AI
文章平均质量分 78
jack_201316888
这个作者很懒,什么都没留下…
展开
-
2023年技术积累方向---梳理
--------------------------------------------------------数学基础以及专业基础-------------------------------------------------------------研究生专业计算机应用技术,计算机原理,电路原理,数字电路,模拟电路,通信原理,数据结构,离散数学,随机过程,算法导论,,tensorflow,caffe,karas,java,android,c,pyhon,linux,ROS。......原创 2022-07-21 20:48:07 · 572 阅读 · 1 评论 -
TVM代码结构
apache/tvm: Open deep learning compiler stack for cpu, gpu and specialized accelerators (github.com)3rdparty:主要是TVM使用到的第三方库apps:包含了TVM的扩展项目,并有使用TVM的示例cmake:cmake工程文件conda:conda安装脚本docker:包含TVM的docker模块docs:包含TVM的文档golang:包含TVM的golang接口includ...原创 2021-05-13 10:59:56 · 316 阅读 · 0 评论 -
嵌入式AI在linux芯片平台上的部署方案,选型。
ONNX 简述 ONNX是一种AI神经网络模型的通用中间文件保存方法(可以理解成AI世界的XML),各种AI框架,Inference引擎,甚至OpenCV里面的dnn onnx相关的模块都可以解析ONNX文件并生成特定平台和运行框架所支持的神经网络模型。ONNX本身不是AI神经网络运行框架,只是AI神经网络模型通用中间描述文件格式 GitHub链接https://github.com/onnx/onnx 编程语言 C++ / Python 热度 5星 Tenso转载 2021-05-13 10:42:23 · 2050 阅读 · 0 评论 -
darknet 训练数据集,部署在arm+gpu上。
应团队的要求,最近在嵌入式终端搞了darknet,并在rk3399 arm + gpu的环境下,训练并部署darknet ,采用yolo一、标注工具(labelimg)1.下载地址2.双击运行3.保存后的文件为xml格式二、下载编译darknet1.拉取darknetgit clone https://github.com/pjreddie/darknetcd darknet2.修改配置文件Makefile(如何使用gpu可参考)GPU=1 #如果使..转载 2021-05-12 19:18:47 · 900 阅读 · 2 评论 -
FPGA 图像处理与CV
https://feixiaoxing.blog.csdn.net/article/details/105722745在传统的图像处理过程中,很多算法都是由cpu来完成的。但是由于cpu是一条指令、一条指令来完成的,整个时间上处理比较长。因此如果在图像处理的过程中出现标定、噪声处理、hsv提取、灰度化、旋转、算子计算、二值化、膨胀、腐蚀多次操作之后,那么整个计算时间是挺长的,因为每次处理的时候都需要将循环处理每个像素值,时间上是非常可观的。所以,要想提高处理的速度,满足实时性能要求,要么cpu...转载 2021-03-26 15:24:01 · 470 阅读 · 0 评论 -
深度学习FPGA开发方式
https://blog.csdn.net/weixin_35729512/article/details/79763952FPGA深度学习的方向概述传统的CNN(Tensorflow、caffe)是在GPU、CPU上面进行的,但因为其功耗高、散热不好、价格昂贵。但是在单纯的FPGA这类芯片上进行深度学习类的算法,往往开发难度大,开发周期漫长,不适合CNN算法的实现。CNN算法的步骤划分,训练(PC)+异构平台(SOC)。因此,才出现了各种异构平台SOC,如FP...转载 2021-03-16 11:49:54 · 1240 阅读 · 0 评论 -
深度学习
