- 博客(18)
- 收藏
- 关注
RSS订阅转载 C++核心编程
C++核心编程本阶段主要针对C++面向对象编程技术做详细讲解，探讨C++中的核心和精髓。1 内存分区模型C++程序在执行时，将内存大方向划分为4个区域代码区：存放函数体的二进制代码，由操作系统进行管理的全局区：存放全局变量和静态变量以及常量栈区：由编译器自动分配释放, 存放函数的参数值,局部变量等堆区：由程序员分配和释放,若程序员不释放,程序结束时由操作系统回收内存四区意义：不同区域存放的数据，赋予不同的生命周期, 给我们更大的灵活编程1.1 程序运行前 在程序编译后，生成了ex
2022-03-22 10:38:58
349
原创 C++基础入门
C++基础入门1 C++初识1.1 第一个C++程序编写一个C++程序总共分为4个步骤创建项目创建文件编写代码运行程序1.1.1 创建项目 Visual Studio是我们用来编写C++程序的主要工具，我们先将它打开1.1.2 创建文件右键源文件，选择添加->新建项给C++文件起个名称，然后点击添加即可。1.1.3 编写代码#include<iostream>using namespace std;int main() { cout
2022-03-03 21:17:33
1737
原创 红外小目标检测之DANNet
Dense Nested Attention Network for Infrared Small Target Detection
2021-10-18 16:33:50
6233
7
原创 红外小目标检测之——Miss Detection vs. False Alarm
简单总结基于条件生成对抗网络Conditional Generative Adversarial Network降低图像分割中目标漏检(Miss Detection, MD)和虚警(False Alarm, FA)。该检测方法将降低MD和降低FA独立为两个子任务，设置了两个生成器G1和G2，以及一个判别器D。三个网络相互进行对抗，实现MD和FA的平衡。贡献在于：1.利用最小化MD和最小化FA的可分离性，将ISOS任务分解为两个独立且简单的子任务。与现有的单一网络分割方法相比，该方法降低了模型和网络设计的
2021-09-18 15:46:40
1152
1
原创 红外弱小目标检测之TBC-Net
总结我的一些理解和看法：19年提出的TBC-Net算法将深度学习应用到了红外弱小目标检测领域，网络轻量级，并能在NVIDIA Jetson AGX Xavier嵌入式开发板上实现实时性。TBC包含TEM和SCM，最厉害的点在利用SCM对图像中存在目标的个数（0 1 2 3）进行分类，训练TEM时（预先训练好的SCM参数不变）损失函数增加了一项fC(也就是文章所提的语义约束项），增添了语义信息。网络结构涉及到的图像表示：1.target extraction module (TEM)TEM模块是一
2021-07-23 12:03:53
1111
1
原创 红外小目标检测之LCM与MPCM
红外小目标检测方法之LCM与MPCMLCM（局部对比度方法）2013算法流程1 ：计算局部对比度：将一个patch分为9个cell，其中0代表目标可能会出现的区域，如下图所示：分别计算0-8cell内的灰度均值：计算区域0 内的灰度最大值Ln，与其余区域的均值作除法，得到不同方向上的对比度，为了增强目标，定义局部对比度Cn如下：得到一张与原图大小一样的对比度图2： 多尺度局部对比度：计算不同尺寸patch下的局部对比度图，在每一个像素位置都取最大的对比度作为最终结果。3：阈
2021-07-21 10:25:50
8071
10
翻译 SiamRPN++论文笔记
Introduction主要介绍了本篇文章的主要贡献对孪生神经网络跟踪器进行深入分析，并证明了当使用深度网络时导致精度下降的原因是严格的平移不变性被破坏。提出了一种简单而有效的采样策略来打破空间不变性的限制，成功地训练了由ResNet结构驱动的孪生网络跟踪器。propose a layer wise feature aggregation structure for the cross-correlation operationpropose a depth-wise separa
2020-10-26 23:19:35
477
1
翻译 Fully-Convolutional Siamese Networks for Object Tracking论文笔记
Abstract.传统上，任意目标跟踪的问题是通过在线学习目标的外观模型来解决的，使用视频本身作为唯一的训练数据。尽管这些方法取得了成功，但它们只在线学习的方法从本质上限制了它们可以学习的模型的丰富程度。近来，人们多次尝试开发挖掘深度卷积网络的表达能力。但是，当跟踪的目标事先未知时，需要在线进行随机梯度下降（SGD）来调整网络的权值，严重影响了系统的速度。本文在ILSVRC15视频对象检测数据集...
