sinat_42239797的博客

原创 LSTM的介绍包含与simpleRRN的区别与联系

RNN我们知道,RNN是在有序的序列中学习的，为了记住这个数据，RNN会像人一项样产生相关记忆，在反向过程中存在参数W，由于参数W的大小，当参数W为一个零点几的数是，经过无数次的循环，最后反馈得到的梯度可能为零，也就是经常说的梯度消失；但如果W是一个一点多的数据，多次之后就会成为一个万亿大的数，这就是通常说的梯度爆炸。后来的simpleRRN采用一个tanth函数，将数据转化为负一到正一之间的数据。但RNN还有一个问题，就是短期记忆，导致之前的数据被遗忘，为了解决被遗忘和梯度消失的问题，产生了LST

原创 不好意思，科研生涯也许从此结束了，准备考公了

感谢大家对我的支持，也许我就是传说中读不下去的那个人了，最近准备考公了，如果你有什么疑问，可以i私信我，我们可以交流，准备毕业了，终于还有半年就要结束这段旅程，我内心还是非常激动的。读研的我没有感到任何开心的时候，只能用心力交瘁可以形容，有的时候甚至站在那个玻璃窗口面前，想敲碎它，也许这样就不会有心力交瘁了。当然，也只是想想，毕竟还要继续苟且的活着，愿大家在科研道路上勇往直前，都发CVPR！！！...

原创 计算机四级网络工程师考试视频及软件

链接：https://pan.baidu.com/s/1qNtHnXfOqHRN6OWCdPcbbQ提取码：oznz后期如果失效，可以私信我

原创 计算机三级网络大题考点总结（包含所有大题，选择题整理也有哟）

如果大家需要电子版，可以私信我，我可以发给你们。先给个百度网盘链接，不知道后期会不会失效。连接里面有选择题整理和大题整理，一周包过呦哈哈哈。还有软件呢哟

原创 各种内部排序的比较

原创 图的遍历

图的遍历：深度优先搜素遍历（DFS）广度优先搜索遍历（BFS）这两种遍历都是针对连通图的。针对非连通图进行遍历，只需将上述遍历函数放在一个循环中，循环用来检测图中的每一个顶点，如果当顶点没有被访问过，则调用上述函数从这个顶点遍历，否则什么也不作。把图的深度优先搜素遍历过程中所经历的边保留，其余的边删掉，就会生成一棵深度优先搜索生成树...

原创 有向完全图和强连通图的区别？

文章目录首先了解概念区别在哪里？有向完全图和强连通图的区别？其他概念：首先了解概念相邻关系：两个顶点之间存在一条边，则表示两个顶点具有相邻关系路径：相邻顶点序偶所构成的序列路径长度：路径上边的数目回路：若一条路径中第一个顶点和最后一个顶点相同，则为回路连通：从顶点Vi到顶点Vj有路径，则称Vi和Vj连通连通图和连通分量是针对无向图的强连通图和强连通分量是针对有向图的区别在哪里？由概念感觉两者像是形式不同但意思一样，但不一样的说法.任意两个不同顶点之间都存在方向相反的两条弧.看概念：

原创 最小代价生成树-----图

最小（代价）生成树：两种方式普里姆算法和克鲁斯卡尔算法这两种算法均是针对无向图最小生成树是唯一的条件：图中所有边的权值不相等，或者有相等的边，但是在构造最小生成树的过程中权值相等的边都被并入生成树的图的最小生成树是唯一的。可以这样区分记忆：普里姆算法是按顶点访问的，克鲁斯卡尔算法是按边的权值访问的...

原创 数据结构中各种树的概念（二叉树、满二叉树、完全二叉树、平衡二叉树、二叉排序树、赫夫曼树）

有序树：树中结点的子树从左到右是有序的，不能交换的无序树：书中结点的子树没有次序，可以任意交换丰满二叉树即理想平衡树：要求除最低层外，其余层都是满的。二叉树：每个结点最多只有两棵子树，即二叉树中结点的度只能为0,1,2子树有左右之分，不能颠倒满二叉树：在一棵树中，如果所有的分支结点都有左孩子和右孩子结点，并且叶子结点都集中在二叉树的最下层完全二叉树：一棵满二叉树从左到右从上至下。挨个删除结点所得到的树（如果跳着删除则得到的就不是完全二叉树）线索二叉树：是二叉树的非递归遍历方法。一棵二叉树

