- 博客(39)
- 资源 (1)
- 收藏
- 关注
原创 bad interpreter: Permission denied报错
docker运行下列命令时:docker run -it --rm -v $PWD:/build -w /build quay.io/pypa/manylinux2010_x86_64 ./build.sh报错:/usr/local/bin/manylinux-entrypoint: /build/build.sh: /bin/bash: bad interpreter: Permission denied原因权限不够,解决方法:sudo chmod -R 777 build.s
2022-01-13 11:37:08
5059
原创 vim使用
sudo vim 打开文件后,按i进入vim模式,可以进行编辑,按esc跳转到命令模式。按:进入底线命令模式,如下::w 保存文件但不退出vi :w file 将修改另外保存到file中,不退出vi :w! 强制保存,不推出vi :wq 保存文件并退出vi :wq! 强制保存文件,并退出vi q: 不保存文件,退出vi :q! 不保存文件,强制退出vi :e! 放弃所有修改,从上次保存文件开始再编辑...
2022-01-12 19:05:03
314
原创 安装docker报错:Error: Unknown command: cask
新版homebrew安装命令改变:原安装命令:brew cask install docker新安装命令:brew install --cask docker
2022-01-12 16:32:10
1155
原创 POI、AOI
POI和AOI均为GIS(Geographic Information Sysytem,地理信息系统)的术语。POI全称Point of interest,翻译为兴趣点,是电子地图的核心要素。指的是地图上任何非地理意义的点,比如商店、酒吧、加油站、医院、车站等;有地理意义的坐标如城市、河流、山峰等不属于POI。POI记录了位置信息和分类信息。AOI全称Area of interest,翻译为兴趣面,可以理解为具有地理边界数据的POI。POI的唯一标识poi_id是AOI数据的属性之一。一个A
2021-10-01 21:27:52
11512
原创 Learning from Very Few Samples: A Survey(小样本学习综述)
1. Introduction 成功从很少的样本中学习和概括的能力是区分人工智能和人类智能的一个明显的边界。人类智能的一个特点是能够从一个或几个例子中快速建立对概念的认知。相关研究表明:人类的显著学学习能力得益于人脑中前额叶皮层(PFC)和工作记忆,特别是PFC特有的神经生物学机制与大脑中存储的以往经验的相互作用。 深度学习算法成功主要归结于三个关键因素:强大的计算资源、复杂的神经网络结构;大规模的数据集。在真实的应用场景中,如医学、军事和金融领域,无法获取到充足的标注样本...
2021-08-30 11:28:01
1447
原创 ROS学习(三)——常用组件
1.launch文件launch文件是ROS中一种同时启动多个节点的途径,它可以自动启动ROS Master节点管理器,并且可以实现每个节点的各种配置,便于多个节点的操作。1.1 launch的基本元素一个简单的launch文件表示如下:<launch> <node pkg="turtlesim" name="sim1" type="turtlesim_node"> <node pkg="turtlesim" name="sim2" type="turtlesim_
2021-03-24 16:58:49
438
原创 ROS学习(二)——ROS基础命令
1.创建工作空间和功能包1.1 工作空间工作空间是一个存在工程开发相关文件的文件夹,典型的工作空间中一般包括以下目录:src: 代码空间,存储所有ROS功能包的源码build: 编译空间,存储工作空间编译过程中产生的缓存信息和中间文件devel: 开发空间,放置放置编译生成的可执行文件install: 安装空间,非必须,编译成功后,可以使用make install命令将可执行文件安装到该空间中,运行该空间中的环境变量脚本。1.2 创建工作空间创建工作空间目录并初始化$ mkdir
