- 博客(39)
- 收藏
- 关注
RSS订阅转载 公钥体系的原理和用途
公钥体系的原理为：用户A有一对密钥对，分为公钥和私钥，这对密钥对是唯一的，是通过对一个巨大的素数进行因数分解所得。当用公钥加密过的信息，只能使用与它配对的私钥来解密，反之亦然，私钥加密码的信息也只能用公钥来解密。这样，A从认证体系生成密钥对后，把它的私钥保存好，把公钥公开出去，当一个用户B要与A通信，又想确保数据安全时，就可以使用A的公钥来加密信息，再把密文传给A，因此这个世界是只有A手中的私钥才能对这个密文进行解密，这样就确保了信息的安全。事实上，信息加密码只是公钥体系的用途之一，它还有一个用途就是对
2021-09-08 08:21:48
1210
转载 一文了解边缘计算和边缘AI
以下文章来源于数据派THU ，作者数据派这个9月，AI芯片独角兽地平线发布了自诩最强边缘 AI 芯片地平线「旭日3」，一时间引起轰动。相比第二代芯片，「旭日3」的AI性能上得到很大提升，只需在 2.5W 的功耗下，能够达到等效 5TOPS 的标准算力。尤其是对应高端市场的旭日3M，有更强大的编解码能力，强大的ISP效果令其极具竞争力。这些年来，地平线的主要精力都放在旭日及征程等系列，产品线主要聚焦在边缘AI芯片这一领域，这也让地平线成为全球估值最高的人工智能芯片独角兽。众所周知，AI芯片
2021-08-01 23:16:57
351
原创 车辆航空数据集 Aerial Image
DLR 3K Munich Vehicle Aerial Image Dataset (DLR-3K)Vehicle Detection in AerialImagery Dataset (VEDAI-1024
2021-01-26 11:02:10
1040
1
原创 encoder-decoder模型学习
encoder-decoder模型定义：不是具体的一个模型，而是指一类模型。编码部分将源序列转化为固定长度的向量，解码部分是将固定长度的向量转化为输出的目标序列。用途：可以用于Sequence2Sequence任务，即将一个给定的字符串序列，转化为对应的字符串序列。（如翻译，语义转化）举例：通常的做法是将源序列编码到一个中间的context中，context是一个固定的向量，再通过context输出为目标序列。以人的大脑为例，当我们看一个图片或者知识时，我们首先会把知识以大脑可以理解..
2021-01-25 23:13:17
523
原创 热图
在一些学术文章中常常会看到热力图heatmap，下面我们来简单理解一下热图定义：数据比较常见的可视化手段，通过丰富的色彩变化来进行信息表达，广泛的应用在大数据分析场景。举例理解：我们选取一百个随机数，大小各异，对最小的值设置最冷的色调，最大的值设置最暖的色调，依次递进，可以得到热力图如下可以通过热力图的色彩来呈现数值的大小，也可以看到大数值的聚集情况。...
2021-01-25 21:15:00
1542
转载 ubuntu下如何查找某个文件的路径
1.whereis文件名 特点:快速,但是是模糊查找,例如 找 #whereis mysql它会把mysql,mysql.ini,mysql.*所在的目录都找出来. 2.find / -name文件名 特点:准确,但速度慢,消耗资源大,例如我想找到php.ini的准确位置,就需要用 #find / -name php.ini 3.locate文件名 强力推荐的方法,最快,最好的方法. 注意:第一次使用该命令,可能需要更新数据库,按照提示的命令执行一下就好了....
2020-11-21 21:57:42
6896
转载 Ubuntu18.04——gcc版本的升降
1.安装所需要版本的gccsudo apt install gcc-x.x 例如：sudo apt install gcc-4.82.查看系统中gcc已有版本ls /usr/bin/gcc*3.将版本加入GCC候选项 ，最后的数字是优先级sudo update-alternatives --install /usr/bin/gcc gcc /usr/bin/gcc-4.8 xxx例如：sudo update-alternatives --install /usr/bi...
2020-11-19 00:08:55
380
转载 ubuntu 安装opencv-python
1.安装依赖sudo apt-get install libtiff5-devsudo apt-get install build-essential cmake libgtk2.0-dev libavformat-dev libswscale-dev libavcodec-dev libjpeg62-dev pkg-config ffmpeg
2020-11-16 10:59:20
630
原创 Pycharm远程连接服务器（方便windows下修改ubuntu远程服务器代码）亲测
1.目标实现windows下修改代码，保存后，上传到服务器。2.1 配置SFTP连接除了红框内的，其余的其余的默认即可。 连接服务器的一般为root用户，其余用户无法连接。测试是否成功...