声明:1)该Deep Learning的学习系列是整理自网上很大牛和机器学习专家所无私奉献的资料的。具体引用的资料请看参考文献。具体的版本声明也参考原文献。2)本文仅供学术交流,非商用。所以每一部分具体的参考资料并没有详细对应。如果某部分不小心侵犯了大家的利益,还望海涵,并联系博主删除。3)本人才疏学浅,整理总结的时候难免出错,还望各位前辈不吝指正,谢谢。4)阅读本文需要机器学习、计算机视觉、神经网络等等基础(如果没有也没关系了,没有就看看,能不能看懂,呵呵)。5)此属于第一版本,若有错转载 2021-01-06 18:48:18 · 106 阅读 · 0 评论 -
FPGA and AI inference
众所周知,实施一个完整的 AI 应用需要经历训练和推理两个过程。所谓“训练”,就是我们要将大量的数据代入到神经网络模型中运算并反复迭代,“教会”算法模型如何正确的工作,训练出一个 DL 模型。而接下来,我们就可以利用训练出来的模型来在线响应用户的需求,根据输入的新数据做出正确而及时的决策判断,这个过程就是“推理”。通常来讲,一个 AI 应用中“训练”只需要做一次——有时这个工作会交给第三方专业的且有充沛算力资源的团队去做,而应用开发工程师要做的则是将训练好的模型部署到特定的硬件平台上,满..转载 2020-12-31 17:47:31 · 453 阅读 · 0 评论 -
百度人脸识别sdk-转
https://ai.baidu.com/ai-doc/FACE/Qk37c1mzc目录1、简介 1.1 产品概述 1.2 规格信息 1.3 兼容性 1.4 授权方式 1.5 产品定价2、SDK详细介绍 2.1 名词解释 2.2 SDK简介 2.3 SDK文件结构 2.4 激活工具 2.5 Demo示例工程 2.6 特征抽取模型选择3、功能接口 3.1 人脸检测及设置 3.1.1 人脸检测track接口(传入转载 2020-11-16 16:19:47 · 3372 阅读 · 1 评论 -
YOLOV5 计数某类目标的方法
https://github.com/ultralytics/yolov5/issues/242比如计数人的个数。countingHow to write the detected number of people in the videoAt this line, you can find the class and the bounding boxes coordinates.yolov5/detect.pyLine 97 in0a08375 for *xyxy, co..原创 2020-11-13 18:05:18 · 8146 阅读 · 3 评论 -
YOLOV4目标检测--计数方法draw_detections_v3
YOLOv4检测图片添加置信度和计数YOLOv4检测图片添加置信度和计数本文章向大家介绍 YOLOv4检测图片添加置信度和计数 ,主要包括 YOLOv4检测图片添加置信度和计数 使用实例、应用技巧、基本知识点总结和需要注意事项,具有一定的参考价值,需要的朋友可以参考一下。主要修改的image.c文件,在darknet目录下直接ctrl+f搜即可,然后打开,找到draw_detections_v3函数,加入用来计数的变量。(我的改法其实有点问题,如果置信度位数过多的话左上角第二行会重...原创 2020-11-13 17:41:32 · 2267 阅读 · 1 评论 -
深度学习图像-半自动和自动标注工具
Tensorflow和Caffe等深度学习中,监督学习的数据标注是一件非常繁琐和耗时的工作,目前大多数公司都采用外包给标注公司进行处理,或者购买现有的数据集,使得进行深度学习研究的成本异常高。本文介绍一种以人工智能解决数据标注的思路和方法。一、思路步骤:1、以一个初步模型对小批量待标注数据进行检测,这里的初步模型可以是自己用少批量数据集训练出来的,也可以用网上公布的;2、对检测出来的结果进行人为干预纠正;3、把纠正后的数据训练新的模型;4、用新模型对中等批量待测数据进行检测;5、原创 2020-11-10 17:41:58 · 4801 阅读 · 0 评论 -
deeplabv3+训练自己的数据集