2021-03-20 11:09:13
568
原创 ROS学习(一)——ROS入门
注:主要是古月博客学习过程中的记录,其专栏为:https://www.guyuehome.com/category/column/ros-exploring1.ROS简介ROS(Robot Operating System)是用于机器人的一种次级操作系统,可以提供硬件抽象描述、底层驱动程序管理、共用功能执行、程序间的消息传递、程序发行包管理等功能。ROS的设计目标是在机器人研发中提高代码复用率,是一种分布式处理框架,可执行文件可以单独设计并在运行时松散耦合,这些过程可以封装到数据包和堆栈中进行共享和分发
2021-03-16 15:23:11
289
原创 模型预测控制在路径规划中的应用
1.模型预测控制(Model Predictive Control)MPC的作用机理可以表述为:在每一个采样时刻,根据当前的测量信息,在线求解一个有限时间开环优化问题,并将得到的控制序列的第一个元素用于被控对象;在下一个采样时刻,用新的测量值作为此时预测系统未来动态的初试条件,刷新优化问题求解。应用于机器人的典型的模型预测控制方法:问题模型参数空间上述问题的目的是找到最优的uuu使得上式最小化。工程问题中系统输入是随意变化的量,因此需要将无限维度的系统输入转化为有限维度的参数,常用的方法有
2021-03-11 16:49:46
3727
原创 路径规划——软/硬约束下的轨迹优化
Minimum Snap是轨迹优化中的常用方法,其效果如下:上图中红线为Minimum Snap优化生成的光滑轨迹,可以看出Minimum Snap有利于光滑曲线的生成。该算法虽然可以控制轨迹经过哪些路标点,但是没有考虑环境中的障碍物信息(如图中红色方块),不利于做避障。软/硬约束硬约束硬约束要求严格满足上述等式约束或不等式约束。软约束软约束将约束加入在目标函数里,即加入惩罚项。1.硬约束轨迹优化1.1 Corridor-based 轨迹优化(基于走廊的)论文名称:Online
2021-03-09 16:48:42
6673
原创 路径规划-Minimum snap轨迹优化
传统的路径规划pipeline包括路径搜索和轨迹优化两部分。轨迹优化的目的是生成光滑轨迹,其必要性如下:适合移动机器人的自主移动速度和加速度等动力学状态无法突变移动机器人不必在拐角处加速和减速节约能量1.预备知识1.1 轨迹优化的一般过程存在边界条件:起始点和终止点中间节点:包括A∗A^*A∗、RRT∗RRT^*RRT∗寻找到的中继节点平滑规则:给出一个评价函数评价轨迹的光滑程度1.2 微分平坦(Differential Flatness)微分平坦对于非线性系统来说,可以类
2021-03-08 17:56:51
5344
2
原创 路径规划算法——状态栅格规划器(State Lattice Planner)
状态栅格规划器(State Lattice Planner)是一种基于采样的满足动力学约束的路径规划算法。1. 为什么需要建立运动学模型传统的路径规划包括前端的路径搜索和后端的轨迹优化两部分。以上图无人机的路径规划为例,紫色实线为没有动力学约束的条件下搜索的轨迹,考虑到无人机实际运动的速度、加速度等动力学约束, 实际轨迹优化后规划的运动轨迹如紫色虚线所示;而在满足动力学约束的条件下,搜索的路径和优化的轨迹分别如绿色实线和虚线所示,可以看出,绿色路径更为合理。2. 状态栅格规划器的基本思想A*
2021-03-05 16:00:06
6374
2
原创 路径规划算法——基于采样
基于采样的路径规划算法1.快速搜索随机树快速搜索随机树(RRT)算法从起始点开始,在地图上进行随机采样,然后根据采样点信息,结合障碍物检测等约束条件,构建一棵搜索书,直到树的枝叶延伸至目标点或者达到预设的采样次数为止...
