Torch2TRT编译和使用踩坑 是英伟达提供的开源Pytorch到TensorRT模型的转化工具。相对于其他Pytorch模型转TensorRT的方式，我认为这是最简单和容易上手的方式。但是该工具并不成熟，在安装和使用过程中有一些坑。
Jetson Docker 编译 FFmpeg 支持硬解nvmpi 设备为NVIDIA Jetson Xavier NX，jetpack版本为 5.1.1 [L4T 35.3.1]使用的docker镜像为nvcr.io/nvidia/l4t-ml:r35.2.1-py3,详见。
Tensorflow权重迁移至Pytorch Tensorflow权重迁移至Pytorch本篇文章介绍将Tensorflow的Conv2D层、Dense层和BatchNorm层的权重迁移至Pytorch。关于将Pytorch迁移至Tensorflow可参考下面的博文：Pytorch与Tensorflow权重互转_太阳花的小绿豆的博客-CSDN博客_tensorflow权重转pytorch基本思路Tensorflow的模型中的每一层一般都会有个name来指定该层的名称。获取某一层时可以使用model.get_layer(name)方法得到，最后使
记录一次jupyter notebook报错500: Internal Server Error的解决 问题描述：在notebook中打开.ipynb文件后网页提示500: Internal Server Error终端显示： AssertionError: wrong color format ‘var(–jp-mirror-editor-variable-color)’按照网上大部分博客描述，是因为nbconvert 和pandoc不兼容问题，更新nbconvert 版本：pip install --upgrade nbconvert更新后重启jupyter notebook，还是提示50
撤销jupyter notebook的密码 看到之前的教程里说取消配置文件里下面一行注释并设置为空：# c.NotebookApp.token = '<generated>'我试过之后发现还是不能撤销jupyter notebook的密码。后来发现，取消配置文件中关于password的注释就行：c.NotebookApp.password = ''c.NotebookApp.password_required = False详细步骤终端输入：jupyter notebook --generate-config 会生成一
韦伯分布(Weibull)参数矩估计MATLAB实现 韦伯分布(Weibull)参数矩估计MATLAB实现二参数韦伯分布概率密度函数f(x)=βη(xη)β−1e−(xη)β,β>0,η>0,x≥γ≥0f(x)=\frac{\beta}{\eta}\left(\frac{x}{\eta}\right)^{\beta-1} e^{-\left(\frac{x}{\eta}\right)^{\beta}}, \beta>0, \eta>0, x \geq \gamma \geq 0f(x)=ηβ(ηx)β−1e−(ηx)β,β
傅里叶变换基础 傅里叶变换基础直观理解在如上图所示的三维坐标系中，向量v的坐标可以分解为向量v与三个基向量的内积：a=v⋅e1b=v⋅e2c=v⋅e3a=\mathbf{v} \cdot \mathbf{e}_{1} \quad b=\mathbf{v} \cdot \mathbf{e}_{2} \quad c=\mathbf{v} \cdot \mathbf{e}_{3}a=v⋅e1b=v⋅e2...
无参密度估计：KDE和KNN 无参密度估计：KDE和KNN最大似然估计和贝叶斯估计应用于数据的密度函数形式已知但参数未知的情况，然而并非所有的情况下数据的密度函数的形式是已知的。针对于这种情况，我们可以选择一些无参密度估计方法。直观上，我们对于概率密度的理解就是单位区域数据出现的概率，公式表示如下：p(x)≅kNVp(x) \cong \frac{k}{{NV}}p(x)≅NVk其中，k是面积是V的区域内数据的个...
GMM模型和EM算法 GMM模型和EM算法高斯混合模型GMM上图的分布很难用一个高斯分布进行模拟。观察上图，大致可以看见6个分布。将6个高斯分布线性加到一起就组成了能描述上图的高斯混合分布。混高斯合分布的概率密度函数如下：p(x∣θ)=∑j=1Kp(x,z=j∣θ)=p(z=j∣θ)p(x∣z=j,θ)=∑j=1KπjN(x;μj,Σj)其中:p(z=j∣θ)=πj;p(x∣z=j,θ)=N(x;μj,Σj)...
