深度学习
Recursions
这个作者很懒,什么都没留下…
展开
-
Xception
我们给出了卷积神经网络中Inception模块的一种解释,它是常规卷积和深度可分卷积操作(一个深度卷积和一个点卷积)之间的中间步骤。原创 2022-11-19 22:12:00 · 303 阅读 · 0 评论 -
Twins: Revisiting the Design of Spatial Attention inVision Transformers
我们提出了两种视觉变压器架构,即Twins-PCPVT和TwinsSVT。我们提出的架构是高效的和易于实现的,将transformers应用于视觉任务的主要问题之一是transformers的空间自注意操作的计算复杂度较大,其输入图像的像素数呈二次增长。.这导致了我们提出的第一个架构,称为Twins-PCPVT。在此基础上,我们进一步提出了一种精心设计但简单的空间注意机制,使我们的架构比PVT更有效。我们的注意机制是受到广泛使用的可分离深度卷积的启发,因此我们将其命名为空间可分离自注意(SSSA)。原创 2022-11-03 11:03:23 · 881 阅读 · 0 评论 -
PriorLane: A Prior Knowledge Enhanced Lane Detection ApproachBased on Transformer
此外,每个补丁转换成一个向量大小1××线性投影,因此当地先验知识表示为“知识嵌入”,用X表示,相应的大小为(H/P)×(W/P)×Ep。更重要的是,本文提出了一种新颖的通用框架PriorLane,该框架通过引入低成本的局部先验知识来提高全视觉转换器的分割性能。但该距离内的图像分辨率较低,模型难以计算出低分辨率特征与相应的先验知识之间的注意力,因此,当感知范围太大时,注意力会降低。提出了一种新的通用框架PriorLane,通过将图像特征与低成本的局部先验知识相结合,提高了车道分割的性能。原创 2022-10-22 21:50:30 · 832 阅读 · 0 评论 -
EfficientViT: Enhanced Linear Attention forHigh-Resolution Low-Computation Visual Recognition
我们建议通过在每个FFN层中插入一个额外的深度卷积来增强线性注意因此,我们不需要依赖线性注意来提取局部特征,避免了其在捕获局部特征方面的弱点,并利用了其在捕获全局特征方面的优势。表明线性注意是软极大度注意的有力替代方法,并且对硬件更友好,我们提出增强线性注意来解决线性注意的局部特征提取的局限性。现有的方法(如Swin、PVT)限制了局部窗口内的softmax attention,或降低键/值张量的分辨率,以降低成本,这牺牲了ViT在全局特征提取方面的核心优势。相比之下,软度注意的准确性变化不大。原创 2022-10-20 22:15:51 · 889 阅读 · 0 评论 -
Resnet网络详解
Resnet网络详解。原创 2022-10-08 22:14:57 · 346 阅读 · 0 评论 -
GoogleNet详解
GoogleNet详解。原创 2022-10-06 13:03:52 · 161 阅读 · 0 评论 -
Alexnet详解
Alexnet详解。原创 2022-10-03 21:34:25 · 180 阅读 · 0 评论 -
VGG网络详解
VGG网络详解原创 2022-09-27 20:39:37 · 285 阅读 · 0 评论 -
Ultra Fast Deep Lane Detection with HybridAnchor Driven Ordinal Classification
在我们的工作中,类是有序的(例如,第8类的车道坐标总是在空间上在第7类的车道坐标的右边)。例如,像第7.5类这样的非整数类是有意义的,它可以被看作是介于第7类和第8类之间的中间类。对于一个更大的维度,每个类代表一个更窄的位置范围(每个类的定位能力更好),但分类本身比较困难。行锚难以定位水平车道(侧车道),同样也使列锚难以定位垂直车道,根据上述观察结果,我们建议使用混合(行和列)锚点来分别表示不同的车道。车道用行锚点上的点表示。相反,当车道和锚点是垂直的时,锚点系统引入的误差最小的,它等于理想的定位误差ε。原创 2022-09-25 15:01:08 · 994 阅读 · 0 评论 -
opencv快速入门(四)——模糊
opencv快速入门(四)——模糊。原创 2022-09-21 20:50:25 · 634 阅读 · 1 评论 -
opencv快速入门(三)——图像几何变换
opencv快速入门(三)——图像几何变换。原创 2022-09-20 11:58:10 · 646 阅读 · 0 评论 -
