2023年10月_reset2021_CSDN博客

reset2021

码龄4年

IP 属地：湖北省

查看详细资料

原力等级

当前等级

5

当前总分

1,392

当月

1

个人成就

获得711次点赞
内容获得34次评论
获得731次收藏
代码片获得1,313次分享
博客总排名21,954名

TA的专栏

兴趣领域设置

大数据

hadoophiveflink
人工智能

opencv语音识别计算机视觉机器学习深度学习神经网络自然语言处理tensorflowpytorch图像处理nlp数据分析

创作活动更多

王者杯·14天创作挑战营·第2期

这是一个以写作博客为目的的创作活动，旨在鼓励码龄大于4年的博主们挖掘自己的创作潜能，展现自己的写作才华。如果你是一位热爱写作的、想要展现自己创作才华的小伙伴，那么，快来参加吧！我们一起发掘写作的魅力，书写出属于我们的故事。注： 1、参赛者可以进入活动群进行交流、分享创作心得，互相鼓励与支持（开卷），答疑及活动群请见https://bbs.csdn.net/topics/619735097 2、文章质量分查询：https://www.csdn.net/qc 我们诚挚邀请你们参加为期14天的创作挑战赛！

66人参与去参加

搜TA的内容

SiamFC 算法详解

SiamFC作为孪生网络跟踪器的开创性工作，通过简洁高效的设计实现了实时目标跟踪，为后续研究提供了重要基础。虽然存在一些局限性，但其核心思想仍被广泛应用，不断推动着视觉目标跟踪领域的发展。

发布博客 2025.04.25 ·

SiamFC算法深度解析

SiamFC（Siamese Fully-Convolutional Networks）是一种基于孪生网络（Siamese Network）的视觉目标跟踪算法，由Bertinetto等人在2016年提出。适用于需要实时跟踪的场景，如无人机追踪、视频监控、自动驾驶等，尤其在对速度要求较高的场景中表现突出。，将响应图上的每个位置视为二分类样本（正样本为真实目标中心，负样本为背景区域）。：后续帧中可能包含目标的更大区域（通常为255×255像素）。输出为响应图（17×17），最大值对应目标在搜索区域中的位置。

发布博客 2025.04.24 ·

CamShift目标追踪算法

CamShift（Continuously Adaptive Mean Shift）算法是Mean Shift算法的改进版本，主要用于视频序列中的目标跟踪。它通过动态调整搜索窗口的大小和方向，适应目标在运动过程中的尺度变化和旋转，广泛应用于计算机视觉领域，如人脸跟踪、物体追踪等。从上一帧的目标位置开始，在反向投影图上运行Mean Shift算法，寻找密度最大的区域（即新目标位置）。对后续每一帧，计算每个像素属于目标颜色分布的概率，生成反向投影图（概率密度图）。依赖颜色分布，若背景与目标颜色相似易失效。

发布博客 2025.04.24 ·

Mean-Shift目标跟踪算法详解

其改进版（如CAMShift）可解决尺度问题，但复杂场景需结合其他特征或深度学习模型。结合卡尔曼滤波（Kalman Filter）预测目标位置，提升快速移动时的鲁棒性。对直方图进行归一化，得到概率分布 ququ（uu为直方图的bin索引）。通过Mean-Shift迭代，找到相似度最高的区域（密度峰值）。联合颜色、纹理（LBP）、或深度特征（如HOG）增强判别能力。统计目标区域内颜色的概率分布（即“目标模型”）。将目标的颜色分布（如HSV空间的H通道）表示为。：手势跟踪（如基于肤色的手部追踪）。

发布博客 2025.04.23 ·

KCF目标追踪算法 (Kernelized Correlation Filters) 详解

该算法基于相关滤波（Correlation Filter）理论，结合核技巧（Kernel Trick）和循环矩阵（Circulant Matrix）性质，在计算效率与跟踪精度之间取得了良好的平衡。KCF算法因其高速度（可达数百FPS）和较高的鲁棒性，成为目标跟踪领域的重要基准方法之一。KCF算法的核心思想是通过训练一个滤波器，使其在目标位置处产生最强的响应，从而在后续帧中快速定位目标。：传统的相关滤波器是线性的，KCF通过核方法（如高斯核、多项式核）将其扩展到非线性情况，提高分类能力。