统计参数估计 统计参数估计在进行统计决策时，我们假设后验概率是已知的，这往往不现实。在有些情况下，我们假设数据近似服从某种分布(最常见的如高斯分布)，估计数据的分布参数。最大似然估计我们一般假设所观测到的变量是最有可能出现的，因此，直观上最大似然估计就是估计出使分布函数最契合所观测到数据分布的参数。形式化的语言表示为：选择θ，使得：θ^=argmax[p(X∣θ)]\hat{\theta}=\ope...
统计参数估计 统计参数估计在进行统计决策时，我们假设后验概率是已知的，这往往不现实。在有些情况下，我们假设数据近似服从某种分布(最常见的如高斯分布)，估计数据的分布参数。最大似然估计我们一般假设所观测到的变量是最有可能出现的，因此，直观上最大似然估计就是估计出使分布函数最契合所观测到数据分布的参数。形式化的语言表示为：选择θ，使得：θ^=argmax[p(X∣θ)]\hat{\theta}=\ope...
贝叶斯决策(Bayesian Decision Theory) 贝叶斯决策学习了一个学期的模式识别课程，老师讲的很好，深入浅出，无奈我脑子不够用没有理解到其中精髓，现在整理了一下听课笔记，以备以后需要时翻阅。这篇文章记录的是贝叶斯决策，其中包括最大后验、最大似然和贝叶斯决策的直观理解和数学理论。关于先验和后验关于什么是先验概率和后验概率， 余生最年轻在他的博客里解释的很好。先验(Priori )概率直观上理解，所谓“先”，就是在事情之前，即在事情发生之前...
libSVM多类别概率输出的一个坑 在libsvm模型进行预测时predict返回的三个参数分别为：-predicted_label：第一个返回值 nx1，表示样本的预测类标号；-accuracy：第二个返回值，1×1，表示分类的正确率；-prob_estimates：第三个返回值，nxk，每一行表示这个样本分别属于每一个类别的概率。然而，坑来了。。。。您的程序中所返回的第三个参数中的概率顺序极有可能并不是按照真实的类别0...
从双目竞争到立体图像质量评价-Full-reference quality assessment of stereopairs accounting for rivalry论文介绍 这篇文章说的是《Full-reference quality assessment of stereopairs accounting for rivalry》，是立体图像质量评价比较经典的一篇文章。首先简单谈一谈在图像质量评价领域二维单目图像和立体双目图像有什么区别。首先双目图像肯定比单目图像在感知上更复杂，因为左右眼看到的不是完全一样的，这里面会有视差、左右眼看到的图像的失真类型或程度都有可...
Python3 批量更新模块(包) Python3用来批量更新pip安装的模块的代码。当时从别人的博客上找到的，但是现在已经找不到原来的出处了。感觉很好用，贴在这里分享给大家。我修改了一下其中的代码，原版代码使用的默认的软件源，有时候下载速度很慢，我改成了清华大学的源。# -*- coding: utf-8 -*-import pipimport timefrom pip._internal.utils.misc impo...
图像质量评价数据库TID2013 网盘下载 TID2013旨在用于全参考图像质量的视觉评价。 TID2013主要是评价图像质量评价模型与平均平均的人类感知的匹配。例如，在TID2013中， PSNR（峰值信噪比）和平均人类感知（MOS，平均意见得分）的Spearman相关系数为0.69。数据库官方网站：http://www.ponomarenko.info/tid2013.htm需要翻墙访问和下载，我下载后将其放在了百度网盘：链接：h...
图像无参考评价模型BRISQUE原理简介以及Python(Pytorch)实现 引言自然场景统计(NSS)经常被应用于图像的质量评价。人们发现，用高质量设备采集的自然图像(自然场景)有着一定的统计特征(如服从一些类高斯分布)，而图像的失真会使这些统计特征发生改变，因此利用图像的一些统计特征作为图像特征，可以完成图像的无参考评价。BRISQUE来自于论文《No-Reference Image Quality Assessment in the Spatial Domain》...
关注
