Wabi―sabi-CSDN博客

原创 React开发环境搭建

（1）首先要安装好node.js（）和vs code（具体配置省略…）node -v：用于代码规范检查：用于代码格式化：用于快速生成React代码片段。

2024-03-21 02:02:59 431

原创训练YOLOv5模型遇到的问题及解决办法

Downloading https://ultralytics.com/assets/Arial.ttf to /…/Ultralytics/Arial.ttf…在train.py文件中的import os后面加上。手动下载该字体添加到指定路径。(每个人电脑不一样)

2024-01-18 10:25:04 630

原创 Transformer进阶分解之Encoder-Decoder、Self-Attention

Transformer进阶分解一、Encoder-Decoder1.1 简介1.2 结构1.3 缺点二、Attention Model2.1 Attention 注意力机制简介（一）Attention2.1.1 Attention 原理2.1.2 Attention 机制的本质思想2.1.3 Attention优缺点（二）Self-attention——attention的改进2.2.1 Self-attention原理一、Encoder-Decoder1.1 简介Encoder-Decoder框架

2021-08-08 15:01:04 2517 1

原创英语六级词汇记忆

词根记忆pre- 时间提前，预先（=before)dic、dict -- 说vi, vis, vid, view = see (看）audi 听pro 时间提前；方向向前spec、spect、spi、spic = look 看pre- 时间提前，预先（=before)prewar 战前的（pre 预先； war 战争）predict v.预言，预测；预示，预告 --> prediction --> predictable --> unpredictab

2021-07-17 20:08:21 334

原创目标检测R-CNN模型

R-CNN学习笔记一、算法总体思路（一）候选框搜索阶段（二）CNN特征提取步骤2.1 网络结构设计阶段2.2 网络有监督预训练阶段2.3 fine-tuning阶段（三）SVM训练、测试阶段（四）问题思考二、R-CNN缺点一、算法总体思路论文采用的算法思路是：输入一张图片，先通过Selective Search定位出2000个物体候选框，然后采用CNN提取每个候选框中图片的特征向量，特征向量的维度为4096维，接着采用svm算法对各个候选框中的物体进行分类识别总的过程分为三个步骤：找出候选框；

2021-07-11 21:34:40 296

原创目标检测简述

目标检测算法一、目标检测1.1 目标检测算法分类1.2 目标检测任务1.2.1 分类原理1.2.2 分类的损失与优化1.2.3 任务1.3 目标定位简单思路1.3.1 回归位置1.3.2 两种Bounding box名称一、目标检测1.1 目标检测算法分类两步走的目标检测：先进行区域推荐，再进行目标分类代表：R-CNN、SPP-net、Fast R-CNN、Faster R-CNN端到端的目标检测：采用一个网络一步到位代表：YOLO、SSD1.2 目标检测任务1.2.1

2021-07-10 14:18:57 197

原创 unet语义分割模型

Unet模型介绍Unet可以分为三个部分，如下图所示：第一部分是主干特征提取部分，我们可以利用主干部分获得一个又一个的特征层，Unet的主干特征提取部分与VGG相似，为卷积和最大池化的堆叠。利用主干特征提取部分我们可以获得五个初步有效特征层，在第二步中，我们会利用这五个有效特征层可以进行特征融合。第二部分是加强特征提取部分，我们可以利用主干部分获取到的五个初步有效特征层进行上采样，并且进行特征融合（对上采样得到的结果进行通道的堆叠），获得一个最终的，融合了所有特征的有效特征层。第三部分

2021-05-31 19:51:21 8450

原创论文整理——用于跟踪散养猪的实时计算机视觉系统的开发

论文简介论文中文翻译:《用于跟踪散养猪的实时计算机视觉系统的开发》论文名称:《Development of a real-time computer vision system for tracking loose-housedpigs》录用日期：2011年1月21日期刊情况期刊:Computers and Electronics in Agriculture期刊情况中科院二区影响因子3.858Q1/Q2分区初审4-6周摘要在不久的将来，家畜法规的变化将要求建立松散的猪饲