deeplabv3+训练自己的数据集环境:ubuntu 16.04 + TensorFlow 1.9.1 + cuda 9.0 + cudnn 7.0 +python3.6tensorflow 项目链接 https://github.com/tensorflow/models.git (deeplabv3+)1、添加依赖库到PYTHONPATH首先添加slim路径,每次打开terminal都要加载路径 # From tensorflow/models/research/..转载 2020-11-10 15:58:17 · 1074 阅读 · 0 评论 -
标注工具via介绍
超详细标注工具via的使用教程via官网地址本教程以配置标记虫子为案例,对via展开介绍。虫子类别图如下1, 解压三个压缩包后,依次得到 1. 需要标记的图片, 2. chrome浏览器, 3. 标注工具 (自己更改了名字,便于使用),如下图2,打开chrome-win32文件夹,打开chrome.exe (google浏览器),如下图3,返回进入到 标注工具 文件夹下,将最后一个 标注工具.html 拖入到上一步打开的浏览器中,结果如下...原创 2020-11-09 09:12:12 · 2332 阅读 · 0 评论 -
YOLOV5 数据集制作-转
https://blog.csdn.net/killfunst/article/details/108010200在这里推荐我常用的标注工具 VIA。用久了,很多转化脚本都是基于这个工具导出的格式,所以没用其他标注工具了。VIA可以在线标注,地址是:http://www.robots.ox.ac.uk/~vgg/software/via/via.html标注完数据后,保存项目,导出一份json。下面代码把该json转换成YOLOv5所需的标注格式import osimport jso转载 2020-11-09 09:02:29 · 1213 阅读 · 0 评论 -
推荐系统入门
1. 推荐系统是什么?推荐系统又叫个性化推荐系统,它会基于用户行为数据或物品数据,通过一定的算法,为用户推荐符合他需求的物品。试想一下这样的场景,我们有一个电商网站,有数千万种商品。有一天,进来了三个客人,A是电子产品发烧友,B是化妆品爱好者,C超级爱买书。他们想买一些符合自己喜好的商品,但是看到密密麻麻的分类列表,大脑有点转不过来。我们呢,想最快的把商品推到他们眼前,最好能让他们第一眼就看到自己最喜欢的商品,但是我们不知道他们喜欢什么,全都推给他们显得太热情了,只挑一部分又有可能选不到他们喜 欢的原创 2020-11-04 17:57:03 · 431 阅读 · 1 评论 -
推荐算法介绍
推荐算法入门1. 推荐算法知识架构推荐算法有很多种,大体上可以将推荐算法分为以下几种:协同过滤推荐算法(Collaborative Filter) 基于内容的推荐算法(Content-based Filter) 基于人口统计信息的推荐算法(Demographic-based) 混合推荐算法(Hybrid Recommender)2. 协同过滤推荐算法(Collaborative Filter,CF)因为这种推荐算法可以通过基于统计的机器学习算法来得到较好的推荐效果,在工程上容易.原创 2020-11-04 17:51:54 · 711 阅读 · 1 评论 -
deeplab V3 在皮肤检测,表面缺陷检测上的应用。
参考:https://blog.csdn.net/Guo_rongxin/article/details/79842895参考:https://www.jianshu.com/p/952aae926d08参考:https://zhuanlan.zhihu.com/p/40470298论文:Rethinking Atrous Convolution for Semantic Image Segmentation摘要 本文中,我们再次讨论带孔卷积,一个调整卷积核感受野的强大工具,并且可以控.原创 2020-11-02 14:49:04 · 899 阅读 · 0 评论 -
图像语义分割在皮肤检测,缺陷检测上的应用。
https://edu.51cto.com/course/18817.htmlhttp://www.xjishu.com/zhuanli/55/201910751564.html背景技术:人的脸部皮肤状况因人而异,常见的问题有毛孔粗大、皱纹多、存在大量红血丝、皮肤出油过多等。随着物质水平提高,在生活中人们愈发关心起自己的皮肤肤质问题。而现有的技术,想要了解自身肤质情况,一般需要去专业美容医院寻求医生进行诊断。但是通过这种方式存在一定问题,一是不够便捷,二是仅凭从业人员的经验判断也会存在一定的误差转载 2020-11-02 14:45:27 · 1463 阅读 · 0 评论 -