2020-11-15 20:56:32
385
原创 opendr下载，安装及使用
1.代码下载：git clonehttps://github.com/mattloper/opendr2. 解决 pip 安装opendr包 卡住的问题https://www.cnblogs.com/zealousness/p/8977298.html3.渲染工具OpenDR论文和源码部分阅读https://52zju.cn/?p=454
2020-11-12 00:29:17
3388
3
原创 conda多环境搭建及安装对应tensorflow
前提：安装好了anaconda软件，ubuntu环境多套环境搭建：本系统一般有base环境，多为3.5以上的python环境。因此常常需要2.7左右的python环境。创建新环境：conda create --name tf1.6-p2.7 python=2.7 tf1.6-p2.7为环境name，python=2.7会直接安装2.7的最新版本conda activate tf1.6-p2.7 激活环境conda deactivate 退出当前环境，回到...
2020-11-11 23:07:09
618
转载 anaconda安装及使用
前提：本人在官网下载了linux版本的Anaconda3-2020.07-Linux-x86_64.sh，自带pythonPython 3.8安装：把包放在某个路径下，命令：bashAnaconda3-2020.07-Linux-x86_64.sh安装过程中可以选路径，
2020-11-02 17:59:45
361
转载 ubuntu创建用户
在Ubuntu下useradd与adduser有所不同1、useradd在使用该命令创建用户是不会在/home下自动创建与用户名同名的用户目录，而且不会自动选择shell版本，也没有设置密码，那么这个用户是不能登录的，需要使用passwd命令修改密码。因此，在该用户在登录后安装环境时在home写配置信息时会存在问题。2、adduser在使用该命令创建用户是会在/home下自动创建与用户名同名的用户目录，系统shell版本，会在创建时会提示输入密码，更加友好。adduser ...
2020-11-02 17:40:47
456
原创 windows和linux等服务器各自支持的python，tensorflow，cuda，cudnn型号
发文目的及感言：由于本人在win10系统下安装了python2.7各种尝试tensorflow1.6等版本，各种奇怪错误，后面查原因才知道大坑所在（血泪史，画了我一天多的时间）。发此文的目的也是想让后来人能少走一些弯路，顺便给自己记录一下。核心点：tensorflow的开发大神们windows系统：（！！切记目前还没有开发出适配所有版本各种包，因此产生了这种情况：服务器系统，tensorflow版本，python版本，cunda，cudnn，都是要有一定的限制和对应的，不支持随便任意版本的环
2020-11-02 13:44:41
229
原创 服务器nvida显卡驱动安装（亲测）
一.准备工作：（显卡驱动要对应系统版本和显卡版本）查看系统版本：uname -a 或者cat /proc/version57~18.04.1-Ubuntu SMP Thu Oct 15 14:04:49 UTC 2020 x86_64 x86_64 x86_64 GNU/Linux查看显卡信息：lspci | grep -i nvidia02:00.0 VGA compatible controller: NVIDIA Corporation GP102 [TITAN X].
2020-11-02 13:18:37
4749
原创 服务器硬盘挂载（永久挂载UUID）
1. lsblk命令可以清晰的获取全局的块设备布局，如果未挂载，moutpoint点是空的。该命令会显示服务器上所有的硬盘，包含未挂载的。 df -h 命令 只显示挂载的硬盘概况 2. 查看未挂载硬盘的UUIDls -l /dev/disk/by-uuid/ 获取UUID3.vi编辑/etc/fstab文件系统信息，在最后加入未挂载硬盘信息。挂载信息编写遵循这些字段《file system》 《mount point》 《type》 《options》 ...