2021-03-05 09:52:01
2977
原创 路径规划中常用的地图结构
对于移动机器人中的地图,常见的数据结构包括:1.栅格地图将空间中连续的地图在X、Y轴上(3D地图中还包含Z轴)进行离散化,得到一系列栅格,每个栅格只有占据、空闲和未知三个状态。3D栅格地图2.5D栅格地图栅格地图结构化且有序,可以直接使用位置索引查询位置状态,查询的时间复杂度为O(1),其工具箱参考地址为:栅格地图2.八叉树使用一种递归、轴对齐且空间间隔的数据结构。假设空间为一个立方体,立方体中有一个小障碍物,将立方体分成八个小立方体,对包含障碍物的地方体急需进行分割,直到达到我们想要的精
2021-03-01 15:23:31
6075
原创 路径规划算法——图搜索法
图搜索法依靠已知的环境地图以及地图中的障碍物信息构造从起点到终点的路径,包括深度优先和广度优先两个方向。Dijkasta算法该算法使用了广度优先搜索,解决赋权有向图或无向图的单源最短路径问题,算法最终得到一个最短路径树。算法思路将地图抽象为Graph数据结构,实际应用场景中,地图各个路径代表的Graph的边的权重不同,例如将距离长的边权重低、拥堵的权重低。算法采用贪心策略,声明了一个数组保存源点到各个顶点的最短距离和一个保存已经找到了最短路径的顶点的集合T。算法开始时,原点s的路径权重设置为0(
2021-02-23 14:15:58
6292
原创 SINABS使用
SINABS是瑞士类脑芯片公司aiCTX开源的SNN仿真库,https://sinabs.ai对该库进行了详细的介绍。1.Spiking Neurons简介1.1人工神经元(Artificial Neuron)模型人工神经元模型可以表示为y=f(Wx+b),其中f为非线性激活函数。人工神经元的的输出直接依赖于输入,神经元没有影响到其输出的内部状态;而脉冲神经网络SNN增加了神经元对当前状态的额外依赖。1.2 LIF(Leaky Integrate and Fire)模型LIF模型是一
2020-11-17 11:13:14
1328
1
原创 Spiking Deep Convolutional Neural Networks for Energy-Efficient Object Recognition
论文地址:https://link.springer.com/article/10.1007/s11263-014-0788-31.摘要:卷积神经网络在解决目标检测等计算机视觉问题上展现了很大的优势,而脉冲神经网络在使用超低功耗的spike-based神经形态的硬件上具有极大的潜力。该篇文章的工作给出了一个新的将CNN转变为SNN网络的方法,并在DAPRA Neovision2和CIFAR-10数据集上达到了与传统CNN网络相当的优势。2.方法:2.1传统卷积神经网络模型由卷积层、tan
2020-11-11 14:39:26
1012
2
原创 R3Det: Refined Single-Stage Detector with Feature Refinement for Rotating Object
本文针对旋转目标的检测提出了R3det。论文地址:https://arxiv.org/abs/1908.056121.Introduciton 目前,旋转目标检测面临三个主要挑战:待检测目标纵横比较大 待检测目标的排列较为密集 类别不平衡 本文讨论了如何设计一个准确和快速的旋转目标检测器。文章提出了一个refined one-stage 旋转检测器,其设计策略结合了水平anchor的高召回率和旋转anchor对密集场景的适应性两方面的优点,在第一个阶段使用水平anch...
2020-10-14 15:03:21
10155
21
原创 error: ‘PyThreadState {aka struct _ts}’ has no member named ‘exc_type’; did you mean ‘curexc_type’?
使用Cpython编译c文件时报错:bbox.c:9439:21: error: ‘PyThreadState {aka struct _ts}’ has no member named ‘exc_type’; did you mean ‘curexc_type’? *type = tstate->exc_type; ^~~~~~~~ curexc_typebbox.c:9440:22: error:
2020-10-10 16:07:36
2735
1
原创 Yolo算法详解
Yolo原理Yolo是一种目标检测算法,目标检测的任务是从图片中找出物体并给出其类别和位置,对于单张图片,输出为图片中包含的N个物体的每个物体的中心位置(x,y)、宽(w)、高(h)以及其类别。Yolo的预测基于整个图片,一次性输出所有检测到的目标信号,包括其类别和位置。Yolo首先将图片分割为sxs个相同大小的grid:Yolo只要求grid中识别的物体的中心必须在这个grid内。实现方法:让sxs个框每个都预测出B个boungding box,bounding box有5个量,分别为物体的x,y
2020-09-30 15:29:08
11867
原创 Datawhale 金融风控-贷款违约预测:模型融合
模型融合的方法主要有:平均:简单平均法和加权平均法 投票:简单投票法和加权投票法 综合:排序融合和log融合 stacking blending boosting/baggingstackingstacking根据多个基学习器得到的预测结果作为新的训练集来训练一个学习器。如下图所示,假设共有5个基学习器,使用原始数据训练5个基学习器得到预测结果,然后将预测结果带入模型6进行训练,为了避免过拟合,可以使用K折交叉验证。blendingblending将预测的值作为新的特征与原特
2020-09-27 10:16:03
312
原创 Datawhale 金融风控-贷款违约预测: 赛题理解
比赛地址:https://tianchi.aliyun.com/competition/entrance/531830/introduction1. 赛题概述赛题以预测金融风险为任务。该数据来自某信贷平台的贷款记录,总数据量超过120w,包含47列变量信息,其中15列为匿名变量。为了保证比赛的公平性,将会从中抽取80万条作为训练集,20万条作为测试集A,20万条作为测试集B,同对一些特征进行了脱敏处理。比赛目标为比赛要求参赛选手根据给定的数据集,建立模型,预测金融风险。2.赛题数据主要.