2020-10-27
https://blog.csdn.net/moxibingdao/article/details/106799016?utm_medium=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-8.compare&depth_1-utm_source=distribute.pc_relevant.none-task-blog-BlogCommendFromMachineLearnPai2-8.compare本转载 2020-10-27 11:42:33 · 566 阅读 · 1 评论 -
deeplab介绍
■ 论文 | Encoder-Decoder with Atrous Separable Convolution for Semantic Image Segmentation■ 链接 | https://www.paperweekly.site/papers/1676DeepLab 是结合了深度卷积神经网络(DCNNs)和概率图模型(DenseCRFs)的方法。在实验中发现 DCNNs 做语义分割时精准度不够的问题,根本原因是 DCNNs 的高级特征的平移不变性,即高层次特征映射,根源于.原创 2020-10-26 11:15:18 · 12614 阅读 · 0 评论 -
皮肤检测
https://www.zhihu.com/question/24210859原创 2020-10-23 18:08:16 · 443 阅读 · 0 评论 -
行人重识别基础系统学习
罗浩https://zhuanlan.zhihu.com/p/31921944学习视频https://www.bilibili.com/video/BV1Pg4y1q7sN?p=12原创 2020-10-23 14:19:45 · 186 阅读 · 0 评论 -
跨摄像头多人跟踪技术收集
跨摄像头多人跟踪技术收集。https://zhuanlan.zhihu.com/p/245247959 ReIDhttps://github.com/JDAI-CV/fast-reid 京东AI发布,fastreid。据称目前时sotahttps://zhuanlan.zhihu.com/p/76460186?from_voters_page=true siammaskhttps://blog.csdn.net/qq_21997625/article/details...原创 2020-10-21 16:18:43 · 1893 阅读 · 0 评论 -
ReID(BoT)行人重识别
接下来,我会为大家无死角的解析fast-reid(BoT-行人重识别),之前的文章,如下(以下是我工作的所有项目,每一个项目都是,我都做了百分百的详细解读,随着项目增多,为了方便不臃肿,所以给出以下链接)视觉工作项目-为后来的你,提供一份帮助!我相信,关于fast-reid(BoT)的讲解,我的这一系列博客或许不是国内最早的,但是肯定是最详细的,该网络对应的论文为:Bag of Tricks and A Strong Baseline for Deep Person Re-identification转载 2020-10-21 14:53:07 · 769 阅读 · 0 评论 -
ReID行人重识别
跨镜追踪(Person Re-Identification,简称 ReID)技术是现在计算机视觉研究的热门方向,主要解决跨摄像头跨场景下行人的识别与检索。该技术能够根据行人的穿着、体态、发型等信息认知行人,与人脸识别结合能够适用于更多新的应用场景,将人工智能的认知水平提高到一个新阶段。ReID 是行人智能认知的其中一个研究方向,行人智能认知是人脸识别之后比较重要的一个研究方向,特别是计算机视觉行业里面,首先简单介绍 ReID 里比较热门的几项内容:行人检测。任务是在给定图片中检测出行人位置的矩形转载 2020-10-20 18:58:46 · 1153 阅读 · 0 评论 -
Insightface 之部署,TVM基础