2020-11-02 10:51:54
4018
原创 Anaconda下载 官网及国内开源镜像站
北京外国语大学开源软件镜像站https://mirrors.bfsu.edu.cn/注：**强烈推荐！！！**2020-05-02 上线，清华大学开源软件镜像站的姐妹站，下载体验极佳，再也不用忍受清华源永远下不完的 pytorch 了。channels: - defaultsshow_channel_urls: truechannel_alias: https://mirrors.bfsu.edu.cn/anacondadefault_channels: - https://mir
2020-11-01 22:47:17
26238
原创 深度图像简单介绍
概念理解： 深度图像也可以称为距离影像，也就是图像中记录拍摄设备到场景中各点的距离，反映了场景中物体的几何形状。深度图像的获取方式： 激光雷达深度成像法、计算机立体视觉成像、坐标测量机法、莫尔条纹法、结构光法与普通图像的差别：普通图像没有记录物体到拍摄设备的距离，只能够通过语义来哪个物体离我们远，哪些离我们近，没有准确的距离数据。深度图像的作用：通过距离以及某个点的坐标，我们可以计算整个图像中所有点的三维坐标。 因此，可以和点云数据相互转化。对三维重建场景...
2020-10-13 20:56:17
4079
1
原创 如何真正掌握住单词
1、系统化学习单词背诵要系统化 （音，释义，拼写，近义词，短语，语境用法，等）从音能够到拼写和意思、用法、短语等，从词到音和意思。积累多了要对同类型单词进行归类。2、每天定量学习正常人一天50-80个单词，厉害的可以到100多。3、每个单词要保证学到五遍以上，不断地重复。最终达到滚瓜烂熟，不用反应时间就可以知道单词的音。4、后面的日常读论文或者其他阅读不断的增加见面的机会要随时学习新单词，短语和句式，读音，近义词等。...
2020-09-28 09:21:20
431
原创 雅思听力提高总结
1、单词是基础，连基本的单词都搞不定，听力一定听不懂。包含听了单词不知道意思，听了反应半天（导致后面的句子没听）。工具： 欧路词典 将雅思听力词汇按照高低频导入欧路词典，按照高低频去学，这样子可以迅速掌握一些核心单词。避免学了一堆单词，但在听力中出现很少的情况。2、做题技巧针对出题的题型，分析对应的出题策略。3、精听可以参考大牛的精听策略。多遍听，直到全部听懂所有句子，并把里面的生词和短语，句式等学会。@@最后1.5或2倍速听，快的都听的懂，慢的那不就是小菜了。也...
2020-09-28 08:55:37
152
原创 残差连接详细解释
为什么用残差连接？？随着深度网络层数的加深，带来了一系列问题，如梯度消失，梯度爆炸，模型容易过拟合，计算资源的消耗等问题。随着网络层数的增加发生了网络退化现象，loss先是下降并趋于饱和，然后loss增加。针对这些问题，也有一些对应的解决方案，如dropout层用来防止过拟合，随机丢弃神经元对网络结构进行轻量化处理，一定程度上解决数据集小和网络复杂的情况下的过拟合问题。Rule层（y=max（0，x））主要用来防止梯度消失问题。。 BN（batch normlization）将数据规整到0到1或..
2020-09-10 09:49:33
16375
1
原创 dropout及过拟合详解
过拟合的定义：在训练集上表现效果好，在交叉验证集上表现较差，也就是说在未知的样本上表现一般，泛化能力较差。常常存在于数据少，数据网络深度长或者复杂（也就是参数多）的情况，导致过拟合问题。出现过拟合的原因：从图中可以看出，最左边是欠拟合的，中间是正好，最右边是过拟合的。过拟合也就是说网络复杂，数据过于简单导致的。 我们常用的数据集常常分为训练集，验证集和测试集，验证集的作用就是为了防止过拟合。。 如果只有训练集和测试集，训练好的数据准确率很高，到测试集的时候可能会存在准确率..
2020-09-09 09:03:49
1074
原创 Relu函数，sigmoid函数，leaky Relu
Relu函数：y=max（0，x）蓝色为Relu函数，红色曲线为Relu函数的导数。优点：1.在正区间内不会发生梯度消失问题，2.函数比较简单，求导计算复杂度较低。3.梯度能维持在不错的区间，也就是收敛速度快。缺点：1.负区间梯度一直为0，导致部分神经元不会被激活，相应的参数一直不被更新2.非zero-centered，收敛速度一般sigmoid函数定义：从函数可以看出，最小值接近于0，最大值接近于1.蓝色为原始sigmoid函数曲线...