原创 栈和队列的存储结构状态（空、满、插入、删除）

原创 链表的顺序存储和链式存储的区别

顺序存储就是顺序表链式存储就是链表基于空间的比较1.存储分配方式顺序表的存储空间是一次性分配的，且是连续的存储空间链表的存储空间是多次分配的，不需要是连续的2.存储密度存储密度=结点值域所占的存储量/结点结构所占的存储空间的总量顺序表的存储密度=1，链表的存储密度小于1（结点中包含指针域）基于时间的比较1.存取得方式顺序表既可以随机存取也可以顺序存取链表只能顺序存取（取某个元素前要遍历它前面所有的元素）2.插入删除时移动元素的个数顺序表插入删除时需要移动近一半的元素（时间

原创 数据结构（一）逻辑结构和存储结构

逻辑结构逻辑结构：数据的逻辑结构是对数据之间关系的描述,与存储结构无关，同一种逻辑结构可以有多多种存储结构。逻辑结构主要分为两大类：线性存储结构和非线性存储结构线性存储结构是数据元素有序集合，数据结构之间存在“一对一”的关系非线性存储结构是数据结构之间存在“一对多”得关系。列如图形结构、网状结构、树状结构等。有序表和无序表是逻辑上有序无序，是逻辑结构。栈。队列也是逻辑结构存储结构存储结构也称物理结构：是数据逻辑结构在计算机中的表示（映像）。包括数据元素的表示和关系的表示。数据元素之间的表示

原创 Beyond Part Models: Person Retrieval with Refined Part Pooling(PCB)

文章code年份2018-ECCV

原创 Relation Network for Person Re-identification

文章code年份：AAAI 2020

原创 优化网络-----常用的损失函数

如何优化网络首先我们知道，卷积神经网络有前向传播和反向传播组成前向传播是搭建网络结构的，反向传播是优化网络的训练参数的那么，优化网络有哪些方面？优化分为四个方面：损失函数的优化、学习率的优化、滑动平均ema、正则化等损失函数的优化：测量预测值和真实值之间的距离，优化的目标就是使loss最小。常见的损失函数分为：均方误差（MSE），交叉熵损失等均方误差（MSE）：该统计参数是预测数据和原始数据对应点误差的平方和的均值。一、0-1loss只是简单的分类，正确为1，错误为0，不能对x进行求导，因

原创 残差网络

神经网络的学习主要蕴含在权重和阈值中，多层网络使用上面简单感知机的权重调整规则显然不够用了，BP神经网络算法即误差逆传播算法（error BackPropagation）正是为学习多层前馈神经网络而设计，BP神经网络算法是迄今为止最成功的的神经网络学习算法。在神经网络的训练中，理论上是网络深度加深，理论模上可以取得更好的效果。但实验发现，随着网络深度加深，神经网络中存在退化问题。这种退化问题和过拟合不同，过拟合表现的是训练误差小而测试效果误差大，而现在是训练误差和测试误差都大（需要在巨大的参数空间中执行

原创 R-CNN

总结：R-CNN是针对目标检测与语义分割的多特征层网络，是第一个用工业级来解决分割的网络。这篇论文带来一个新的观点是:当缺乏大量的标注数据集时，比较可行的手段就是进行神经网络的迁移学习采用在其他大型数据集训练后的神经网络，然后在小规模特定数据集上进行fine-tune微调。在R-CNN之前，overfeat已经是用深度学习的方法做检测，但RCNN是第一个可以真正可以工业级应用解决方案紧随其后出现了Fast-RCNN.faster-RCNN都沿袭RCNN的思路简述**解决了目标检测的两个问题：**速度

原创 支持向量机 （SVM）算法的原理及优缺点

支持向量机（Support Vector Machine，常简称为SVM）是一种监督式学习的方法，可广泛地应用于统计分类以及回归分析。它是将向量映射到一个更高维的空间里，在这个空间里建立有一个最大间隔超平面。在分开数据的超平面的两边建有两个互相平行的超平面，分隔超平面使两个平行超平面的距离最大化。假定平行超平面间的距离或差距越大，分类器的总误差越小支持向量机的基本思想对于线性可分的任务，找到一个具有最大间隔超平面实验一般步骤：（1）导入数据；　　（2）数据归一化；　　（3）执行svm寻找最优

