RC3D时序动作检测代码调试工作

最新推荐文章于 2021-09-03 09:04:06 发布
最新推荐文章于 2021-09-03 09:04:06 发布
阅读量1k 收藏 7
点赞数 2
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/qq_45783174/article/details/106769920
版权

pytorch版本

环境安装

git地址：https://github.com/sunnyxiaohu/R-C3D.pytorch
ubuntu18.04+CUDA9.0： 环境安装教程
anaconda环境如下：
在这里插入图片描述

数据处理与工程编译

1.需要生成训练文件：
下载 thumos14/activity1.3数据集，在preprocess/thumos14文件夹下：

第一步将训练集处理成帧图像：

generate_frames.py做如下修改：
在这里插入图片描述util.py做如下修改：

最低0.47元/天 解锁文章
切尔西的笑脸橘猫
关注
  • 2
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
R-C3D pytorch版本的代码调试
weixin_43659035的博客
08-26 2329
代码链接：https://github.com/sunnyxiaohu/R-C3D.pytorch 在调试过程中踩了许多大坑，在此将能想到的进行一下总结。 数据集 选用THUMOS2014数据集，他包括行为识别和时序行为检测两个任务。训练集市UCF101包括101类动作，总计13320段已经分割好的视频。他的验证集和测试集分别含有1010个和1574个未分割过的视频，但是其中只含有20类动作...
matlab麦克斯韦速率代码-R-C3D.pytorch:R-C3D。火炬
05-20
matlab麦克斯韦评分代码R-C3D的Pytorch更快实现 消息： 我们重新组织了代码，使其变得更快，更方便。 带标签的是：201810 介绍 此项目是R-C3D的一种更快的pytorch实现，旨在加速R-C3D时间动作检测模型的训练。 在实施过程中，我们引用了以下实施方案： ，是基于Pytorch + TensorFlow + Numpy开发的 ，基于caffe开发，官方实施 与上述实现相比，我们的实现具有一些独特的新功能： 它是纯Pytorch代码。 我们将所有的numpy实现都转换为pytorch！ 它支持并行训练。 我们使用多个GPU包装器（此处为nn.DataParallel），可以灵活地使用一个或多个批处理大小等于或大于1的GPU。 它支持并行测试。 我们使用多个GPU包装器（此处为nn.DataParallel），可以灵活地使用一个或多个批处理大小等于或大于1的GPU。 这是有效的内存。 我们可以在单片1080Ti（11 GB）上训练3dresnet-18并使用batchsize = 3（3个视频缓冲区，缓冲区长度= 768）。 使用8个GPU进行训练时，每个GPU的
时序动作检测《BSN++: Complementary Boundary Regressor with Scale-Balanced Relation Modeling for ……》
胖胖大海的博客
09-03 1577
温馨提示：本文仅供自己参考（勿捧杀），如有理解错误，有时间再改！ BSN++论文涉及的相关算法： 1、BSN：时序动作检测《BSN: Boundary Sensitive Network for Temporal Action Proposal Generation》 2、BMN：时序动作检测《BMN: Boundary-Matching Network for Temporal Action Proposal Generation》 3、Non-Local：《Non-local Neural Ne
R-C3D: Region Convolutional 3D Network for Temporal Activity Detection
LYKymy的博客
09-20 925
Abstract 我们解决了连续的活动检测问题，未剪辑的视频流。这是一项困难的任务需要提取有意义的时空特征捕捉活动，准确定位开始和结束每次活动的时间。我们引入了一种新的模型，区域卷积3d网络（r-c3d），它使用三维全卷积网络对视频流进行编码，然后生成候选的时间区域（包含活动），最后将选定区域分类为特定活动。由于方案和分类管道之间的卷积特征共享，节省了计算量。整个模型采用端到端的训练，同时...
论文阅读：R-C3D: Region Convolutional 3D Network for Temporal Activity Detection
qq_36627158的博客
02-24 656
写在前面 由于这是一篇比较经典的论文，网上相关讲解的文章比较多，我这里就不重复了，主要记录一些自己遇到的问题。 论文详解 参考链接： https://blog.csdn.net/gentelyang/article/details/80483841 https://zhuanlan.zhihu.com/p/34439558 以下引用快内容均参考上面两个链接，有对其中的内容进行调整： R-C3D(Region 3-Dimensional Convolution...
MFRC522测试程序_RC552测试代码_
10-01
主要实现RC552的基本配置，实现RC552的快速通信
rc4_Rc4代码_rc4_
09-29
RC4算法的简单代码，适合初学者，可以自行下载观看理解
iOS 16 RC 真机调试包
09-14
iOS 16 RC 真机调试包 支持16.0(20A362)
钉钉RC版调试包 v5.5.5
03-22
钉钉RC最新版，版本：v5.5.5。含安卓调试包和windows调试包
rc522 射频开发代码和详细解析.zip
10-17
RFID射频开发代码和详细解析!
C3D学习资料
11-27
C3D学习资料 建模 道路 交叉口 路线 横断面 纵断面
R-C3D—基于区域卷积3D网络的时序行为检测
机器学习，深度学习
07-07 2542
R-C3D: Region Convolutional 3D Network for Temporal Activity Detection 论文地址:https://arxiv.org/pdf/1703.07814.pdf 行为检测是行为识别的一个分支，个人认为其目的为了提高行为识别的准度。行为检测处理的对象大部分是视频数据。它完成检测任务大致...
R-C3D代码解析
weixin_43659035的博客
08-11 2077
自己对R-C3D代码的一些理解，本人小白，可能有错 generate_anchors.py anchor_target_layer.py proposal_layer.py proposal_target_layer_cascade.py rpn.py
一篇视频时序检测的老算法：R-C3D（一图读算法）
dl643053的博客
07-06 672
