qq_44109682的博客

平面左右手坐标系，旋转矩阵转换

前言之前已经梳理过了前向传播过程，接下来要介绍的是反向传播过程的源码解析。正文firstat::Tensor ROIAlignRotated_backward_cpu( const at::Tensor& grad, const at::Tensor& rois, const float spatial_scale, const int pooled_height, const int pooled_width, const int batch_size, const

前言最近在忙于学业的同时，终于将之前一直心心念念的rotate roi align的源码通读了一遍，通读完毕之后感觉真的收获颇丰。由于想限制篇幅，不给读者造成太多的阅读压力，所以本篇博客只介绍前向过程的源码，下篇博客再介绍反向过程的源码。(ps:本次阅读的源码主要参考自detectron2框架，mmdetection框架的源码也是基于此进行了些许的优化，etc：加入了旋转方向的判断)。正文通常提出的算子在pytorch本身不支持自动求导的情况下，都会利用torch.autograd.Function

前言最近正在学习mmdetection中assign和sample的相关结构，故写此篇博客做一些简单的介绍。正文assign在mmdet中，官方提供了许多种anchor与bbox的匹配机制，其中包括：max_iou_assigner，atss_assigner等等。但是不论这些匹配细则发生怎样的变化，但是有一条语句却始终没有变化：return AssignResult(num_gt, assigned_gt_inds, max_overlaps, labels=assigned_labels)#

前言最近，抽了一些时间阅读了李航老师的《统计学习方法》的支持向量机相关章节。读着读着发现我之前对于该节的理解十分的浅薄，虽然目前还不能把所有内容全部吃透，我选择将相关内容记录下来，以便后续进行更加深入的研究。正文支持向量机（support vector machines）是一种二分类模型，它的本质其实是一种定义在特征空间的线性分类器。而根据特征空间中所给的特征数据不同，支持向量机通常可以分为：线性可分支持向量机，线性支持向量机，以及非线性支持向量机。线性可分支持向量机何为在特征空间中线性可分呢，直

前言最近在改一些小demo，让自己在假期之后也不会对相关编程语言过于生疏。今天在修改yolov5的过程中，我注意到了一些我之前没有注意到的点。那便是关于pytorch张量的拷贝到底哪些算是浅拷贝哪些是深拷贝的问题。正文...

前言最近需要将训练好的模型利用docker封装成镜像上传，之前曾经自学过一段时间docker（没接触过swam，compose，原因是没有那么多集群给我去部署），但是在封装的过程中还是遇到了许多问题，特此记录一下踩到坑。注意：本次的系统为ubuntu18.04 LTS正文安装docker对于docker的安装其实问题不算很大，只要遵循官网上的相关教程（前提需要一点英文储备），就能很轻松的安装上docker引擎。安装nvidia-container-toolkit一开始我以为安装完docker

前言最近抽时间在选读《统计学习方法》，发现里面的有些内容写的比花书和西瓜书更详细，所以想要将其记录下来，以下的内容在原书中都能找到，该博客算作一篇备忘性质的博文。正文大致思想PCA（principal component analysis）通俗来说就是一种数据降维的方法，将数据中的带有相关性的变量转换成更少的且线性无关的变量表示，以便于人们更好的分析数据信息。以二维空间的数据分布来做一个直观的解释...

前言之前一直想要好好理一理pytorch中torch.utils.data模块，却一直没有找到完整的时间。最近终于可以完整地理解一下了。本篇博客主要参考自知乎以及官方文档，再结合我自己对于例程的理解。（PS：对于前半部分模块的理解可能有点偏向于文档翻译，但是这之中也有我自己的一些感悟在其中）>>>import torch>>>print(torch.__version__)>1.6.0torch.utils.data简单理解在该模块中有三个小模块是

前言最近在复习AD中画PCB板时的DRC规则，在这里做一个常用规则的简单总结。（虽然有时候可以无脑将除电气规则以外的其他规则全部取消勾选，但是这样并不好）正文ElectricalClearance Constraint 走线的线路间隔Short-Circuit 是否出现短路RoutingUn-Routed Net Constraint 走线的线路没有连接上Modified Polygon 铺铜完对元器件又进行了修改需要再一次重新铺铜Width Constraint 走线的宽度设置

前言由于在遥感目标检测中经常会涉及到任意方向矩形的五个参数转换成水平外接矩形四个参数或者四个顶点的八个坐标参数；这些转换虽然并不难，但是如果身边没有现成代码去参考的话，还是得自己重新画图去推导一遍（个人认为还是蛮费时间的）。所以这篇博客的主要目的就是帮助我和有相同困扰的同学快速回忆起相关公式。正文首先，推导所需图片如下图所示：任意方向的矩形参数通常为(x,y,w,h,θ)(x,y,w,h,\theta)(x,y,w,h,θ),在这里θ\thetaθ的角度如图所示（如格式不同，可自行转换适应）水平

前言在遥感目标检测中，由于DOTA数据集本身类别的样本数量是极度不均衡的；所以，使用合适的数据增强，可以在一定程度上提升模型的最终检测性能。而在之前的一篇博客中，我提到过使用随机旋转的方法进行增强，但是代码运行完毕之后最好还是需要进行可视化操作验证更为稳妥，所以便有了cv2.polylines这一函数的出现，该函数可以画任意的多边形。正文这里使用python版本的函数举例，可以发现该函数所需要的参数主要为polylines(img, pts, isClosed, color, thickness=N

前言最近在阅读关于遥感目标检测论文的时候，发现很多论文在处理DOTA数据集时都会使用随机旋转的方式进行增强，更是有大佬在论文中直接表明，通过数据增强直接把模型的性能从65拉到了70左右，这句话在我心中激起了阵阵波澜。因为，我之前使用数据增强的方式基本上是按照通用目标检测的路子往下走的，顶多使用随机水平方向的翻转以及图片像素值的标准化。所以身为一名炼丹师，这种能够提升模型性能的方式当然不能错过，但是通过魔改网上开源代码进行随机旋转移植到我的mmdetection框架中时却遇到了loss为nan、inf的情况

前言最近考虑在对数据集做一些额外的数据增强（主要是随机以任意角度进行旋转），在阅读别人的源码时发现了cv2.getRotationMatrix2D()这一函数，顿时觉得该函数确实有用，查阅相关资料后，得到相关的用法总结（为了保证阅读观感不会涉及到太多原理的矩阵推导，仅为直观理解）。正文旋转矩阵(逆时针)为：M=(cos(θ)−sin(θ)sin(θ)cos(θ))M=\begin{pmatrix}cos(\theta) & -sin(\theta) \\sin(\theta) &am