(蓝色背景部分)
2022-11-07 12:23:02
2141
原创 【Python基础知识】面试基础知识
多个相同函数名的函数,根据传入的参数个数、参数类型而执行不同的功能。所以函数重载实质上是为了解决编程中参数可变不统一的问题。在python中,具有重载的思想却没有重载的概念,因为。............
2022-09-01 13:29:13
792
原创 【排序算法】Leetcode刷题心得
堆排序无关乎初始序列是否已经排序的状态,始终有两部分过程,构建初始的大顶堆的过程时间复杂度为O(n),交换及重建大顶堆的过程中,需要交换n-1次,重建大顶堆的过程根据完全二叉树的性质,[log2(n-1),log2(n-2)…插入排序中,当待排序数组是有序时,是最优的情况,只需当前数跟前一个数比较一下就可以了,这时一共需要比较 N-1 次,时间复杂度为 O(N)。4 个石子的时候排完序需要 3 趟,第一趟需要比较3次,第二趟需要比较2次,第三趟需要比较1次,那一共比较了 3 + 2 + 1 次;......
2022-08-18 16:06:38
437
原创 面试反问环节应该问什么?
4)对于公司/部门/小组(确定面试官的职位)来说,现在什么是最重要的优先级?(6)x老师,我最近比较有空,如果您觉得我还ok的话,可以尽快帮我排一下后面的流程?(1)小组大概是做什么的,业务方向、具体用到的技术栈和目前遇到的挑战和瓶颈?哪些是最重要的能力和素质?(3)怎样培养新人,新人过去大概的上手流程是怎样的,会有多长的适应期?(4)小组内的工作强度怎样,每天大概几点上班和几点下班,周末加班吗?(5)x老师,针对刚刚的面试表现,您觉得我还有哪些方面要再加强一下?(8)这个岗位典型的一天是什么样的安排?..
2022-08-18 15:59:44
5325
1
原创 2023届秋招图像算法岗面经记录(TPlink(普联)、潮州三环、中电十所、科大讯飞、旷视、超参数、虹软、大华、速腾聚创、中兴、哲库、字节、OPPO、百度、之江实验室、蚂蚁、Intel、小米)
问得很细,期间发散的问我深度学习的相关知识,包括:轻量型模型有哪些?,BN层原理,一个B,C,H,W的特征在BN层参数,BN的均值方差测试时怎么算。我的反思:还是对自己简历做的东西不是很熟悉,NAFnet都是旷视出来的,都没有好好研究说清楚,基础网络要烂熟于心,最新的transformer等也要把经典的了解清楚。以及最后的做题环节,还是题做少了,好好准备。没做过这道题卡着了,也没在意说要在空间复杂度最小的情况下实现。反问环节: 旷视成都的业务主要是手机画质相关,包括去噪,超分,图像对齐,HDR等;.....
2022-08-15 10:11:38
7661
9
原创 2022中兴捧月算法挑战赛(RAW图像去噪)——初赛到决赛总结与反思
复赛流程:讲上述PPT,线上每个人一共15min,包括提问。复赛结果:意外进了决赛前18强冠军:用8*8邻域视为同一正态分布的样本点集合;取方差前40%小的集合,并把0和1样本点出现较多的集合去除,用最小二乘解得到a,b。亚军:根据低随机纹理强度提取有效图像块,并对图像块按纹理强度排序,再进行超峰度进行坐标转换,搜索迭代最佳值并换算得到a,b。季军:SwinTranfomer+两层全连接,转化为有监督的学习,模型直接输出a、b的预测。......
2022-08-08 11:10:54
2911
1
原创 【深度学习】知识汇总
文章目录基础backbone以下内容为自己整理学习所用,若有侵权,联系删除。添加链接描述基础backbone《变形卷积核、可分离卷积?卷积神经网络中十大拍案叫绝的操作。》CNN结构演变总结(一)经典模型CNN结构演变总结(二)轻量化模型.....................
2022-07-26 10:47:53
648
原创 【回溯算法】Leetcode算法题刷题心得
这个可以从排列的树形图中很明显发现,每一层节点为n,第二层每一个分支都延伸了n-1个分支,再往下又是n-2个分支,所以一直到叶子节点一共就是n*n-1*n-2*…,每一层递归所用的空间都是常数级别,注意代码里的result和path都是全局变量,就算是放在参数里,传的也是引用,并不会新申请内存空间,最终空间复杂度为。,组合问题其实就是一种子集的问题,所以组合问题最坏的情况,也不会超过子集问题的时间复杂度。表示n*(n-1)*…,递归深度为n,所以系统栈所用空间为。,m是’.'的数目。...
