- 博客(64)
- 资源 (2)
- 收藏
- 关注
RSS订阅
原创 基于meanshift的目标跟踪详细解读代码（卡尔曼滤波及CAMshift）
近期学习了meanshift，kalman滤波器和CAMshift的原理，简单总结一下。目标跟踪的分类生成式模型（generative）在当前帧对目标区域建模，下一帧寻找与模型最相似的区域为预测位置，比较著名的有卡尔曼滤波，粒子滤波，mean-shift。但这一类方法没有考虑目标的背景信息，图像信息没有得到较好的应用。判别式模型（discrimination）将目标跟踪看作一个...
2020-06-13 14:57:21
8226
21
原创 Carla语义分割图数据的进阶处理
详细代码可见Carla的manual_control.py中的语义分割传感器设置。这里只做核心部分的讲解。链接：https://github.com/carla-simulator/carla/blob/master/PythonAPI/examples/manual_control.py#L1042一、设置语义分割传感器'sensor.camera.semantic_segmentation', cc.Raw, 'Camera RGB Segmentation'注意这里用的是cc.Raw类型.
2021-08-23 14:05:56
1287
3
原创 用tdqm在batch情况下的dataloader联合使用可视化进度
最近在用dataloader写数据集，在使用tqdm的时候遇见了一些问题，经过查找大量的资料，总结一个简单的方法。首先，先设置网络的输入和输出，假设这两个量已经是tensor类型了。输入：tensor_x输出：tensor_y那么导入这个库函数from torch.utils.data import DataLoader, TensorDatasetdataset = TensorDataset(tensor_x, tensor_y)loader = DataLoader(datas.
2021-08-18 15:00:26
3438
原创 Docker的常见用法与Carla的使用
文章目录一、Docker简介1.1 容器与镜像1.2 Docker与GPU二、Docker 拉取镜像2.1 从Docker官网拉取2.1.1 阿里云加速2.2 从阿里云拉取三、Docker 更新镜像3.1 进入容器的方法3.1.1 docker run -it3.1.2 docker exec -it3.2 修改容器内容的方法3.2.1 VIM方法3.2.2 CP方法3.3 更新容器到镜像3.3.1 本地镜像3.3.2 阿里云镜像四、Docker 构建镜像4.1 以Carla为例构建镜像五、Docker 删
2021-04-23 09:28:38
2174
1
原创 在gym的MountainCar环境下，用图片帧作为状态训练DQN网络
Apply DQN in gym environment in MountainCar-v0文章目录Apply DQN in gym environment in MountainCar-v0一、Gym Environment1.1 ACTION SPACE1.2 STATE SPACE1.3 REWARD1.4 DONE二、Deep Q-learning2.1 Preprocess Frame2.2 Stack Frames2.3 Replay Buffer2.4 Q-target network
2021-03-21 11:20:31
1212
1
原创 CARLA平台+Q-learning的尝试（gym-carla）
接触强化学习大概有半年了，也了解了一些算法，一些简单的算法在gym框架也实现了，那么结合仿真平台Carla该怎么用呢？由于比较熟悉gym框架，就偷个懒先从这个开始写代码。项目地址：https://github.com/cjy1992/gym-carla文章目录一、环境配置1.1 基本配置1.2 配置工作环境1.3 运行测试二、环境解读2.1 test.py--超参数设置2.2 环境介绍2.2.1 动作空间2.2.2 状态空间2.2.3 test.py主函数2.3.4 Q-learning2.3..