发布博客 2025.04.23 ·

在 Windows 下安装 Dify 教程

确保 Docker Desktop 正在运行并有足够资源（至少 4GB 内存分配给 Docker）现在您已经在 Windows 上成功安装并运行了 Dify，可以开始构建您的 AI 应用了！：所有数据会自动保存在 Docker 卷中，即使容器停止也不会丢失。下载并安装 Docker Desktop for Windows。安装完成后启动 Docker Desktop。确保在设置中启用 WSL 2 后端（推荐）：如果 80 端口被占用，可以在。PostgreSQL 数据库。推荐配置至少 8GB 内存。

发布博客 2025.04.22 ·

Mask R-CNN

不仅能够完成目标检测（检测物体并给出边界框），还能为每个检测到的物体生成精确的像素级分割掩码（Mask）。：二值交叉熵（Binary Cross-Entropy），计算每个像素的预测掩码与真实掩码的误差。的掩码（K 是类别数，m 是掩码分辨率，通常 14×14 或 28×28）。Mask 分支仅预测当前类别对应的掩码，避免不同类别竞争，提升分割质量。：预测每个 RoI 的分割掩码（Mask），采用 FCN 结构。在原有的分类（Class）和回归（Box）分支基础上，新增一个。

发布博客 2025.04.22 ·

图像分割的发展历程

如Non-local Networks（2018）、CBAM（2018），增强重要区域权重。扩展Faster R-CNN，增加分割分支，实现检测与分割一体化（实例分割）。：结合编码器-解码器和空洞空间金字塔池化（ASPP），提升多尺度分割能力。：扩展至点云（如PointNet++）和时序数据（如MaskTrack）。：如SAM（Meta），通过提示（prompt）实现零样本分割。（2001）：将分割转化为能量最小化问题，结合颜色和边界信息。：使用SIFT、HOG等特征结合分类器（如SVM）进行分割。

发布博客 2025.04.22 ·

deepsort训练自己的数据集

要训练DeepSORT在自己的数据集上，需要完成以下关键步骤。

发布博客 2025.04.21 ·

ByteTrack自定义数据集训练指南

使用NVIDIA Jetson部署，启用--fp16和--trt以下是使用ByteTrack 通过保留低置信度检测框（传统方法会过滤掉），利用运动关联（IoU匹配）和外观特征（可选）实现高精度多目标跟踪，尤其适合遮挡和拥挤场景。

发布博客 2025.04.21 ·

unet训练自己的数据集

通过以上步骤，即可完成UNet在自定义数据集上的训练和部署。图像和标签：图像（如.jpg.png）和对应的分割掩膜（mask，需与图像同名且尺寸相同）。目录结构dataset/train/images/ # 训练图像masks/ # 对应的标签val/images/ # 验证图像masks/ # 对应的标签。

发布博客 2025.04.21 ·

DeepLabv3+训练自己的数据集指南

希望这个指南能帮助你成功训练自己的DeepLabv3+模型！使用不同的backbone（如Xception）提高精度。对应的标注图像（PNG格式，每个像素值代表类别ID）类别ID应从0开始连续编号（0,1,2,...）标注图像应为单通道，像素值0通常表示背景。添加数据增强（随机缩放、旋转、颜色变换）：减小batch_size或图像尺寸。输入图像（如JPG/PNG格式）：尝试降低学习率或使用学习率调度。：增加数据增强或使用正则化技术。使用混合精度训练加速训练过程。：在损失函数中使用类别权重。

