- 博客(42)
- 收藏
- 关注
RSS订阅原创 【WIN32】C++在打印Windows中调用堆栈信息
伪句柄是一个特殊常量，当前 (HANDLE) -1，被解释为当前进程句柄。每当需要进程句柄时，调用进程都可以使用伪句柄来指定自己的进程。指向 SYMBOL_INFO 结构的指针，该结构提供有关符号的信息。用于搜索符号文件的路径或用分号分隔的路径系列。如果地址位于符号的开头之后和符号的末尾之前，则会找到该符号。如果为 TRUE，则枚举进程的加载模块，并有效地为每个模块调用 SymLoadModule64 函数。此值是根据 BackTrace 数组中返回的指针的值计算的。符号开头的位移，或零。
2023-09-28 16:53:16
612
原创 CentosLinux7新增MimeType并创建文件关联
其关键在于Exec=行中的%f将文件路径传递给执行程序。Icon=也可以不用路径而直接写系统认可的图标名称。已经对对应扩展名的文件新增一个MimeType。创建.desktop文件，定义文件关联关系。Exec=也可以没有绝对路径直接使用命令。放.desktop 文件到。验证新建的MimeType。
2023-08-16 15:42:00
780
原创 【QT】窗口通过dragEnterEvent和dropEvent拖拽导入文件
dragEnterEvent函数对拖动的文件进行过滤，如果不符合过滤条件按将无法拖拽进入窗口。dropEvent函数为拖进来后放下的事件，放入窗口后继续后续的处理。在界面的构造函数中设置接受拖拽放置文件。
2023-08-11 16:20:09
790
原创 【WIN32】WIN32注册表相关
如果函数失败，则返回值为 Winerror.h 中定义的非零错误代码。如果函数成功，则返回值为 ERROR_SUCCESS。
2023-07-26 17:56:29
178
原创 【wxWidgets】剪贴板和拖放操作
下面演示了实现一个文本数据拖放源，DnDWindow包含一个m_strText成员变量，当鼠标左键按下时，针对m_strText拖放操作开始，拖放操作的结果通过一个消息框显示，另外拖放操作将会在鼠标已经拖动了一小段距离后才会开始，因此单机鼠标动作并不会导致一个拖放操作。要实现拖放目的，接受用户拖动的数据，需要使用wxWindow::SetDropTarget函数，将某个窗口和一个wxDropTarget绑定在一起，需要实现一个wxDropTarget的派生类，并且重载虚函数。可以从外部接受不同格式的数据。
2023-07-25 17:45:31
222
原创 【wxWidgets】wxAddRemoveCtrl添加删除控件
此类表示一个复合控件，该控件将能够显示多个项的任何控件（如 wxListBox、wxListCtrl、wxTreeCtrl、wxDataViewCtrl 或自定义控件）与两个按钮组合在一起，允许从此类似列表的控件中添加项和删除项。使用此控件而不是直接创建和管理按钮的优点是，此类使用当前平台的正确按钮和布局。此类始终与 wxAddRemoveAdaptor 结合使用，后者用于在按下相应按钮时实际向包含项的控件添加项或从中删除项。当鼠标悬停在分别用于添加和删除项目的按钮上时，显示指定的工具提示。
2023-07-21 10:31:10
86
原创 【wxWidgets】使用标准对话框——信息对话框、文件和目录对话框、选项和选择对话框、输入对话框
创建目录对话框需要传递参数：一个父窗口，一个标题文本，一个默认路径，一个窗口类型以及一个位置和大小，调用ShowModal函数，根据返回值wxID_OK以确定是否进行了选择。需要的参数为父窗口指针，消息文本，标题文本，默认文本和一个类型参数，类型参数为比特位列表，值为wxOK，wxCANCEL，wxCENTRE等。传递的参数为一个父窗口，一个显示在标题的文本，默认的目录，默认文件名，通配符，对话框类型和显示位置。定义在windwos平台上选择完全展开的方式显示颜色选择对话框，否则只显示左边的部分，
2023-07-20 14:27:30
607
原创 【wxWidgets】使用布局控件进行窗口布局
当需要动态更改对话框的布局时，比如按钮按下的时候显示更多的选项，可以使用平常的办法，调用wxWindow::Show函数来隐藏某个控件，不过wxSizer也提供了一个单独的方法，可以使用wxSizer::Show函数并且传递false函数，告诉wxSizer不要计算其中的窗口大小，调用这个函数需要使用wxSizer::Layout函数来强制更新对应的窗口。将它和顶层窗口绑定，可以在顶层布局控件中放置窗口或其他控件元素，如果想顶层窗口的大小适合所有控件需要的大小，可以调用。
2023-07-19 16:54:00
1205
原创 【wxWidgets】处理用户输入
键盘事件提供的是未翻译的按键编码，而字符事件提供的是翻译以后的字符编码，对于未翻译的按键编码来说，字母永远是大写字符，而其他字符则是在WXK_XXX中定义的字符，而对于已经翻译的按键编码来说，字符的值和同样的按键在一个文本编辑框中产生的字符相同。例如：按下A键后，在KEY_DOWN事件中的字符编码是大写字母A的ASCII码65，而在相应的字符事件中的字符编码是小写的ASCII码a，编码为97，换句话说，当shift和A键同时被按下，上述两个事件中的编码是一样的。按钮和指针移动事件是最主要的鼠标事件。
2023-07-14 17:03:46
233
原创 【C++fmt】格式化输出 stdio/iostream的快速安全替代方案
fmt库，实现了类似于C语言的print和scanf时格式化的I/O，主要分为向外输出内容和获取输入内容用类似于python的语法实现了fromat目前 C++20中已经增加formatting特征，但目前并非所有项目都兼容C++20的项目，部分项目仍基于C++11、17，因此可以单独使用fmt库来对输入输出进行标准化
2023-04-25 13:59:18
323
1
原创 【C++yaml】windows平台使用yaml-cpp解析yaml配置文件