2021-03-16 19:09:40
6113
17
原创 Ubuntu20.04+Cuda11.2利用GPU运行Docker+Nvidia-Docker的总结
文章目录Docker的学习笔记0.监视显卡1.从官网镜像获取镜像文件2.对容器内的文件并编辑保存2.1 VIM方法2.2 拷贝并更新回容器-本地更新2.3 官方教程-上传到仓库3 Docker文件操作3.1 文件组成3.2 构建镜像3.3 转换成容器Docker的学习笔记0.监视显卡watch -n 1 nvidia-smi1表示每间隔1s监视一下显卡状态1.从官网镜像获取镜像文件参考链接具体操作为：拉取镜像（上海服务器）$ docker pull registry.cn-sh
2021-03-02 21:43:54
2404
原创 [强化学习三]基于值函数和基于策略的学习方法
文章目录4.2 基于值函数的学习方法4.2.1 动态规划算法-Model-based4.2.1.1 策略迭代算法4.2.1.2 值迭代算法4.2.2 蒙特卡洛方法-Model-free4.2.3 时序差分学习方法-Temporal-Difference Learning4.2.3.1 SARSA(on-policy)4.2.3.2 Q学习(off-policy)4.2.4 深度Q网络4.3 基于策略函数的学习方法4.3.1 REINFORCE算法4.3.2 带基准线的REINFORCE算法4.2 基于
2021-01-24 20:12:14
3875
1
原创 [强化学习二]强化学习的基本概念
文章目录4 强化学习4.1 强化学习问题4.1.1 典型例子4.1.2 强化学习的定义4.1.3 马尔可夫决策过程4.1.4 强化学习的目标函数4.1.4.1 总回报4.1.4.2 目标函数4.1.5 值函数4.1.5.1 状态值函数4.1.5.2 状态-动作值函数4.1.5.3 值函数的作用4.1.6 深度强化学习4 强化学习4.1 强化学习问题4.1.1 典型例子K臂赌博机问题悬崖行走问题4.1.2 强化学习的定义在强化学习中，有两个可以交互的对象：智能体和环境(1)智能体可以感知外
2021-01-24 20:03:34
522
原创 [强化学习一]隐马尔可夫基本概念
文章目录隐马尔可夫模型1.隐马尔可夫模型的基本概念1.1 隐马尔可夫模型的三个基本问题2.概率计算方法2.1 直接计算法2.2 前向算法2.3 后向算法（略）隐马尔可夫模型隐马尔可夫模型，（hidden Markov model）是可用于标注问题的统计学习模型，描述由隐藏的马尔可夫链随机生成观测序列的模型，属于生成模型。本章首先介绍隐马尔可夫模型的基本概念，然后分别叙述隐马尔可夫模型的概率计算方法，学习算法以及预测算法。隐马尔可夫模型再语音识别，自然语言处理，生物信息，模式识别等领域有着广泛的应用。
2021-01-24 19:57:09
730
1
原创 Arena仿真-基于超市排队的建模分析
文章目录Arena仿真作业一、问题介绍1.1 模型假设1.2 优化目标1.3 约束条件二、模块设计2.1 Create模块2.2 Decide模块2.3 Assign模块2.4 Process模块2.5 Dispose模块2.6 Entity2.7 Resource2.8 Variable2.9 Queue2.10 整体设计三、仿真结果分析3.1 初始情况3.2 改进方法--一个服务员干两种任务3.3 改进方法--直接优化服务员和收银员的人数四、总结Arena仿真作业一、问题介绍 位于沈阳的某大学
2021-01-15 17:01:49
16153
22
原创 [MATLAB作业二]求解线性代数问题
文章目录0.0 题目0.1 线性代数问题（1）用数值法和解析法求解下面的Sylvester方程，并验证得到的结果（2）试配平下面的化学反应方程式（不需要手算）0.0 题目0.1 线性代数问题（1）用数值法和解析法求解下面的Sylvester方程，并验证得到的结果[3−6−405142−24−63−673−13100−11004034]X+X[3−21−2−92−2−19]=[−21−14125−616−4−4−66−3]\begin{aligned}\begin{bmatrix}3 &
2021-01-15 16:44:49
1857
2
原创 [MATLAB作业一]求解微积分问题