2020-09-08 17:11:13
3543
原创 1*1卷积核的作用和原理
1*1的卷积作用：1. 常常用于降维（降通道数），其实也可以用于升高维度。2.增加了跨通道的信息交互3.增加了非线性。这个存疑原理：从图的下部可以看出，使用1*1*5的卷积，在4*4*5的特征图上遍历整个宽和高（4*4），相当于在宽高做加乘，得到4*4*1的特征图。 也就是用3个 1*1的卷积，可以得到宽高为4*4，通道数为3的特征图。 这样子就改变了原始的通道数。。此外，如果1*1的卷积核数量大于5，那么就变成升高维度了。跨信道的交互其实也很清楚，也就是做加乘...
2020-09-08 12:09:57
3138
原创 BN层的解释说明（包含梯度消失和梯度爆炸的原理及解决方法）
基础知识（梯度爆炸和梯度消失）：梯度爆炸：可以用这个图直观呈现，也就是梯度变化为正无穷或者负无穷（个人理解）。梯度消失： 简单来说就是梯度接近0，神经网络的权重不再更新，继续训练学习不到图像的特征了。解决梯度消失和爆炸的方法：1.网路结构的改变，如RNN通过梯度截断来处理，LSTM通过门控制系统来解决梯度爆炸问题2. 激活函数sigmod函数改为RULE函数，避免梯度消失3. 通过加正则约束（BN可以看作是一种正则）来解决梯度爆炸BN（batch norm）的原理：将样.
2020-09-08 10:02:21
6848
1
原创 LSTM的优点和缺点
优点：在序列建模问题上有一定优势，具有长时记忆功能。实现起来简单。缺点：并行处理上存在劣势。与一些最新的网络相对效果一般
2020-09-07 23:23:13
24460
2
原创 降采样（下采样），上采样，池化
对图像来说：缩小图像称为下采样subsampled或者降采样downsampled，放大图像即为上采样upsampled或者图像差值interpolating。下采样的原理：对一个M*N的图像，进行s倍的下采样，对长和宽来说各要缩小s倍，如果考虑是矩阵形式的图像，对s*s区域的像素点来说，找个一个像素点是s*s区域所有像素点的值的均值或者最大值（也就是pooling操作）。图像的信息不会受到影响，但是图像的质量会受到一定程度的影响。其实下采样可以看做是池化。下采样层主要是使用pooli...
2020-09-07 15:29:33
2841
原创 Epoch、Iteration、Batchsize
举例：有10000个样本， batch size为10，也就是说iteration（迭代次数）为1000次，训练完所有的样本需要1epoch。Batch Size：批大小，也就是说一次训练样本的数量。 比如有10000个样本，如果GPU性能ok的情况下，Batch Size大点有助于训练速度，能很快训练完所有的样本。如果GPU性能较差，Batch Size太大会引起内存溢出，只能选择小的Batch Size。增大Batch Size的优点：1.提高内存利用率 2. 迭代次数减少，减...
2020-09-07 10:24:31
301
转载 2D和3D人体姿态数据集
转自链接：https://www.jianshu.com/p/c046db584a212D数据集LSP 地址：http://sam.johnson.io/research/lsp.html 样本数：2k 关节点数：14 全身，单人 FLIC 地址：https://bensapp.github.io/flic-dataset.html 样本数：2W 关节点个数：9 全身，单人 MPII 地址：http://human-pose.mpi-inf.mpg.de/ 样本数：25K
2020-09-07 09:48:28
1752
1
原创 因果卷积，膨胀卷积，混合膨胀卷积
因果卷积：常常用于CNN网络来处理序列问题，针对序列问题x1，...xt,和y1，...,yt-1来预测yt。时间t的状态预测依赖于前t-1个状态，具有因果关系。如果考虑很久之前的变量x，就会导致卷积层数的增加。网络过于深会带来梯度下降，训练复杂，拟合效果不好的问题，因此提出了空洞卷积。膨胀卷积（空洞卷积）个人理解觉得膨胀卷积是因果卷积的变种。 在卷积核中增加空洞来增加感受野，不增加过多计算。普通卷积有着3*3的卷积核 ...
2020-09-07 09:41:14
6514
原创 感受野大小对提取特征的影响
1.感受野大于要提取的特征区域（比如物体）会忽略被检测的物体，导致物体成为背景，提取不到物体特征。也就是说对小物体的检测会差一点。2.感受野小于要提取的特征区域（比如物体）获得的局部信息过多，导致全局信息的丢失，影响识别率。3.网络深度越深，卷积的过程中会丢失信息，所以一般选取大的感受野来保证不丢失过多信息。 当然，对于一些小物体检测长几个可能效果不一定好。不同大小的卷积核获得不同大小的信息，选取合适的感受野大小比较重要，或者考虑多尺度的感受野，可能会减少1和2这种弊端。...