2020-09-15 11:16:17
288
原创 图像的一些扩增方法
制作数据集时,直接对原始文件夹中的图像扩增使用的方法,使用了PIL库中的Image函数from PIL import Image#读取图像im=Image.open('文件名')1.缩放im_resized=im.resize(32,32)2.旋转#逆时针90im_90=im.transpose(Image.ROTATE_90)#逆时针180im_180=im.transpose(Image.ROTATE_180)#逆时针270im_270=im.transpose(
2020-09-08 17:29:50
869
原创 Submanifold Sparse Convolutional Networks
学习文章Event-based Asynchronous Sparse Convolutional Networks涉及到本文的稀疏卷积操作。关注点目前卷积网络主要对密集输入进行处理,但是现实中有许多数据是稀疏的,作者提出了稀疏卷积操作用于处理系数点,该卷积可以在子流形结构上进行操作。1.Motivation1.1子流形膨胀如图所示,一维的源泉在二维平面上进行卷积操作时,发现随着卷积层数的增加,输出的特征图的稀疏性会迅速消失。子流形用于表示稀疏数据,因为它的有效维数低于它所在的空间,例如二维空
2020-08-27 16:23:20
1120
原创 Event-based Asynchronous Sparse Convolutional Networks
文章贡献事件数据的处理方法中,批量处理事件数据,将其转换为中间输入表示的方法取得了较大的进展,但是该方法没有利用事件数据的异步性和稀疏性。本文针对事件数据,提出了一个通用的基于事件的处理框架,结合了低延迟方法和高精度批处理方法的优点。允许神经网络利用输入流和相关表示的异步和稀疏特性,从而大大减少计算量。该框架提供了几个理想特性:(1)对事件表示、神经网络结构和任务不可知;(2)不需要对优化和训练过程进行任何更改;(3)模拟了事件的时空稀疏性。1. Method介绍了展示了如何在经典的卷积架构中利用事
2020-08-26 14:58:46
615
6
原创 Xception网络
参考:[1] https://blog.csdn.net/lk3030/article/details/84847879[2] https://zhuanlan.zhihu.com/p/127042277[3] https://www.cnblogs.com/ywheunji/p/10506747.html论文信息Xception:Deep Learning with Depthwise Separable Convolutions (https://arxiv.org/abs/1610.0235
2020-08-21 15:00:41
930
原创 imageio requires Python ‘>=3.5‘ but the running Python is 2.7.13
使用python2.7安装imageio时报错。这是因为当前版本的imageio仅支持python>=3.5的版本,可以选择小于小于2.6.1版本的imageio库。# imageio versions past 2.6.1 do not support <3.5 anymoreimageio<=2.6.1; python_version<'3.5'imageio; python_version>='3.5'...
2020-08-21 10:55:19
2632
原创 Command “python setup.py egg_info“ failed with error code 1 in /tmp/pip-build-fuLegg/opencv-python/
Command "python setup.py egg_info" failed with error code 1 in /tmp/pip-build-fuLegg/opencv-python/使用python2.7安装opencv-python时报错,在https://mirrors.tuna.tsinghua.edu.cn/pypi/web/simple/opencv-python/找到2.7对应版本其中下载opencv_python-3.1.0.0-cp27-cp27m-manyli.
2020-08-21 10:12:11
633
原创 EV-SegNet: Semantic Segmentation for Event-based Cameras
本文主要提出了一个适用于DVS数据的语义分割网络。背景DVS属于一种比较有前途的传感器,可以捕捉环境的强度变化,DVS将数据强度以事件流的形式输出,事件表示为在特定时刻特定像素处的强度变化。DVS的优点如下:高时间分辨率,可以在微秒捕获多个事件;高动态范围,可以在弱光或黑暗环境下捕获信息低功耗和带宽要求在图像识别领域,DVS的使用难点如下:对于CNN模型来说,缺乏合适的DVS事件流表示缺少标记的训练数据集本文的创新点如下:提出了一个Xception-based CNN模型,可
2020-08-20 13:58:49
1074
4
原创 报错 numpy.core.multiarray failed to import
解决方法:pip install --upgrade numpy
2020-08-13 17:08:58
125
原创 报错‘COCO‘ object has no attribute ‘get_cat_ids‘
mmdetection安装完成后,运行python tools/test.py configs/faster_rcnn/faster_rcnn_r50_fpn_1x_coco.py报错。报错原因:mmdetection使用了pycocotools,原本的借口为pycocotools.coco.getCatIds,mmdetection又外包编译为get_cat_ids,导致pycocotools.coco调用成员函数失败。解决方法,重新安装COCOAPI:pip install ..