2022-07-15 15:52:54
159
原创 【栈与队列】Leetcode刷题心得
本文为个人学习总结,无任何商业用途,若涉及侵权,联系删除。SGI STL中队列一样是以deque为缺省情况下的底部结构。一、匹配问题例题:有效的括号、删除字符串中的所有相邻重复项、逆波兰表达式求值注意匹配问题小技巧在于压入栈的为输入字符对应的’匹配‘的字符。二、deque实现单调队列例题:滑动窗口最大值...
2022-06-21 16:26:24
1538
原创 【哈希表】Leetcode刷题心得
本文为个人学习总结,无任何商业用途,若涉及侵权,联系删除。使用范围:(1)查询和增删效率是最优的优先使用unordered_set;(2)需要集合是有序的,那么就用set;(3)要求不仅有序还要有重复数据的话,那么就用multiset。适用场合:题目限制了数值的大小使用数组的弊端:数组的大小是受限制的,而且如果元素很少,而哈希值太大会造成内存空间的浪费。例题:有效的字母异位词、赎金信适用场合:题目没有限制数值的大小使用集合的弊端:set是一个集合,里面放的元素只能是一个key例题:两个数组的交集、
2022-06-15 23:01:29
168
原创 【链表篇】Leetcode算法题刷题心得
本文为个人学习总结,无任何商业用途,若涉及侵权,联系删除。链表的增添和删除都是O(1)操作,也不会影响到其他节点。一、移除链表元素注意事项:例题: 删除链表的倒数第N个节点, 移除链表元素例题:反转链表三、链表相交思路:双指针指向两链表头,分别遍历两次链表,节点相同时为相交节点例题: 两个链表是否相交四、环形链思路:快慢指针,快指针速度时慢指针的两倍,若相交,则有环;相交后,一个指针回到原点,再相同速度直到相交为环入口。例题:环形链表I 、环形链表II...
2022-06-14 21:22:40
161
原创 【输入输出篇】Leetcode算法刷题心得
二、 A+B(2)三、A+B(3)四、A+B(4)五、A+B(5)六、A+B(6)七、字符串排序(1)八、字符串排序(2)九、字符串排序(3)
2022-06-14 12:02:29
1436
原创 利用labelme制作实例分割数据集
利用labelme制作实例分割数据集一、软件安装与环境配置二、利用labelme做实例分割标记三、利用labelme生成voc与coco格式数据集关于coco数据集的理解其它一些可能出现的问题一、软件安装与环境配置参考上一篇博客二、利用labelme做实例分割标记容易出现的一些问题:当一张图片里同个类别有多个物体时,均使用同一种类名称作为标签进行标注(因为后文coco数据集格式会给同种物体单独分序号)。如下图三人均属于person类。当一张图片里某个颗粒被遮挡时,利用labelme标签
2022-05-05 10:50:49
7039
9
原创 使用springer nature模板页眉显示标题太长超出页面解决
Springer Nature’s LaTeX template下载投稿期刊,用上述模板;出现页眉显示标题太长超出页面的问题;如下图:可以看出这个标题超出页面的都直接不显示了。解决:参考这个博客,需要给标题起一个短一点名字,这个名字是标题的代名,仅展示在页眉。为此,找到下述代码,[]里放短一点的别名,{}放长一点的全名。出来效果如图所示:Done!...
2022-03-11 16:11:43
4483
8
原创 命令的形式将png图片转为eps图片的方法
https://blog.csdn.net/xuxinrk/article/details/84756453使用LaTeX编辑论文的时候需要将png格式的图片转换为eps格式的图片(虽然png格式的图片也可以编译)。命令的形式将png图片转为eps图片:确保电脑里已经安装LaTeX编辑工具;Win+R 打开运行窗口,然后输入cmd,打开cmd终端;使用cd、dir等命令切换到图片所在位置;使用命令bmeps -c picturename.png picturename.eps bm.