opencv快速入门(二)——图像像素线性变换和非线性变换
opencv快速入门(二)——图像像素线性变换和非线性变换。原创 2022-09-14 23:42:32 · 880 阅读 · 0 评论 -
opencv快速入门(一)——图像运算
pencv快速入门(一)——图像运算。原创 2022-09-14 23:25:30 · 533 阅读 · 0 评论 -
iris数据集分类
iris数据集分类。原创 2022-09-07 00:28:15 · 370 阅读 · 0 评论 -
RCLane: Relay Chain Prediction for LaneDetection
给定一个图像∈RH×W×3,分割头预测二进制分割面具S∈RH×W×1,转移头预测转移地图T由向前和向后部分Tf,Tb∈RH×W×2,和距离头预测的距离地图D由Df,Db∈RH×W×1。每个中继站p=(px,py)预测在同一车道上的相邻点p下=(p下x,下xy)的偏移,如等式所示2、在两个方向上的3。在四个主要的车道检测基准上的广泛实验表明,我们的方法击败了最先进的替代方案,通常以一个明显的优势,并实现了实时性能。详细地说,我们设计了一个距离头来预测距离图D,它由前向和后向分量Df,Db∈RH×W×1组成。原创 2022-09-04 22:58:05 · 647 阅读 · 0 评论 -
RESA: Recurrent Feature-Shift Aggregator for Lane Detection
因此,可以在传播过程中不丢失信息的情况下收集不同的切片特征图。RESA将首先在垂直和水平方向上切割特征地图,然后让每个切片特征接收到与特定步幅相邻的另一个切片特征。在本文中,我们提出了一个新的模块并行特征转移聚合器(RESA),用普通CNN进行初步特征提取后,以丰富车道特征。如表8所示,具有相同核宽度的RESA比SCNN快10倍左右,这使得我们的方法有望应用于实时应用。如图5所示,由于严重的遮挡,分割方法无法保持车道标记的平滑性和连续性。当我们在RESA中添加更多的方向时,我们可以得到更高的f1-度量。原创 2022-08-20 23:15:46 · 506 阅读 · 0 评论 -
Lane Detection Model Based on Spatio-TemporalNetwork with Double ConvGRUs
因此,可以在传播过程中不丢失信息的情况下收集不同的切片特征图。RESA将首先在垂直和水平方向上切割特征地图,然后让每个切片特征接收到与特定步幅相邻的另一个切片特征。在本文中,我们提出了一个新的模块并行特征转移聚合器(RESA),用普通CNN进行初步特征提取后,以丰富车道特征。如表8所示,具有相同核宽度的RESA比SCNN快10倍左右,这使得我们的方法有望应用于实时应用。如图5所示,由于严重的遮挡,分割方法无法保持车道标记的平滑性和连续性。当我们在RESA中添加更多的方向时,我们可以得到更高的f1-度量。..原创 2022-08-18 21:57:11 · 402 阅读 · 0 评论 -
⻔控循环单元(GRU)Pytorch代码
⻔控循环单元(GRU)Pytorch代码。原创 2022-08-18 14:57:38 · 815 阅读 · 0 评论 -
Robust Lane Detection from Continuous Driving
同时,与仅使用一幅图像作为输入的方法相比,使用多帧的方法有了显著的改进。由于从多个连续图像中提取的信息比从一个当前图像中提取的信息更多,与基于单图像的方法相比,该方法可以更准确地预测车道,特别是在处理上述具有挑战性的情况时。但是,如果将一帧的原始图像作为输入,例如800×600图像,则该向量的维数为480,000,这对于DRNN网络的全连接层是不可容忍的。为了训练,我们采样5幅连续图像作为输 同时,为了充分适应所提出的网络在不同驾驶速度下的车道检测,我们对输入图像以三个不同步幅采样,即间隔1、2和3帧。..原创 2022-08-15 22:30:56 · 309 阅读 · 0 评论 -
HRnet
我们从高分辨率子网络(high-resolution subnetwork)作为第一阶段开始,逐步增加高分辨率到低分辨率的子网,形成更多的阶段,并将多分辨率子网并行连接。输入为s个响应图:{X_1 , X_2 , . . . , X_s },输出为s个响应图:{Y_1 , Y_2 , . . . , Y_s } ,其分辨率和宽度与输入相同。现有的姿态估计网络是将高分辨率到低分辨率的子网络串联起来,每个子网络形成一个阶段,由一系列卷积组成,相邻子网络之间存在一个下采样层,将分辨率减半。...原创 2022-08-10 00:31:41 · 193 阅读 · 0 评论 -