2020-09-07 08:29:15
6225
4
转载 pytorch参数初始化以及fine-tune
转发https://blog.csdn.net/hx14301009/article/details/82693935前言这篇文章算是论坛PyTorch Forums关于参数初始化和finetune的总结，也是我在写代码中用的算是“最佳实践”吧。最后希望大家没事多逛逛论坛，有很多高质量的回答。参数初始化参数的初始化其实就是对参数赋值。而我们需要学习的参数其实都是Variable，它其实是对Tensor的封装，同时提供了data，grad等借口，这就意味着我们可以直接对这些参数进行操作赋.
2020-09-06 14:38:51
368
转载 人工智能政策及解读
来自转发http://www.qianjia.com/html/2018-01/22_283111.html 从政策方面看，人工智能自2016年起进入国家战略地位，相关政策进入爆发期，今天就为大家简单梳理下近几年来人工智能在顶层设计方面的各种相关政策，随后我们将对政策在各行各业的影响以及相关细分政策进行梳理。1、智能制造开启人工智能道路 2015年5月，《中国制造2025》中首次提及智能制造，提出加快推动新一代信息技术与制造技术融合发展，把智能制造...
2020-08-31 16:26:51
1893
转载 动作捕捉 Motion Capture (Mocap)
转自：https://www.jianshu.com/p/5b35493c386f动作捕捉(Motion capture)，简称动捕(Mocap)，又称运动捕捉。是指记录并处理人或其他物体动作的技术。它广泛应用于军事，娱乐，体育，医疗应用，计算机视觉以及机器人技术等诸多领域。在电影制作和电子游戏开发领域，它通常是记录人类演员的动作，并将其转换为数字模型的动作，并生成二维或三维的计算机动画。捕捉面部或手指的细微动作通常被称为表演捕捉(performance capture)。在许多领域，.
2020-08-31 16:00:12
7622
转载 VIBE: Video Inference for Human Shape
转自知乎https://zhuanlan.zhihu.com/p/1360804903D人体姿态与形态估计CVPR 2020的一篇论文笔记，VIBE: Video Inference for Human Body Pose and Shape Estimation（CVPR 2020）[Paper][Code]动机问题缺乏带标注的3D人体姿态和形态估计的数据集 现有的方法不够完善 无法捕获到人类实际运动的复杂性和可变性以及准确而又自然的运动序列 预测的形态不够逼真，在..
2020-08-27 09:47:21
907
转载 国内外优秀的计算机视觉团队汇总
本帖还在更新中，国内外优秀的计算机视觉团队有很多，我这里只是列举了自己从知乎、CSDN等网站上收集到的，排名不分先后，如有遗漏，还请谅解。同时欢迎小伙伴回帖补充，我会更新到本帖，谢谢~感谢极市平台微信公众号的粉丝Alan、Andy、陈、蓝色格调、亚辉、邵帅、城邑、SuperMAN和知乎好友：Shihua Huang的补充贡献最后更新于2020/7/22，已累计更新 10次国内高校研究团队北京清华大学：龙明盛，黄高，艾海舟，张长水(Big eyes laboratory 大眼睛实验室)，.
2020-08-23 19:09:27
2192
原创 6D 物姿估计2020 代码开源
CosyPose: Consistent multi-view multi-object 6D pose estimation
2020-08-23 17:07:03
247
2
原创 Encoder-Decoder模型和改进后的Attention模型
文章Neural Machine Translation by Jointly Learning to Align and Translatehttps://arxiv.org/pdf/1409.0473.pdf.Encoder-Decoder模型Attention模型
2020-08-23 15:54:52
378
转载 关于Savitzky-Golay滤波器
https://blog.csdn.net/allenlzcoder/article/details/80302942Savitzky-Golay滤波器几个介绍S-G滤波器的连接[1]https://blog.csdn.net/shenziheng1/article/details/53391422[2]https://blog.csdn.net/liyuanbhu/article/details/9094945[3]https://docs.scipy.org/doc/scipy/refer
2020-08-23 09:52:09
779
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人