2020-08-13 16:10:03
1209
原创 语义分割(FCN,UNET,DEEPLAB)
语义分割(FCN,UNET,DEEPLAB)语义分割的目的是对图像中的每一个像素点进行分类,从而确定每个像素点所属的类别。(从像素级别进行分类)1.FCN(Fully Convolustional Networks)VGG和Resnet等CNN网络通过在网络最后加入全连接层,然后再经过softmax获得类别的概率信息,得到的一维概率信息可以对整张图片的类别进行识别。FCN提出将网络后边的全连接层全部换成卷积,从而得到二维的特征图(feature map),使用反卷积层对特征图进行上采样,恢复到与图像相
2020-08-12 15:34:44
2481
原创 目标检测算法概述
内容主要来自:(1)一文读懂目标检测https://zhuanlan.zhihu.com/p/40986674 (2)目标检测算法之SSDhttp://mp.weixin.qq.com/s?__biz=MzUyMjE2MTE0Mw==&mid=2247485558&idx=2&sn=d9b61680e523da49445f202f1fbb6954&chksm=f9d156eecea6dff8894f7ca6a1dd7a915c2...
2020-07-31 16:23:28
1613
原创 Bindsnet使用
Bindsnet是一个基于pytorch实现的用于搭建SNN的框架。关于网络构建:(1)首先初始化一个网络:import torchimport matplotlib.pyplot as pltfrom bindsnet.network import Network, nodes, topology, monitors#初始化一个网络network = Network(dt=1.0)(2)定义层,以及层与层之间的连接(其中moitor用于记录网络运行过程中各层的电压和脉冲)X
2020-07-30 16:12:47
1928
1
原创 决策树可视化报错“GraphViz's executables not found”
windows环境下使用决策树可视化时报错,pip install graphviz无效,查阅相关资料,首先下载graphviz软件:https://graphviz.gitlab.io/_pages/Download/Download_windows.html解压后,可以手工添加bins路径import os#根据自己的路径添加bins文件os.environ["PATH"]...
2019-12-21 14:44:09
269
原创 调用flow_from_directory()出现“Found 0 images belonging to 2 classes”问题
问题描述: 使用keras的图像数据生成器(keras.preprocessing.image.ImageDataGenerator)抛出图像时出现"Found 0 images belonging to 2 classes"问题。原因:识别出两个类别,证明目标文件夹满足要求,在stackoverflow上查找原因,发现:从对应网址下载keras_preprocessing文件夹,并将...
2019-03-12 23:12:55
5930
3
原创 关于Adversarial Attack 进攻方的综述
1. 对抗攻击的概念ML算法的输入形式为数值型向量,攻击者可以设计一种针对性的扰动生成对抗样本,让机器学习模型出现误判,称为对抗性攻击;对抗性攻击分为两种:黑盒攻击(blck-box attack) 黑盒攻击的攻击者不知道机器学习的算法和参数,攻击者产生对抗性数据(adversarial permutation)的过程中可以与机器学习 系统有所交互。...
2019-02-22 17:27:19
3257
原创 哈希表
1.哈希表哈希表(亦称为散列表)是一种根据关键码寻找值的数据映射结构。哈希表设计了映射关系f(key)=address,根据key计算存储地址address,以下图为例:若想寻找余罪,可利用哈希函数:f(余罪)=s,所以可以在O(1)的时间内访问任意位置。2.哈希冲突哈希函数的映射可能会出现碰撞,即有多个元素被映射到同一个位置,出现哈希冲突,它与哈希函数的设计是正相关的,当哈希...
2019-02-17 13:45:02
226
原创 运动想象EEG背景知识
定义: “脑”指有机生命形式的脑或神经系统;“机”指处理或计算的设备;“接口”指用于信息交换的中介物;脑机接口(BCI系统)可定义为人或动物脑与外部设备间创建的用于信息交换的连接通路 实现: 信号采集>>信号预处理>>特征提取>>分类识别>>反馈 信号采集:采集EEG(脑电信号),用于采集的BC...
2018-05-01 11:02:38
5980
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人