文章目录0.0 题目0.1 求解下面的微积分问题（1）试求出下面的单边极限问题，如果根号的有十重，重新求解极限问题（2）已知如下的向量场F(x,y,z)F(x,y,z)F(x,y,z)函数，试找出MATLAB的函数，直接求出向量场的势函数f(x,y,z)f(x,y,z)f(x,y,z)0.0 题目0.1 求解下面的微积分问题（1）试求出下面的单边极限问题，如果根号的有十重，重新求解极限问题由于题目包括五重和十重两种情况，考虑编写n重的程序进行数值计算来模拟不同情况的极限问题function
2021-01-15 16:34:56
707
原创 设A,B均为n阶方阵，又E-AB可逆，证明：(E-BA)逆=E+B(E-AB)逆A
设AAA,BBB均为nnn阶方阵，又E−ABE-ABE−AB可逆，证明：(E−BA)−1=E+B(E−AB)−1A(E-BA)^{-1}=E+B(E-AB)^{-1}A(E−BA)−1=E+B(E−AB)−1A证明：（主要将EEE拆成合适的形式进行合并）E+B(E−AB)−1A=B[B−1+(E−AB)−1A]=B[(E−AB)−1(E−AB)B−1+(E−AB)−1A]=B(E−AB)−1[(E−AB)B−1+A]=B(E−AB)−1B−1=B(E−AB)−1B−1A−1A=B[AB(E−AB)
2021-01-10 14:57:01
3245
2
原创 画出单纯形法的迭代路径
上升方向/下降方向：如z=x+yz=x+yz=x+y,使得zzz变大的方向因此x+y−z=0x+y-z=0x+y−z=0,(∂f∂x,∂f∂y)=(1,1)(\frac {\partial f}{\partial x},\frac {\partial f}{\partial y})=(1,1)(∂x∂f,∂y∂f)=(1,1),沿着该方向移动函数上升，为上升方向。最速下降方向：−∇f(x)-\nabla f(x)−∇f(x)，即负梯度方向则−∇f(x)=(−1,−1)-\nabla f(x).
2020-12-12 11:42:56
2468
原创 感知器遍历采样和批量采样的更新计算
DEMOxt001.00.752.01.533.02.344.03.2y=wxE=t−y=t−wxy=wx\\E=t-y=t-wxy=wxE=t−y=t−wx遍历采样(在线更新)Δw=βExWnew=wold+Δw\Delta w=\beta E x\\W_{new}=w_{old}+\Delta wΔw=βExWnew=wold+Δw批量采样(计算一轮数据后更新)Δw=β1n∑i=1nEixiWnew=wold+
2020-12-06 17:48:29
220
原创 拉格朗日对偶的实例计算
一、Lagrange 对偶函数1.1 拉格朗日函数1.2 拉格朗日对偶函数二、标准形式线性规划拉格朗日对偶minCTxs.t.Ax=bx≥0min C^Tx\\s.t. Ax=b\\x\ge0minCTxs.t.Ax=bx≥0构建拉格朗日表达式在标准优化形式中，f(x)≤0f(x)\le0f(x)≤0，因此将满足条件的第二条转换为−x≤0-x\le0−x≤0,那么函数表达式如下：L(x,λ,μ)=CTx+∑λi(−xi)+∑μi(Axi−b)=CTx−λTx+uT(Ax−b)=
2020-12-05 11:00:57
8410
4
原创 [BP或门]三层网络的推导及复现
这是一篇很好的介绍文章，对新手很友好，包含代码以及详细的分析环节。最重要的是，变量不多，结构简单，很适合手动推导一遍，再此基础上看其他推导便能如鱼得水。该文章的要领：一个屏幕上放代码，一个屏幕上看注释https://iamtrask.github.io/2015/07/12/basic-python-network/首先明确一点，y=wx+b，类似的w表示斜率，b表示截距项，在文中用矩阵的形式表示w，该文章实现了没有截距项b的部分，后续会更新一下添加偏置项b的程序然后第二点，作者在输入或门的时候，.
2020-11-30 19:32:38
336
原创 PCA均方误差(MSE)最小化和方差最大化的推导
部分参考[https://zhuanlan.zhihu.com/p/77151308]，结合自己的一些理解和统计学习方法，补充了一些推导过程)一、方差的定义 Var(x)=1m∑i=1m(xi−μ)2\begin{aligned}Var(x)=\frac{1}{m}\sum_{i=1}^m{(x_i-\mu)^2} \\\end{aligned}Var(x)=m1i=1∑m(xi−μ)2去除均值，方便计算x←x−E[x]x\leftarrow x-E[.