mmdetection源码解析--ResNet18
mmdetection源码解析--ResNet18。原创 2022-08-08 22:41:07 · 887 阅读 · 0 评论 -
DevNet: Deviation Aware Networkfor Lane Detection
每个点使用从偏差模块输出的绝对距离被描述为与起点的偏差,.综上所述,偏差模块预测预测点和y轴上的起始点之间的偏差(x,y)输出的特征图由两个通道组成,一个为x轴,另一个为y轴,每个值表示预测点与相应起始点之间的绝对距离。然后,我们设计了一个偏差模块来预测预测点和它们在x轴和y轴上的假设起点之间的距离,并通过比较这些估计起点的位置来对实例进行划分。式中,xc是置信单元的x轴坐标,yc是置信单元的y轴坐标,xo和yo是沿x轴和y轴对应的偏移量,xp和yp表示细化。这些输出,可以对车道的预测位置和实例进行解码。.原创 2022-08-07 15:41:22 · 648 阅读 · 2 评论 -
End-to-End Lane Marker Detection via Row-wise Classification
在最后的第三阶段,我们有两个车道标记li的分支一个行顶点位置分支和一个顶点置信分支。在本文中,我们提出了一种以端到端方式进行直接车道标记顶点预测的方法,该方法将车道标记检测问题转化为行分类任务,并且不需要任何后处理步骤。受[24,32]的像素洗牌层的启发,我们建议重新排列C×H×W输入张量的元素,在残差分支中形成一个形状为。rC×H×W/r的张量,这是对[32]中原始像素洗牌块的反向操作,即所谓的水平像素反洗牌层。受最近[8,18]的启发,我们将车道线检测问题视为在图像中寻找每个车道的水平位置的集合。...原创 2022-08-02 11:45:28 · 462 阅读 · 0 评论 -
VPGNet
为此,本文针对次问题,首先提出了一个总共包含20000张影像的数据集,其中包括17类道路和路面标志,并且考虑到了四种不同的天气(晴天,雨天,暴雨,夜晚)。由于恶劣的天气环境、照明条件和遮挡,车道的能见度降低。在本文中,我们提出了一个统一的端到端可训练的多任务网络,联合处理在恶劣天气条件下以消失点引导的车道和道路标记检测和识别。提出统一的端到端可训练多任务网络,共同处理在恶劣天气条件下由消失点引导的车道和道路标记检测和识别。我们的网络的竞争优势是,它是专门用来检测和识别车道和道路标记,以及定位消失点。...原创 2022-07-31 18:52:52 · 982 阅读 · 2 评论 -
Key Points Estimation and Point Instance
在交通线路检测的情况下,需要考虑一个基本的感知模块,但需要考虑许多条件,如交通线路的数量和目标系统的计算能力。为了解决这些问题,本文提出了一种交通线路检测方法,即点实例网络(PINet);该方法是基于关键点估计和实例分割方法。PINet包括几个同时进行训练的堆叠的沙漏网络。因此,可以根据目标环境的计算能力来选择训练模型的大小。我们将预测关键点的聚类问题转换为实例分割问题;此外,如果用户想在一个计算能力较弱的系统上运行训练过的模型,比如嵌入式板,那么网络可以在不需要额外训练的情况下进行剪切和传输。...原创 2022-07-30 16:10:20 · 740 阅读 · 0 评论 -
A Keypoint-based Global Association Network for Lane Detection
输入前视相机图片,依次经过主干网络(backbone)、自注意力模块(SA)、FPN模块提取图片的多尺度特征后,GANet利用一个关键点头(keypointhead)和一个偏移量头(offsethead)来分别预测关键点的置信度图(confidencemap)和关键点到车道线起始点的偏移量图(offsetmap),在推理过程中通过对这二者进行采样和组合,可以将关键点分配到所属的车道线,得到最终的车道线预测结果。PINet使用沙漏网络预测关键点的位置和嵌入特征,使用嵌入特征来聚类不同的车道线。........原创 2022-07-26 22:39:57 · 718 阅读 · 0 评论 -
LaneATT
作者提出了一个实时、高性能的车道线检测算法,将其命名为LaneATT。该方法基于anchor实现,且应用了注意力机制,轻量级版本的推理速度达到250FPS全局信息可能对推断其位置至关重要,特别是在遮挡、缺失车道标记等情况下。因此,这项工作提出了一种新的基于锚定的注意机制来聚合全局信息。......原创 2022-07-23 11:28:46 · 1282 阅读 · 0 评论 -