发布博客 2025.04.21 ·

PaddleOCR+HTML 图像OCR识别系统介绍

发布资源 2025.04.20 ·

视频人体属性检测演示系统

发布资源 2025.04.18 ·

FairMOT与MCFairMOT算法对比

扩展 FairMOT 的单类别检测头，支持同时预测不同类别的中心点和边界框。可选方案：为不同类别设计独立的Re-ID子网络，减少跨类别特征混淆。需同时跟踪多类别目标（如交通监控中的车、人、非机动车）。有足够算力支持多类别计算（如服务器或高性能GPU）。：减少无关类别的干扰（如车辆轨迹不会匹配到行人）。：需平衡不同类别的样本分布（避免类别不平衡）。，可进一步优化多类别场景下的抗遮挡能力。，并调整损失函数（如类别加权交叉熵）。仅需跟踪单类别目标（如行人或车辆）。可接受稍低的帧率以换取多类别支持。

发布博客 2025.04.18 ·

CenterTrack

的多目标跟踪（MOT）算法，由 Xingyi Zhou 等人提出（ECCV 2020）。显式学习目标的运动模式（而非依赖 Kalman 滤波），更适合非线性运动（如行人突然转向）。，从而实现高效的单阶段（One-Stage）跟踪，适用于实时应用（如自动驾驶、视频监控）。否则初始化为新目标。对短暂丢失的目标（如遮挡），保留历史轨迹一段时间（类似 SORT 的机制）。：预测目标从 t−1t−1 帧到 tt 帧的位移（Δx,ΔyΔx,Δy）。上一帧的检测热图 Ht−1Ht−1（可选，用于增强时序信息）

发布博客 2025.04.18 ·

BoT-SORT算法

显著提升了复杂场景下的跟踪稳定性，是 SORT 系列算法的先进版本。：传统 Kalman 滤波假设目标运动是线性的，但在实际场景中，相机可能移动（如车载摄像头、无人机拍摄），导致目标运动非线性。：DeepSORT 使用外观特征（Re-ID）辅助匹配，但在遮挡或低分辨率情况下可能失效。，在SORT、DeepSORT和OC-SORT的基础上进一步提升了跟踪鲁棒性，尤其是在。：传统 SORT 使用固定的过程噪声和观测噪声，无法适应不同运动速度的目标。：对未匹配的检测和轨迹，使用 Re-ID 特征计算相似度。

发布博客 2025.04.18 ·

OC-SORT算法

OC-SORT（Observation-Centric SORT）是一种基于观测中心的多目标跟踪（MOT, Multi-Object Tracking）算法，是对经典SORT（Simple Online and Realtime Tracking）算法的改进。传统SORT以预测为中心（如Kalman滤波的预测优先），而OC-SORT更注重当前帧的观测结果，减少对不可靠预测的依赖。在数据关联时，不仅考虑位置和IOU（交并比），还加入运动方向的一致性判断（如速度向量夹角），减少相似外观目标的误匹配。

发布博客 2025.04.18 ·

FairMOT算法详解

同时完成目标检测和重识别（Re-ID）特征提取，解决了传统两阶段方法（如DeepSORT）中检测与Re-ID任务的不公平性问题，显著提升了跟踪的准确性和效率。，即让检测（Detection）和重识别（Re-ID）两个任务在同一个网络架构中。检测器和Re-ID模型分开训练，检测框的质量直接影响Re-ID特征提取。检测误差会传递到Re-ID阶段，导致ID切换（ID Switch）增加。输出热图（Heatmap），预测目标中心点（类似CenterNet）。：引入全局Re-ID检索（如BoT-SORT）。

发布博客 2025.04.18 ·

图像篡改检测算法

然而，面对不断演进的篡改手段和生成技术（如AIGC），算法需持续进化以平衡准确性、效率和泛化能力。：端到端学习篡改特征（如MesoNet、ManTra-Net）。：识别GAN生成图像的频域伪影（如FakeCatcher）。：适应新型篡改技术（如Diffusion模型生成内容）。：篡改区域边缘可能不自然（如模糊、锐化过度）。：突出可疑区域（如EXIF信息引导的检测）。：依赖预嵌入信息（如数字水印、数字签名）。：结合噪声、纹理、光照等特征提升鲁棒性。：IoU（交并比）、篡改定位准确率。

发布博客 2025.04.18 ·