2022-03-10 16:10:42
1203
原创 excel2latex表格竖线截断不连续不连贯问题
https://blog.csdn.net/QIU_J/article/details/121373452
2022-03-10 16:06:57
2696
1
原创 【论文阅读】2021-(Pidinet)Pixel Difference Networks for Efficient Edge Detection
文章目录摘要1. Introduction摘要motivations:基于CNN的边缘检测的高性能是通过一个大的预训练CNN主干来实现的,该主干占用大量内存和能量。传统边缘检测器(如Canny、Sobel和LBP)很少被研究。contributions:提出了一种简单、轻量级但有效的架构,称为像素差分网络(PiDiNet),用于有效的边缘检测。PiDiNet采用了新颖的像素差卷积,将传统的边缘检测算子集成到现代CNN中流行的卷积运算中,以增强任务性能。experiments:在BSDS500
2021-11-22 17:33:02
9352
4
原创 【论文阅读】局部对比度增强算法:从LCM、PCM到ALCNet
文章目录1. LCM: local contrast method(2014)参考资料与文献:参考博客11. LCM: local contrast method(2014)目标局部对比度的计算方法:第一步:计算周围8个邻域的平均像素值:式中,NuN_uNu表示子窗口中包含的像素数量,IjiI_j^iIji表示第iii个子窗口内的第jjj个像素的像素值第二步:计算局部对比度中心子窗口与其邻域窗口的对比度可表示为:式中,L0L_0L0表示中心子窗口的像素最大值第三步:计算LC
2021-08-01 21:53:35
9197
13
原创 【论文阅读】图像分割损失函数Segmentation loss odyssey
本文参考文献:Ma, J. (2020). Segmentation loss odyssey. arXiv preprint arXiv:2005.13449.其它参考网址文中提到的损失函数的pytorch实现文章目录1.基于分布的损失函数1.1 交叉熵(CE)1.2 加权交叉熵(WCE)1.3 TopKloss1.4 Focal loss1.5 Distance map penalized cross entropy loss (DPCE)2. 基于区域的损失函数2.1 Sensitivity-s
2021-07-12 16:12:56
3041
2
原创 【论文阅读】Unet、Unet++、Unet3+系列论文网络与研究思路解读
[1]Ronneberger, O., Fischer, P., & Brox, T. (2015, October). U-net: Convolutional networks for biomedical image segmentation. In International Conference on Medical image computing and computer-assisted intervention (pp. 234-241). Springer, Cham.[2]Zh
2021-07-09 15:57:47
6268
4
原创 【pytorch】利用tensorboard记录训练过程与查看
文章目录代码读取保存的log代码from torch.utils.tensorboard import SummaryWriter在epoch内保存,三个参数分别为保存字符串名、保存变量和步数writer.add_scalar('training loss', running_loss / 10, epoch * size + step)读取保存的log命令行输入:tensorboard --logdir= /home/...(events保存地址)...
2021-07-09 11:33:01
3094
原创 【深度学习基础知识】Group Nomalization在batch size小时代替BN做归一化
文章目录为什么BN不好?各种归一化的区别Group Nomalization代码实现小结本文参考链接为什么BN不好?BN全名是Batch Normalization,以batch的维度做归一化,此归一化方式对batch是independent的,过小的batch size会导致其性能下降,作者实验发现一般来说每GPU上batch设为32最合适;但是对于一些其他深度学习任务batch size往往只有1-2,比如目标检测,图像分割,视频分类上,输入的图像数据很大,较大的batchsize显存吃不消
2021-07-04 16:19:03
557
原创 【论文阅读】DeepEdge: A Multi-Scale Bifurcated Deep Network for Top-Down Contour Detection(2015)
Bertasius, G., Shi, J., & Torresani, L. (2015). Deepedge: A multi-scale bifurcated deep network for top-down contour detection. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 4380-4389).论文链接代码链接文章目录1.模型结构1.1 单
2021-06-30 16:41:06
1573
1
原创 【论文阅读】Deep crisp boundaries(2017)
原文链接原文代码Wang, Y., Zhao, X., & Huang, K. (2017). Deep crisp boundaries. In Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition (pp. 3892-3900).文章目录摘要1.介绍2. CovNet里的厚边缘3. 网络结构4. 结果4.1消融实验4.2 PR曲线4.3 定量结果4.4直观结果4.5 maximal pe
2021-06-30 11:46:23
500
原创 【论文阅读】CASENet: Deep Category-Aware Semantic Edge Detection(2017)
【原文链接】【原文代码】Yu, Z., Feng, C., Liu, M. Y., & Ramalingam, S. (2017). Casenet: Deep category-aware semantic edge detection. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 5964-5973).文章目录摘要1. 引言2. 模型2.1 基础模型2.2 深度监
2021-06-28 21:21:36
413
原创 【论文阅读】Learning Deep Structured Multi-Scale Features using Attention-Gated CRFs(2017)