参考文档mxnet官方install手册 TVM 0.4.0官方安装指导手册 LLVM下载地址 Debian/Ubuntu Linux下安装LLVM/Clang编译器开发环境介绍操作系统版本:Ubuntu16.04 LTS 64-bit,编译TVM的host、target版本; 目标器件为Firefly-RK3399,采用双核Cortex-A72和四核Cortex-A53的大小核架构。 MXNet版本: v1.2.1 LLVM版本: v6.0 TVM版本: v0.4.0 交叉编译工原创 2020-09-25 18:12:43 · 1027 阅读 · 0 评论 -
TVM insightface
自从AI被炒作以来,各个深度学习框架层出不穷。我们通常来讲,作为AI从业者,我们通常经历着标注-训练-部署的过程。其中部署是较为痛苦的工作,尤其是在跨平台如(移动端需要native对接的时候。)当然用于inference框架同样也是层出不穷。但是大多数框架框架往往性能都一般,或者要手写相关op,或者就是转换模型较为麻烦。TVM的出现很大程度上为模型部署带来了福音。但是网上将用于TVM部署的教程还比较少,尤其是通过cpp和移动端部署。本文以Insightface Model Zoo中的MobileFace转载 2020-09-25 17:44:19 · 433 阅读 · 0 评论 -
微表情识别
https://zhuanlan.zhihu.com/p/149928673原创 2020-09-25 10:29:35 · 380 阅读 · 0 评论 -
FER based on pytorch
https://github.com/WuJie1010/Facial-Expression-Recognition.Pytorch原创 2020-09-25 09:31:45 · 174 阅读 · 0 评论 -
FER 人脸表情识别
随着以深度学习为代表的人工智能技术的发展,人工智能现已涉及到我们生活的方方面面,也有越来越多的人转行开始从事人工智能技术的研究和实现。本人也刚刚接触深度学习不久,凭着兴趣爱好在业余时间学习了一些深度学习方面的基本知识和技能,因此想把自己在最近一段时间内学到的东西写下来。接下来我会写一系列文章,主要以表情识别为核心问题,以caffe为主要框架,并将涉及云计算、人脸检测等一系列技术,向大家介绍一个完整的深度学习模型的开发流程。系列文章如下:【深度学习】基于caffe的表情识别(一):概述...转载 2020-09-25 09:27:26 · 734 阅读 · 0 评论 -
关于表情识别-综述 FER --FER2013
表情识别综述AI 前线导读:面部表情识别技术(FER)正逐渐从实验室数据集测试走向挑战真实场景下的识别。随着深度学习技术在各领域中的成功,深度神经网络被越来越多地用于学习判别性特征表示。目前的深度面部表情识别系统通常面临两个关键问题:由于缺乏足够的训练数据所造成的过度拟合,和与表情无关的变化,如照明、头部姿势和身份偏置信息。这篇文章是对深度面部表情识别的全面综述,也是 AI 前线第 30 篇论文导读。首先,我们结合相关背景知识,介绍深度 FER 系统的标准流程。然后,我们介绍了目前在文献中广泛使用..原创 2020-09-25 09:18:23 · 5283 阅读 · 0 评论 -
CUDA_NVCC_FLAGS set
NVIDIA CUDA C++ 编译器 nvcc 基于每个内核,既可以用来产生特定于体系结构的 cubin 文件,又能产生前向兼容的 PTX 版本。每个 cubin 文件针对特定的计算能力版本,并且仅与相同主要版本号的 GPU 架构向前兼容。例如,针对计算能力 3.0 的 cubin 文件支持所有计算能力 3.x 设备,但不支持计算能力 5.x 或 6.x 设备。基于这个原因,为了确保与应用程序发布后引入的 GPU 架构的向前兼容性,建议所有应用程序都包含其内核的 PTX 版本。注意:CUD原创 2020-09-25 03:28:31 · 4110 阅读 · 0 评论 -
cuda – 在CMake中确定我需要的nvcc所需的gencode(compute_,arch_)值
cuda – 在CMake中确定我需要的nvcc所需的gencode(compute_,arch_)值时间2019-08-11标签 cuda cmake build-automation detection 栏目 Linux我正在使用CMake作为我的代码的构建系统,它涉及CUDA.我正在考虑自动执行决定哪个compute_XX和arch_XX需要传递给我的nvcc以便为我当前机器上的GPU编译的任务.>有没有办法做到这一点:>使用NVIDIA GP...原创 2020-09-25 03:16:30 · 2281 阅读 · 0 评论 -