原创 KNN算法思想及算法描述和优缺点

KNN适用于分类的，不需要训练，该算法所选的邻居都是已经正确分类的对象。该算法在定类决策上只依据最邻近的一个或者几个样本类别来决定待分类样本所属的类别KNN算法的思路：KNN是通过不同特征之间的距离进行分类的。如果一个样本在特征空间中的K个最相似的样本中的大多数属于同一类别，则该样本也属于这一类别，其中K通常是不大于20的整数。KNN算法得结果很大程度上取决于K的选择KNN算法的思想：在训练集的数据和标签已知的情况下，输入测试数据，将测试数据的特征与训练集中对应的特征进行相互比较，找到训练与之最

原创 Python3 的 No module named scipy

conda install scipy #conda 的虚拟环境orpip install scipy #没用虚拟环境

原创 Linux安装Matlab2018a 亲测安装无错误，带卸载命令

1.Matlab2018a安装包下载：链接: https://pan.baidu.com/s/1TAT6ZF98Qf6spBY63u5pJQ提取码: 3c752,挂载我把Matlab2018a安装镜像及破解文件放在了/home/cdy/Downloads/matlab下b2.1 挂载dvd1sudo mkdir isosudo mount -t auto -o loop /home/cdy/Downloads/matlab/R2018a_glnxa64_dvd1.iso /home/cdy/

原创 pyorch1.3安装命令

自己留用conda install pytorch==1.3.0 torchvision==0.4.1 cudatoolkit=10.1

原创 No module named tqdm

1. pip3 install tqdmorpip install tqdmoronda install tqdm

原创 2018-CVPR-Eliminating Background-bias for Robust Person Re-identification（消除背景偏差）

论文：Eliminating Background-bias for Robust Person Re-identificationhttps://www.researchgate.net/publication/329754383_Eliminating_Background-bias_for_Robust_Person_Re-identification年份：2018文章目录1.简介2.背景介绍3.提出的网络模型3.1 whole-person main network3.2 Person parsi

原创 安装 jpeg2dct

https://github.com/uber-research/jpeg2dctRequirementsNumpy>=1.14.0libjpeg or libjpeg-turbo(Optional) Tensorflow>=1.5.0pip install jpeg2dct

原创 关于安装mmdetection

参考https://github.com/calmevtime/DCTNet/blob/master/segmentation/docs/INSTALL.mdCreate a conda virtual environment and activate it.conda create -n open-mmlab python=3.7 -yconda activate open-mmlabInstall PyTorch stable or nightly and torchvision fol

原创 Linux微信安装网页版

这里写自定义目录标题安装命令关于创建桌面图标卸载安装命令sudo snap install electronic-wechat关于创建桌面图标参考这个 https://blog.csdn.net/qq_43153291/article/details/84029464卸载不过，最近网页版微信用不了，新出了QQ，但安装QQ太费劲了，主要是下载资源不大，但安装却需要十几个G，有点可怕。卸载还不知道怎么卸载，等知道了后期补上。如果有知道的同僚，欢迎赐教。...

原创 Learning in the Frequency Domain-----2020CVPR

论文：Learning in the Frequency Domain https://arxiv.org/pdf/2002.12416.pdf年份：2020-CVPR 代码：https://github.com/calmevtime/DCTNet本文主要思想就是省略图像压缩/解压缩中计算量最大的步骤，直接利用频域特征来进行图像推理，减少系统中模块之间的数据传输量，从而提升系统性能。输入的数据量更小，深度神经网络在图像分类/分割任务上的精度反而提升了。该网络把RGB图像变换到DCT频率域，而不是直接下

原创 Unsupervised Person Re-identification via Multi-label Classification

论文：Unsupervised Person Re-identification via Multi-label Classification年份：2020-CVPR文章目录1.简介2.导言3.相关工作无监督Person ReID(Unsupervised person ReID)无监督特征学习(Unsupervised feature learning)多标签分类4.方法4.1公式4.2 基...