2021-05-10 20:46:18 597 1

原创人脸识别论文——发现微小的脸

论文简介论文中文翻译:《发现微小的脸》论文名称:《Finding Tiny Faces》录用日期：2017年4月15日摘要尽管在物体识别方面已经取得了巨大的进步，但仍然存在的一个开放式挑战是探测小物体。我们探讨了在寻找小面孔的背景下的问题的三个方面:尺度不变性的作用，图像分辨率和上下文推理。虽然大多数识别方法的目标是尺度不变，但识别3px高的人脸的线索与识别300px高的人脸的线索本质上是不同的。我们采用不同的方法，训练不同尺度的探测器。为了保持效率，探测器采用多任务方式进行训练:它们利用从单

2021-05-10 18:05:51 521

原创目标检测论文——对小的、杂乱的和旋转的物体进行更稳健的检测：SCRDet

论文简介论文中文翻译:《对小的、杂乱的和旋转的物体进行更稳健的检测：SCRDet》论文名称:《SCRDet: Towards More Robust Detection for Small, Cluttered and Rotated Objects》录用日期：2019年8月10日摘要目标检测一直是计算机视觉中的一个重要组成部分。虽然已经取得了相当大的进展，但对于小尺寸、任意方向和密集分布的物体仍然存在挑战。除了自然图像外，这类问题对非常重要的航空图像尤其突出。本文提出了一种新型的多类别旋转检

2021-05-10 00:25:53 772

原创人脸识别论文整理——深度人脸识别的大边缘余弦损失

论文简介论文中文翻译:《深度人脸识别的大边缘余弦损失》论文名称:《CosFace: Large Margin Cosine Loss for Deep Face Recognition》录用日期：2018年4月3日摘要由于深度卷积神经网络(CNNs)的发展，人脸识别取得了惊人的进展。人脸识别的核心任务是人脸的特征识别，包括人脸的验证和识别。然而，传统的深度cnn的softmax损失通常缺乏识别能力。为了解决这一问题，近年来人们提出了如center loss，large margin softma

2021-05-09 22:30:21 1258

原创动物识别论文整理——一种基于生物特征的鱼类分类模型

论文简介论文中文翻译:《一种基于生物特征的鱼类分类模型》论文名称:《A biometric-based model for fish species classification》录用日期：2018年3月3日期刊情况期刊:Fisheries Research期刊情况中科院二区影响因子2.147Q1分区一般,6-16周摘要鱼类识别对濒危鱼类的生存至关重要。本文提出了一种基于生物特征识别的鱼类物种识别方法。所提议的方法包括三个阶段。在第一阶段，从鱼类图像中提取不同的特征。该阶段

2021-04-23 00:06:06 2362

原创 2021-04-20论文——视网膜识别技术作为绵羊生物识别方法的评价

论文简介论文中文翻译:《青鳉鱼的个体识别和“面部反转效应”》论文名称:《Individual recognition and the ‘faceinversion effect’ in medaka fish (Oryziaslatipes)》录用日期：2017年7月11日期刊情况期刊:Computers and Electronics in Agriculture期刊情况中科院二区影响因子3.858Q1分区初审24-28周...

2021-04-20 17:35:37 642

原创关于动物识别论文的阅读笔记——青鳉鱼的个体识别和“面部反转效应”

论文简介论文中文翻译:《青鳉鱼的个体识别和“面部反转效应”》论文名称:《Individual recognition and the ‘faceinversion effect’ in medaka fish (Oryziaslatipes)》录用日期：2017年7月11日期刊情况期刊:eLIFE期刊情况中科院二区影响因子Q1分区初审24-28周摘要个体识别(IR)是维持群体中各种社会交往的重要手段，人脸识别是IR中最特殊的认知能力之一。我们采用交配偏好系统和电击调节实验

2021-04-20 11:50:03 2198

原创 resnet50网络结构复现——pytorch

残差学习 ——y = F( x,{ w_i }) + x残差学习的block一共包含两个分支或者两种映射（mapping）：identity mapping：是上图右边那条弯的曲线。是指本身的映射，也就是x自身；residual mapping，指的是另一条分支，即F(x)部分，这部分称为残差映射，也就是y-x相比于VGG-19，ResNet没有使用全连接层，而使用了全局平均池化层，可以减少大量参数...