最近翻了一篇老论文R-C3D: Region Convolutional 3D Network for Temporal Activity Detection，该文使用3D卷积+temporal proposal进行时序检测，算法思路简单明了，直接上图： 该算法思路可理解为，将双阶段的目标空间检测向时序维度检测的扩展，因为输入添加了时间维度，故使用了3D卷积，经过backbone前向，将原本L帧的视频信息采样至L/8帧，对L/8的每一帧预测K个temporal anchor proposals，每个p
R-C3D论文详解
Michael’s Blog
04-01 1166
论文链接：R-C3D: Region Convolutional 3D Network for Temporal Activity Detection 代码地址（论文提供地址）：http://ai.bu.edu/r-c3d/ 该论文借鉴图像物体检测中的Faster-RCNN的思想，文章采用3D卷积来获取视频的时序信息，然后通过类似Faster-RCNN的rpn层和roi层输出时间维度的boundingbox，也就是视频中待检测动作的时间段。 一、网络结构 R-C3D的网络结构如下图所示： 从上图可以看出，
R-C3D 视频活动检测
我爱计算机视觉
07-19 414
点击我爱计算机视觉标星，更快获取CVML新技术本文为52CV群友RoseVam投稿，介绍了视频活动检测经典模型 R-C3D: Region Convolutional 3D Networ...
[行为检测]R-C3D-Resgion Convolutional 3D Network for Temporal Activity Detection
热门推荐
faiculty
01-26 1万+
这篇文章是ICCV 2017的一篇文章，作者主要是以C3D网络为基础。借鉴了Faster RCNN的思路，对于任意的输入视频L，先进行proposal，然后3D-pooling,最后后进行分类和回归操作。文章主要贡献点有3个： 可以针对任意长度视频、任意长度行为进行端到端的检测 速度很快(是目前网络的5倍)，通过共享Progposal generation 和Classification网络的...
R-C3D快速视频活动物体检测算法
图像算法Imalg的博客
07-23 981
本文介绍了经典模型R-C3D：用于时间活动检测的区域卷积3D网络。此型号来自ICCV 2017.Google Academic Display被引用了127次。近两年来，这是该领域的一项有影响力的工作。代码一直是开源的。 该算法的基本思想如下： 受目标检测方法F-RN CNR的启发，本文提出了一种区域卷积三维网络（R-C3D）。如上所示，该方法首先在3D完全卷积网络中对视频帧进行编码，然后...
R-C3D Region Convolutional 3D Network for Temporal Activity Detection
weixin_43659035的博客
05-09 812
区域卷积三维网络(R-C3D)，它使用一个三维全卷积网络对视频流进行编码，然后生成包含活动的候选时间区域，最后将选定的区域划分为特定的活动
来一份stm32 f103c8t6 rc522串口测试代码
最新发布
03-16
当然可以！下面是一份基于STM32F103C8T6和RC522模块的串口测试代码示例： ```c #include "stm32f10x.h" #include "rc522.h" void USART1_Init(void) { GPIO_InitTypeDef GPIO_InitStructure; USART_InitTypeDef USART_InitStructure; RCC_APB2PeriphClockCmd(RCC_APB2Periph_USART1 | RCC_APB2Periph_GPIOA, ENABLE); // 配置USART1的引脚 GPIO_InitStructure.GPIO_Pin = GPIO_Pin_9; // USART1_TX GPIO_InitStructure.GPIO_Mode = GPIO_Mode_AF_PP; GPIO_InitStructure.GPIO_Speed = GPIO_Speed_50MHz; GPIO_Init(GPIOA, &GPIO_InitStructure); GPIO_InitStructure.GPIO_Pin = GPIO_Pin_10; // USART1_RX GPIO_InitStructure.GPIO_Mode = GPIO_Mode_IN_FLOATING; GPIO_Init(GPIOA, &GPIO_InitStructure); // 配置USART1 USART_InitStructure.USART_BaudRate = 9600; USART_InitStructure.USART_WordLength = USART_WordLength_8b; USART_InitStructure.USART_StopBits = USART_StopBits_1; USART_InitStructure.USART_Parity = USART_Parity_No; USART_InitStructure.USART_HardwareFlowControl = USART_HardwareFlowControl_None; USART_InitStructure.USART_Mode = USART_Mode_Rx | USART_Mode_Tx; USART_Init(USART1, &USART_InitStructure); // 使能USART1 USART_Cmd(USART1, ENABLE); } void USART1_SendChar(char ch) { while (USART_GetFlagStatus(USART1, USART_FLAG_TXE) == RESET) ; USART_SendData(USART1, (uint8_t)ch); } int main(void) { uint8_t uid[5]; RCC_APB2PeriphClockCmd(RCC_APB2Periph_GPIOC, ENABLE); RC522_Init(); USART1_Init(); while (1) { if (RC522_CheckCard(uid) == MI_OK) { USART1_SendChar('['); for (int i = 0; i < 5; i++) { USART1_SendChar(uid[i]); } USART1_SendChar(']'); } } } ``` 这段代码使用了STM32F103C8T6的USART1串口与RC522模块进行通信。在主循环中，通过调用`RC522_CheckCard`函数检测是否有卡片靠近RC522模块，如果有，则通过USART1串口将卡片的UID发送出去。 请注意，以上代码仅为示例，具体的硬件连接和其他配置可能需要根据你的实际情况进行调整。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 5
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值