Keep your Eyes on the Lane: Real-time Attention-guided Lane Detection
Keep your Eyes on the Lane: Real-time Attention-guided Lane Detection原创 2022-07-18 13:42:00 · 461 阅读 · 0 评论 -
目标检测和边界框
目标检测和边界框。原创 2022-07-16 19:29:10 · 287 阅读 · 0 评论 -
生成对抗网络GAN Pytorch实现
GAN原创 2022-07-12 23:26:58 · 114 阅读 · 0 评论 -
生成对抗网络GAN Pytorch实现
GAN原创 2022-07-12 11:39:34 · 121 阅读 · 0 评论 -
Softmax函数
Softmax函数原创 2022-07-10 15:29:55 · 252 阅读 · 0 评论 -
MLP多层感知机
动手学深度学习原创 2022-07-10 01:40:38 · 105 阅读 · 0 评论 -
yolov5
yolov5原创 2022-06-11 23:37:02 · 105 阅读 · 0 评论 -
Towards End-to-End Lane Detection: an Instance SegmentationApproach
Towards End-to-End Lane Detection: an Instance Segmentation Approach原创 2022-06-11 23:33:24 · 135 阅读 · 0 评论 -
Faster RCNN
FASTER RCNN原创 2022-06-08 22:02:38 · 80 阅读 · 0 评论 -
CondLaneNet: a Top-to-down Lane Detection Framework Based on ConditionalConvolution
Introduction 传统的车道检测方法通常依靠手工制作的操作员来提取特征,然后通过Hough变换和随机抽样共识等后处理进行拟合。然而,由于手工制作的模型不能处理车道线在不同场景下的多样性,传统方法很难在真实场景中难以保持鲁棒性。 早期的基于深度学习的方法是通过分割来检测车道线,近年来,各种方法,如基于锚点的方法,行检测方法和参数预测方法被提出,并不断提高精度和效率。 车道检测的一个常见问题是实例级识别。大多数车道检测方法,首先预测车道点,然后将这些点聚合成直线。但是,给不同的车道实例分配不同的点原创 2022-06-05 18:32:34 · 549 阅读 · 0 评论 -
Alexnet model
import torch.nn as nnimport torchclass AlexNet(nn.Module): def __init__(self, num_classes=1000, init_weights=False): super(AlexNet, self).__init__() self.features = nn.Sequential( nn.Conv2d(3, 48, kernel_size=11, stride.原创 2022-04-23 11:53:45 · 104 阅读 · 0 评论 -
线性回归简洁实现
import torchimport numpy as npfrom torch.utils import datafrom d2l import torch as d2ltrue_w = torch.tensor([2, -3.4])true_b = 4.2features, labels = d2l.synthetic_data(true_w, true_b, 1000)print(features, labels)def load_array(data_arrays, batch_.原创 2022-04-22 16:35:53 · 114 阅读 · 0 评论 -
自动求导(动手学深度学习v2)
import torchx = torch.arange(4.0)print(x)x.requires_grad_(True)#存梯度x.gradprint(x.grad)y = 2 * torch.dot(x, x)print(y)#反向传播计算y关于x每个分量梯度y.backward()print(x.grad)print(x.grad == 4 * x)#默认情况会累积梯度x.grad.zero_()y = x * xy.sum().backward()prin.原创 2022-04-13 15:22:03 · 1458 阅读 · 0 评论