原创 Self-Training With Progressive Augmentation for Unsupervised Cross-Domain Person Re-Identification

论文：Self-Training With Progressive Augmentation for Unsupervised Cross-Domain Person Re-Identificationhttps://arxiv.org/abs/1907.13315年份：2019ICCV代码：https://github.com/zhangxinyu-xyz/PAST-ReID文章目录简介...

原创 Disentangled Image Matting

论文：Disentangled Image Mattinghttps://arxiv.org/abs/1909.04686年份：2019文章目录1.简介2.背景3.方法3.1Trimap Adaptation3.2Network Overview3.3 Multi-task Loss4.实验4.1Results on alphamatting.com4.2Results on Compositi...

原创 Vehicle Re-identification with Viewpoint-aware Metric Learning

论文：Vehicle Re-identification with Viewpoint-aware Metric Learninghttps://arxiv.org/abs/1910.04104时间：2019文章目录1.简述2.方法2.1网络架构2.2两个损失函数3实验1.简述本文提出一个车辆重识别网络 VANet，它能够学习具有视觉感知力的深度度量。VANet 将车辆重识别分为两个场景，即...

原创 Peeking into occluded joints: A novel framework for crowd pose estimation

论文：Peeking into occluded joints: A novel framework for crowd pose estimation 代码：即将开源，后期更新年份：2020CVPR现有遮挡研究方法的内在问题缺陷一：它们根据视觉信息直接定位关节；然而，看不见的关节缺乏这一点。本论文解决方案：提出一个 Image-Guided Progressive GCN modul...

原创 Foreground-aware Pyramid Reconstruction for Alignment-free Occluded Person Re-identification

论文：前景感知金字塔重建无对齐遮挡的行人重识别论文：https://arxiv.org/abs/1904.04975年份：2019ICCV文章目录1.背景2.方法FCNPyramid PoolingForeground Probability Generator3.之前研究方法的弊端本文提出了一种新颖的行人ReID遮挡鲁棒和无对准模型，并将其应用扩展到现实和拥挤的场景。所提出的模型首先...

原创 重识别论文讲解——双日一篇

决定读博了，所以对于重识别的论文打算好好研究一下，以后每偶数日更新一篇重识别论文的翻译与讲解，希望大家能够批评指正，我定及时修改，有代码的论文我也会简要看一下和大家分享，如果你发现我更新的论文有代码也请大家及时分享交流。...

原创 Linkage Based Face Clustering via Graph Convolution Network

论文：https://arxiv.org/pdf/1903.11306v3.pdf代码：https://github.com/Zhongdao/gcn_clustering/年份：2019-CVPR有关图卷积的，可以参考：https://www.cnblogs.com/SivilTaram/p/graph_neural_network_2.html文章目录1.研究背景介绍2.方法2.1 问...

原创 Unsupervised Person Re-identification: Clustering and Fine-tuning

论文：Unsupervised Person Re-identification: Clustering and Fine-tuninghttps://arxiv.org/pdf/1705.10444v2.pdf年份：TOMM2018代码：https://github.com/hehefan/Unsupervised-Person-Re-identification-Clustering-a...

原创 linux系统安装搜狗输入法的过程

安装过程主要参考：https://blog.csdn.net/m0_37906230/article/details/82284017前面安装参照这个链接就可以，但需要说明一个地方，有些人安装过程没有出现小企鹅怎么办？就会出现然后点击加号添加sougou输入法就可以啦然后记得重启电脑，重启后，在这样就可以使用搜狗输入法了。...

原创 pytorch学习（五）利用pytorch训练CycleGAN-------的句句讲解

1.cycleGAN论文https://arxiv.org/abs/1406.26612.cycleGAN简单介绍首先：这个过程呢和GAN是一样的。但是，最终学习后的结果，很有可能G (X-Y)输出的图像的ID并不是源域X的ID，而是目标域Y中的另一个ID的相似度极高的图片，那么如何解决这一问题呢，这篇文章就引入了一个循环一致性损失(a cycle consistency loss)...

原创 GAN系列之（二）------CycleGAN

论文：Unpaired Image-to-Image Translation using Cycle-Consistent Adversarial Networks https://arxiv.org/abs/1703.10593代码：https://github.com/MJJ-5650/PyTorch-GAN/tree/master/implementations/cyclegan1....