2020-11-27 15:05:32
5754
3
原创 用朴素贝叶斯分类方法解决MNIST手写数字分类问题
https://blog.csdn.net/qwe900/article/details/109774223111
2020-11-26 15:57:48
1389
1
原创 用最小二乘法解决MNIST手写数字分类问题，并结合随机特征法改进
选自线性代数经典教材Introduction to Applied Linear Algebra Vectors, Matrices, and Least Squares而且，这本书免费下载！讲解最小二乘法非常透彻，比如包括它的回归和分类(包括多分类)以及非最小二乘和它们有约束问题的应用。手写字体分类题目在本书的第490页本书的下载链接：https://www.getfreeebooks.com/introduction-to-applied-linear-algebra-vectors-matr.
2020-11-23 21:37:00
1942
3
原创 [决策树]西瓜书中增益、增益比率以及基尼系数的计算
决策树：分裂（Splitting）、停止（Stopping）与剪枝（Pruning）一、Splitting问题：怎样找到最好的分裂属性？希望内在的节点有更高的纯度。怎样去衡量纯度呢？信息熵（Information entropy）是来评判采样D的纯度Ent(D)Ent(D)Ent(D)的值越小表示纯度越高当概率pkp_{k}pk为111的时候，Ent(D)Ent(D)Ent(D)的值为000，也就是说全都是这种情况，纯度很高。当概率pkp_{k}pk为12
2020-11-23 21:35:42
3462
原创 pytorch的GPU编程以及cuda,numpy与cuda数据转换方法
环境：Ubuntu 20.04 +pytorchGPU版本一、GPU1、查看CPU是否可用2、查看CPU个数3、查看GPU的容量和名称4、清空程序占用的GPU资源5、查看显卡信息6、清除多余进程二、GPU和CPU1、GPU传入CPU1.1 另一种情况2、CPU传入GPU3、注意数据位置对应三、Numpy和Tensor（pytorch）1、Tensor转成Numpy2、Numpy转成Tensor3、Cuda转成Numpy一、GPU1、查看CPU是否可用print (torch.cuda.is_avail
2020-11-20 17:11:23
13440
原创 np.random.choice随机给数组指定的一组值
问题比如我想生成一个5000*494的数组以50%的概率给-1或者+1，想到的方法是： Random_feature=np.zeros((5000,494)) for i in range(5000): for j in range(494): Random_feature[i,j]=np.random.choice([1,-1])#这样写运行太慢这样写的话循环运行太慢，那么经过查阅有如下写法：格式np.random.choice(a, si
2020-11-17 18:39:02
512
原创 已知某物理量y与另外两个物理量t1和t2的依赖关系式，确定参数并求其最小二乘问题的数学模型
x1、x2、x3x_{1}、x_{2}、x_{3}x1、x2、x3为待定参数，为了确定这三个参数，测得t1、t2、yt_{1}、t_{2}、yt1、t2、y的5组数据：y=x1x3t11+x1t1+x2t2y= \frac{ x_{1}x_{3}t_{1} } { 1+x_{1}t_{1}+x_{2}t_{2} } y=1+x1t1+x2t2x1x3t1t1t_{1}t1t2t_{2}t2yyy110.126210.21912
2020-11-09 13:02:59
908
原创 [详细推导]基于EKF的小车运动模型的python编程实现
任务介绍在本任务中，您将使用可用的测量值和运动模型来递归估计车辆沿轨迹的位置。车辆有了非常简单的LIDAR传感器，可以返回与环境中各个地标相对应的范围（range）和方位测量值（bearing）。假定地标的所有位置是已知的并假设他们已知的数据关联，即哪个度量属于哪个界标。.运动和测量模型运动模型车辆运动模型将线速度和角速度里程计读数作为输入，并输出车辆的状态（即2D状态）：xk=xk−1+T[cosθk−10sinθk−1001]([vkωk]+wk) , wk=N(0,Q)\b