BundleFusion code
https://blog.csdn.net/weixin_38636815/article/details/107838359背景:前面用了几篇文章来记录和总结了,我在研究bundlefusion过程中遇到的一些问题以及解决方法,本来想实现给bundlefusion输入先验轨迹,然后让其根据给定的轨迹进行重建,这样即便在环境比较恶劣的情况下,也可以使用给定的位姿完成重建任务,但是这段时间对bundlefusion有了新的认识,意识到这件事没有我想象的那么简单。bundlefusion的研究工作就要告一段转载 2020-09-02 10:00:37 · 1436 阅读 · 0 评论 -
计算机视觉资料汇总(3DCVer)
本资料首发于公众号【3D视觉工坊】,原文请见那些精贵的3D视觉系统学习资源总结(附书籍、网址与视频教程),更多干货请关注公众号后台回复关键字获取~(一)基础操作Linux:学习网站Linux中国:Linux 中国◆开源社区鸟哥的linux私房菜:鳥哥的 Linux 私房菜 -- 鳥哥的 Linux 私房菜 首頁Linux公社:Linux公社 - Linux系统门户网站学习书籍《鸟哥的Linux私房菜》《Linux命令行与shell脚本编程大全》《Linux Sh...转载 2020-08-21 10:40:01 · 2076 阅读 · 0 评论 -
Pointsift
文章目录摘要 介绍 PointSIFT基本结构 PointSIFT模型 overview 方向编码卷积 讨论 多尺度意识 讨论 整体架构 结论最近看了PointSIFT这篇文章,写一下笔记,有些地方还不是很明白,会回来补充。另外按照作者提供的方法,在服务器上用了10天才完成了整个网络的训练,感觉时间还是很长的。题目:PointSIFT: A SIFT-like Network Module for 3D Point Cloud.转载 2020-08-20 14:54:36 · 320 阅读 · 1 评论 -
3D视觉学习路线汇总
微信公众号推荐【3D视觉工坊简介】公众号【3D视觉工坊】,致力于3D视觉算法、SLAM算法、三维重建、点云处理、深度学习、目标检测、语义分割、自动驾驶感知算法等领域的技术传播,注重内容的原创分享和高质量学习心得的传播。【作者介绍】公众号博主1:Tom Hardy,先后就职于国内知名研究院、自动驾驶独角兽公司、海康研究院,致力于计算机视觉算法、深度学习算法、自动驾驶感知算法等领域的研究,CSDN博客专家。公众号博主2:小凡,先后任职于知名研究院、知名VSLAM公司,致力于3D视觉算法、转载 2020-08-20 14:31:07 · 1113 阅读 · 0 评论 -
三维深度学习之pointnet系列详解
https://blog.csdn.net/qq_15332903/article/details/80224387https://blog.csdn.net/qq_15332903/article/details/80224387目前二维深度学习取得了很大的进步并且应用范围越来越广,随着三维设备的发展,三维深度学习得到了很大的关注。最近接触了三维深度学习方面的研究,从pointnet入手,对此有了一点点了解希望记录下来并分享,若有误希望指正~持续更新以下所有的解读基于点云分类。一...转载 2020-08-20 14:25:07 · 1028 阅读 · 0 评论 -
3D视觉
我们生活在三维空间中,如何智能地感知和探索外部环境一直是个热点难题。2D视觉技术借助强大的计算机视觉和深度学习算法取得了超越人类认知的成就,而3D视觉则因为算法建模和环境依赖等问题,一直处于正在研究的前沿。近年来,3D视觉技术快速发展,并开始结合深度学习算法,在智能制造、自动驾驶、AR/VR、SLAM、无人机、三维重建、人脸识别等领域取得了优异的效果。3D视觉是计算机视觉的终极体现形式2D视觉技术主要在二维空间下完成工作,三维信息基本上没有得到任何利用,而三维信息才真正能够反映物体和环境..转载 2020-08-20 10:55:07 · 2101 阅读 · 0 评论