2021-04-18 16:30:15 3740

原创 AlexNet网络对CIFAR10分类——torch实现

一、数据集介绍CIFAR-10 是一个包含60000张图片的数据集。其中每张照片为32*32的彩色照片，每个像素点包括RGB三个数值，数值范围 0 ~ 255。所有照片分属10个不同的类别，分别是 ‘airplane’, ‘automobile’, ‘bird’, ‘cat’, ‘deer’, ‘dog’, ‘frog’, ‘horse’, ‘ship’, ‘truck’。其中五万张图片被划分为训练集，剩下的一万张图片属于测试集。二、代码实现（一）数据预处理import torchimpor

2021-04-08 20:32:55 1742

原创 VGG16网络复现——pytorch

import torch.nn as nnclass VGG(nn.Module): def __init__(self): super(VGG,self).__init__() self.layer1 = nn.Sequential( nn.Conv2d(64, 64, 3, 1, 1), nn.Conv2d(64, 64, 3, 1, 1), nn.ReLU(),

2021-04-06 17:47:56 746

原创 Alexnet分类mnist——torch实现

一、MNIST数据集MNIST 60000训练图像、100000测试图像、10个类别、图像大小1×28×28、内容是0-9手写数字。二、代码实现（一）导包import numpy as npimport torchimport torchvisionimport torchvision.transforms as transformsimport torch.nn as nnimport torch.optim as optimfrom torch.autograd import Var

2021-04-04 15:44:31 757 1

原创第二周——Alexnet网络复现

（一）alexnet网络结构详解第一层：该层的顺序是：卷积—>ReLU—>池化—>归一化卷积池化层原理：根据神经元公式：h(x)=f(wx+b）上式就是神经元所表示的函数，x表示输入（图片矩阵），w表示权重（卷积核参数），b表示偏置，f表示激活函数（ReLU），h(x)表示输出，输出后的数据经过池化，然后归一化。形成完成的卷积池化层。训练卷积神经网络的过程就是不断调整权重w（卷积核参数）与偏置b的过程，以使其输出h(x)达到预期值。参数数量卷积层的参数 = 卷积核

2021-03-26 13:32:49 613 1

原创第三周学习——卷积神经网络（CNN）

一、前期准备（环境配置）（1）在自己的电脑上配置了深度学习cpu版的框架（2）在连接的服务器上配置了深度学习gpu版的框架（3）中间遇到了许多问题，配置方法及问题的解决见另三篇博文https://editor.csdn.net/md/?articleId=114679859https://editor.csdn.net/md/?articleId=114850424https://editor.csdn.net/md/?articleId=115034747另附：%matplotlib i

2021-03-21 14:51:30 1914

原创远程桌面连接

远程桌面连接需要具备的一些条件PS：若以下方法皆不适用，建议使用终极方法——重装系统（一）首先要把被控制的电脑设置成可以远程桌面访问打开控制面板，点击系统和安全（二）从远端访问“win+r”调出命令窗口，输入“mstsc”命令，打开远程桌面控制界面,输入远程连接的电脑的IP和用户名若连接不上，点击左下方的显示选项您的工作凭据不工作解决方案解决方法一：修改组策略在“开始”窗口运行gpedit.msc，进入计算机配置->管理模板->系统->凭据分配->允许

2021-03-20 21:33:12 206

原创深度学习环境搭建（GPU版）

一、前提（一）安装GPU版本的torch和tensorflow之前要先查看自己的显示适配器是否有英伟达（NVIDIA）的显卡，有英伟达的显卡才能使用cuda和cudnn加速深度学习（二）注意cuda与torch和tensorflow版本是否适配，若不适配则无法安装成功二、pytorch GPU配置（一）以管理员身份运行Anaconda Prompt（二）创建pytorch环境conda create -n pytorch python=3.6（三）激活环境activate pytorch

2021-03-20 19:52:29 692 1

原创深度学习框架搭建

深度学习框架搭建框架一：torchconda install pytorch-cpu -c pytorch pip install torchvision框架二：tensorflow（一）准备anaconda环境（二）以管理员身份运行Anaconda Prompt（三）创建tensorflow环境conda create -n tensorflow python=3.6（四）激活tensorflow环境conda activate tensorflow

2021-03-11 20:54:09 538

qq_53640005的博客