2020-11-04 11:28:37
4860
5
原创 [详细教程]新版labelme标注后的json文件，提取不同的标签后批量注入到新的背景中作为人工数据集
步骤一、 配置labelme环境二、 用labelme标记数据得到json文件三、提取json文件出相应标签的信息四、注入到新的背景一、 配置labelme环境安装anaconda建立一个环境名为labelme，版本为3.7的环境。conda create -n labelme python=3.7切换到该环境conda activate labelme安装pyqt5和labelmepip install pyqt5pip install labelme在该环境下输
2020-11-01 17:18:24
7883
6
原创 [五组数据]详解一个简单的卡尔曼滤波器python编程实例
上半年毕设的时候接触了卡尔曼滤波器，用matlab实现了该过程，尝试在一个课后作业中用三维度矩阵来存储变量的方式，结构似乎更好理解，记录一下分析的过程。假如有一块电阻，你不知道它的阻值是多少，你想通过多次测量电压和电流值，从而用定义法求出来它的阻值大小，测量结果如下表所示：Current (A)Voltage (V)0.21.230.31.380.42.060.52.470.63.17但实际上，每次测量都有一些‘噪声’，因此修正的公式应该是.
2020-10-29 16:19:51
1198
原创 级数与微分方程结合
幂级数求和有很多方法，如常见的逐项求导逐项积分，或者其他的方法这里想一种情况，将级数求和问题转换成微分方程，通过解出微分方程的通解，间接的求出了级数的和。思路是这样的，通过拆分级数的形式，加加减减去掉了级数的部分（转换和函数的形式，变成题目或者你熟悉的函数展开的形式），从而就转换成了微分方程。记住先判断收敛。那么也就是说分成两种情况：已知an通项，求级数的和已知微分方程，求an通项求出通解后泰勒展开，注意起始相同次数相同，多余的拿出来，那么求出来f的形式，如果你给定了初始值，那么就能写出
2020-10-18 09:33:00
1863
3
原创 设T是R3的线性变换，定义为T（x,y,z）=(0,x,y),求T2的像集及核
T2(x,y,z)=T[T(x,y,z)]=T(0,x,y)=（0,0,x）该变换的几何意义是投影到xoy平面。核子空间的意义是，在线性变换后作用是零，因此T2下，只要取第一个变量为0即可，如T2（0,y,z）=0， 那么这种情况下的坐标基底为（0,0,1）和（0,1,0）即可表示所有让变换后为0的情况，表示出（0,y,z）像子空间的意义是，在V中所有的元素构成的，经过T2后，由于只剩下x分量，因此基底为（0,0,1）因此 T2V=L（0,0,1）,kerT2=L(（0,0,1），（0,
2020-10-16 14:49:39
5231
原创 [考研数学]概率论难点总结：样本标准差，样本均值，均值的期望和方差，与t分布、卡方分布和F分布的关系及推导
首先需要清楚一件事情，样本均值为X拔(上面有个棍)样本的均值是讲从总体中抽样，这些样本的均值，而均值是指所有样本的真实均值。后面部分很好推导，将括号展开后，由三部分组成，中间的部分为2倍的样本和样本均值的乘积，将样本的和变成n倍的样本均值即可。那么分四种情况进行讨论。分别是：样本均值服从什么样的分布？特殊的卡方1分布。样本均值的经过变换后服从t分布，此时还可以写成什么样的F分布？卡方n-1的分布，抽样-均值，他们的方差和期望如何推导？卡方n的分布，抽样-样本均值，他们的方差和期望如何推导？
2020-10-16 12:09:55
23264
原创 [配置Carla0.8.4环境]Introduction to Self-Driving Cars 大作业
在页面下载后，先看一下硬件配置。软件配置，基本都win10了，不用管。需要啥呢anacondapython 3.5/3.6 ，测试3.6是可以的，3.73.8都不可以按照说明，将下载的解压到对应的文件夹里。\> C:\> cd \Coursera\CarlaSimulator\> CarlaUE4.exe -windowed -carla-no-networking在anaconda shell的命令行里切换到路径后，打开这个，会出现个大窗口，如果想要调整装.