Xu, D., Ouyang, W., Alameda-Pineda, X., Ricci, E., Wang, X., & Sebe, N. (2018). Learning deep structured multi-scale features using attention-gated crfs for contour prediction. arXiv preprint arXiv:1801.00524.原文链接原文代码文章目录摘要1. 介绍2. 模型2.1 问题定义与符号说明2.2
2021-06-28 09:34:24
504
原创 【论文阅读】Richer Convolutional Features for Edge Detection(2017)
Liu, Y., Cheng, M. M., Hu, X., Wang, K., & Bai, X. (2017). Richer convolutional features for edge detection. In Proceedings of the IEEE conference on computer vision and pattern recognition (pp. 3000-3009).原文地址代码地址文章目录摘要模型1.模型结构2.损失函数测试时的多尺度融合技巧结果
2021-06-25 17:28:33
405
1
原创 【论文阅读】Object Contour and Edge Detection with RefineContourNet(2019)
原文链接文章目录摘要1. 模型1.1 模型选择&设计概念1.2 网络结构摘要提出一个基于ResNet多路径细化的CNN模型用于轮廓检测。此模型很好的利用了ResNet的高级特征抽象能力,基于特定的顺序融合高级、中级、低级特征,即从高级特征一层一层融合至最底层的特征。在 refined PASCAL-val数据集上ODS为0.752;在 BSDS500 dataset上ODS为0.824。1. 模型1.1 模型选择&设计概念对于轮廓检测,最重要的是模型的高级语义特征提取能力
2021-06-25 15:32:51
289
原创 【论文阅读】Bi-Directional Cascade Network for Perceptual Edge Detection(2019)
论文地址代码地址He, J., Zhang, S., Yang, M., Shan, Y., & Huang, T. (2019). Bi-directional cascade network for perceptual edge detection. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 3828-3837)文章目录摘要1. 介绍2. 模型2.1
2021-06-24 23:00:50
724
2
原创 【论文阅读】Dense Extreme Inception Network: Towards a Robust CNN Model for Edge Detection(2020)
原文链接代码与数据集github网址Poma, X. S., Riba, E., & Sappa, A. (2020). Dense extreme inception network: Towards a robust cnn model for edge detection. In Proceedings of the IEEE/CVF Winter Conference on Applications of Computer Vision (pp. 1923-1932).文章目录一、摘要
2021-06-24 15:43:21
3484
1
原创 边缘检测的评价指标:PR曲线,OIS,ODS,AP的计算与代码实现
文章目录一、Precision(精确率)与Recall(召回率)二、PR曲线:精确率——召回率曲线三、 OIS、ODS、AP的计算参考博客:1、2参考代码:HED的源码、画PR曲线一、Precision(精确率)与Recall(召回率)目标检测:Precision(精确率):预测为正例的结果中有多少是真的正例。强调预测的准确性。Recall(召回率):所有真的正例中有多少被预测为正例。强调把多少真正的正例召唤回来。边缘检测中:Precision(精确率):在边缘检测中精确率
2021-06-23 15:49:37
16350
48
原创 利用labelme创建边缘检测数据集(安装与使用)
利用labelme创建边缘检测数据集(安装与使用)第一步:安装Ananconda第二步:创建环境,安装labelme以及相关依赖库第三步:用labeleme做岩石颗粒的边缘标记第一步:安装Ananconda这个很简单,百度搜索官网下载安装就可以具体可以参考博客的第一部分:博客地址第二步:创建环境,安装labelme以及相关依赖库视频教程:视频地址其中涉及的命令行指令如下,方便大家复制粘贴:1. conda create --name=labelme python=3.62. conda a
2021-05-09 10:58:33
4932
3
原创 【论文阅读】SPMF-Net: Weakly Supervised Building Segmentation...
文章目录摘要2. Methodology2.1 Weak Supervision Label Generation2.1.1 Superpixel Pooling2.1.2 Multi-Scale Feature Fusion2.1.3. CAM Calculation2.2 Building Extraction3 Results and Analysis3.1. Dataset3.2 Data Processing3.3 Parameter Settings3.4 Evaluation Metrics
2021-04-22 20:15:16
2607
2
原创 【论文阅读】Superpixel Convolutional Networks Using Bilateral Inceptions
摘要本文提出了一种用于语义图像分割的CNN结构。我们引入了一个新的“双边感知”模块,可以插入到现有的CNN结构中,并在多个特征尺度上对图像中的超像素进行双边滤波。双边滤波的特征空间和模块的其他参数使用标准反向传播技术进行端到端学习。双边感知模块解决了一般CNN分割体系结构中出现的两个问题。首先,该模块在尊重图像边缘的同时,在(超级)像素之间传播信息,从而使用问题的结构化信息来改进结果。第二,该层从CNN的低分辨率解决方案中恢复全分辨率分割结果。在实验中,我们通过在最后的CNN(1×1卷积)层之间插入我们的
2021-04-20 21:24:27
732
1
原创 【论文精读】Superpixel Sampling Networks(SSN)
【论文精读】Superpixel Sampling NetworksAbstract4 Superpixel Sampling Networks(SSN)4.4 实现与实验参数设定Abstract4 Superpixel Sampling Networks(SSN)4.4 实现与实验参数设定原文code实现:Caffe=+Python输入: xy坐标 + Lab(scaled);γpos表示位置;γcolor表示颜色;γcolor的值与超级像素的数量无关,设置为0.26,颜色值介于0和25
2021-04-18 22:34:51
3884
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人