2020-10-26 23:19:01
493
翻译 Deeper and Wider Siamese Networks for Real-Time Visual Tracking 笔记
摘要使用现有的强大架构直接替换主干，例如ResNet [14]和Inception [33]，并没有带来改进。主要原因是1）神经元感受野的大幅增加导致特征可辨性和定位精度降低; 2）卷积的网络padding在学习中引起位置偏差。为了解决这些问题，我们提出了新的残差模块，以消除填充的负面影响，并进一步设计使用这些模块的新架构，具有受控的感受野大小和网络步幅。1 introduction我们用更...
2020-03-17 17:44:56
228
翻译 SiamRPN论文笔记
摘要SiamRPN包含用于特征提取的Siamese子网络（Siamese subnetwork）和候选区域生成网络（region proposal subnetwork），其中候选区域生成网络包含分类和回归两条支路。 在跟踪阶段，SiamRPN将跟踪视作单样本检测任务（one-shot detection task）,就是把第一帧的目标视为检测的模板，在后续帧里面检测与它相似的目标。得益于这些改...
2020-03-14 21:33:25
1118
1
原创 GOT10K toolkit的使用以及使用python版本的OTB工具包对tracker对比
本文主要是记录一下是怎么使用GOT10K toolkit对跟踪器进行评估，以及使用python版本的OTB工具包画出最后的结果图。中间也是遇到很多地方不懂，记录下小白磕磕绊绊的过程。GOT10K toolkit在不同数据集上对跟踪器进行评估GOT-10k Python Toolkit是一个很强大的工具包，该工具包对目前主要用到的跟踪基准测试集均提供非官方的数据下载接口以及跟踪的实现：OTB (...
2020-03-14 16:35:14
9659
18
原创 用PIL中Image.open打开图像并转换为np.asarray时遇到的坑
当用PIL中的Image.open打开图像时，image.size = (w,h)即（列，行）—>(x,y)如果把该图载转换为易于操作的ndarray形式，则：image = np.asarray(image)转换后的image.shape=（h,w,c）c为通道数，RGB图像c=3(h,w)为（行，列），即为（y,x）...
2020-03-05 13:11:49
3024
翻译 torch.nn.functional.conv2d的用法
torch.nn.functional.conv2d(input, weight, bias=None, stride=1, padding=0, dilation=1, groups=1) → Tensor注意：！！！对F.conv2d一样适用
2020-03-01 17:59:49
5051
翻译 pytorch中训练模型的保存和提取
有两种方式只保存模型的参数：torch.save(the_model.state_dict(), PATH)、之后需要的时候把模型参数再次提取出来：the_model = TheModelClass(*args, **kwargs)the_model.load_state_dict(torch.load(PATH))保存整个模型torch.save(the_model, PAT...
2020-02-27 21:49:14
674
翻译 pytorch中BatchNorm2d的用法
CLASS torch.nn.BatchNorm2d(num_features, eps=1e-05, momentum=0.1, affine=True, track_running_stats=True)基本原理为：如图所示，块标准化的目的就是让传输的数据合理的分布，加速训练的过程。输入为一个四维数据(N,C,H,W)，N-输入的batch size，C是输入的图像的通道数，(H,W...
2020-02-26 20:09:39
4823
翻译 TORCHVISION.TRANSFORMS包的用法
TORCHVISION.TRANSFORMS包中部分类的用法CLASS torchvision.transforms.Compose(transforms)将需要进行变换的操作组合起来 例如```python>>> transforms.Compose([>>> transforms.CenterCrop(10),>>>...
2020-02-23 18:12:16
197
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