2020-10-13 21:37:06
2023
12
原创 [自动驾驶系列一]Introduction to Self-Driving Cars
Introduction to Self-Driving CarsModule 1: The Requirements for AutonomyLesson 1: Taxonomy of DrivingLesson 2: Requirements for PerceptionLesson 3: Driving Decisions and ActionsAdvice for Breaking into the Self-Driving Cars IndustryModule 2: Self-Driving H
2020-10-11 22:06:39
2745
1
原创 [文献精读] Summit:A Simulator for Urban Driving
Summit:A Simulator for Urban Driving思维导图摘要I. INTRODUCTIONII. RELATED WORKA 现有的驾驶模拟器B 人群模拟算法III. SUMMIT模拟器A 表示真实世界的地图B 人群行为模型C 接口IV. 根据语境感知（CONTEXT-AWARE）制定POMDP规划信念追踪语境POMDP（Context-POMDP）V. 结果A 真实世界的基准情景B 基准情景下的模拟与基于规则的模拟比较D 模拟的效率和可扩展性E CONTEXT-POMDP规划器的驾
2020-10-05 15:33:28
985
原创 [文献精读] End-to-End Model-Free Reinforcement Learning for Urban Driving using Implicit Affordances
End-to-End Model-Free Reinforcement Learning for Urban Driving using Implicit Afforda摘要1 引言2 相关工作2.1 用RL实现端对端无人驾驶2.2 辅助任务和学习能力3 Carla的挑战4. 方法4.1 RL设置 Rainbow-IQN Ape-X4.2 奖励设计（reward shaping）4.3 网络结构5 在复杂的自动驾驶任务中应用RL的挑战和解决方案5.1 训练具有高复杂度输入大小的RL：隐性潜在动作如何用更大的
2020-09-27 18:53:30
1203
2
原创 Ubuntu 20.04安装基于CARLA的SUMMIT无人驾驶仿真平台
pip3安装问题参考这里提示需要加入 --no–warn-script-location那么直接运行pip3 install --user pathlib Pyro4 --no--warn-script-location官方安装教程在这里那么安装好packages后，两个可选择的先没有安装。然后下载SUMMIT即可.最新版是Carla0.9.8，在它基础上开发的SUMMIT。为了加快下载速度，精简版（llite）排除了很多您可能不需要运行SUMMIT的CARLA资产。如果您需要访问所有
2020-09-22 14:53:35
3200
1
原创 X1X2独立均为指数分布，证明Y=X1/X1+X2是均匀分布
帮同学做了一道证明题，概率论知识忘光了，翻了下笔记勉强做上来。整理一下（范围没有写，主要是大于0的部分写上去，其余小于0的为0）：主要运用了卷积公式。过程分两步，第一步是通过定义，先求两个变量的商的分布函数，然后运用卷积公式，求一下导数，然后积分得到了它的概率密度函数，最后通过积分算得Y的F函数。...
2020-09-21 22:34:44
5846
原创 强化学习（一）Fundamentals of Reinforcement Learning
强化学习（一）Fundamentals of Reinforcement Learning第〇章 An Introduction to Sequential Decision-Making0.1 Sequential Decision Making with Evaluative Feedback0.2 Learning Action Values0.3 Estimating Action Values Incrementally0.4 What is the trade-off?0.5 Optimisti
2020-09-21 22:08:12
2529
原创 强化学习系列笔记
强化学习强化学习（一）Fundamentals of Reinforcement Learning强化学习（二） Sample-based Learning Methods一、Monte Carlo Methods for Prediction & Control二、Temporal Difference Learning Methods for Prediction三、Temporal Difference Learning Methods for Control强化学习（三） Sample-ba
2020-09-20 15:49:18
177
Meanshift及Kalmam，CAMshift的动画公式详细解读.pptx
2020-07-22
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人