YAML 的意思其实是：“Yet Another Markup Language”（仍是一种标记语言），是专门用来写配置文件的语言，相比 JSON 更加简洁和方便阅读。在测试项目的附加包含目录、附加库目录、附加依赖项中加入yaml-cpp，将yaml-cpp.dll拷贝到测试项目中，编译运行。新建一个项目对yaml-cpp库进行测试，解析config.yaml文件。编译生成yaml-cpp.lib和yaml-cpp.dll。打开构建好的yaml-cpp项目。
2023-04-13 17:13:02
846
原创 Fine-Tuning can Distort Pretrained Features and Underperform Out-of-Distribution
将预训练模型转移到下游任务通常使用微调和线性探测（只更新head的最后一个线性层）两种方法。微调可以提高同分布内的准确性，然而当预训练特征分布偏移较大时，在分布外数据中微调的效果比线性探测更差。本文证明了使用固定或随机head初始化，微调的OOD误差很高，因为微调也会改变网络的其余部分，扭曲预训练的特征。本文的分析为先进行线性探测后完全微调的两部策略，能结合微调和线性探测的优点。预训练模型能提高从头训练的准确性，但是对训练过程中看不见的数据分布进行测试也十分重要。
2023-04-10 14:42:02
121
原创 The KFIOU Loss For Rotated Object Detection
与水平目标检测不同，计算友好的IoU Loss很容易被采用，并且很好的符合检测度量。相反旋转检测器通常涉及更复杂的SkewIoU Loss，这对基于梯度的训练不友好。不区分比例的中心点Loss，快速获取边界框之间的中心点与距离无关的第二项，卡尔曼滤波器通过其定义模拟了SkewIoU，并在一定距离内显示其于SkewIoU Loss对齐与最近的基于高斯模型的旋转检测器（GWD/KLD）形成对比，后者涉及人类指定的分布距离度量。
2022-11-30 00:26:43
1022
原创 R3Det: Refined Single-Stage Detector with Feature Refinement for Rotating Object
旋转目标检测难以定位多角度对象，对于具有大纵横比、密集分布和类别极不平衡的旋转对象仍然存在挑战。本文提出了一种端到端的精细化单级旋转检测器，通过使用从粗粒度到细粒度的渐进回归方法来快速准确地检测对象。考虑到现有的单级检测器中特征未对准的缺点，设计了一个特征细化模块，通过获得更精确的特征来提高检测性能，通过逐像素特征插值将细化边界框的位置信息重新编码到相应特征点。提出了一种近似SkewIoU损失，以解决SkewIoU的不可导问题。
2022-11-09 15:09:44
1619
原创 BatchFormer: Learning to Explore Sample Relationships for Robust Representation Learning
由于数据不平衡、不可见分布和域转移等数据稀缺问题，深度表示学习仍面临许多挑战。为了解决上述问题，已经设计了多种方法从输入或损失函数的角度探索样本关系，但未能探索用于利用样本之间关系进行学习的深度神经网络的内部结构。本文引入了一个batchformer模块，然后将其应用到每个mini-batch的批维度中，以隐式地探索训练期间的样本关系。头类样本也可以有助于学习用于长尾识别的尾类。
2022-09-01 20:43:46
1244
原创 ubuntu升级更新到新版本cmake记录
今天要编译Tengine发现cmake版本有点低，第一反应是卸载了重新安装一个cmake。但是卸载原来的apt库cmake重新安装是个坑，千万小心。使用后可能会发现报错：removing ros …接下来就是喜闻乐见的重装ubuntu系统环节。3.移动cmake文件，防止误操作删除。1.下载所要使用的cmake压缩包。2.解压cmake压缩包。5.查看cmake版本。
2022-08-22 18:24:59
255
1
原创 Registration based Few-Shot Anomaly Detection
目前为止，现有的FSAD研究遵循标准AD使用的每类别一个模型的学习范式，并且尚未探索类别间的共性。受人类如何检测异常的启发，通常将图像与正常图像进行比较，利用配准来训练类别无关的异常检测模型。测试时通过比较测试图像的配准特征和正常图像来识别异常。本文是第一个FSAD方法，训练单个可推广模型，不需要对新类别进行重新训练或微调。比目前方法AUC高3%~8%。异常检测具有广泛的应用，由于异常的定义不明确，不可能用一组详尽的异常样本进行训练。大多数现有的AD方法都集中于为每个类别训练专用模型。......
2022-08-18 17:17:17
3144
1
原创 CP-Cluster:Confidence Propagation Cluster: Unleash Full Potential of Object Detectors
大多数目标检测方法都是通过NMS及其改进版本Soft-NMS来去除冗余边界框来获取对象。具有最高置信度的边界框可能不是与gt重叠最大的真正结果不仅需要对冗余框进行抑制，而且还需要对那些真正的正值进行置信度增强按照置信度排序后只能根据排序顺序来进行计算，无法并行本文提出了置信传播聚类来取代基于NMS的方法，具有并行性和更好的精度。在CP-Cluster中，以迭代的方式惩罚冗余框并增强真正的结果，直到收敛。.........
2022-08-04 16:40:21
899
原创 ObjectBox: From Centers to Boxes for Anchor-Free Object Detection
本文提出了ObjectBox，一种新颖的单阶段Anchor-free且高度泛化的目标检测方法。与现有的Anchor-based和Anchor-free的检测器相反，它们在标签分配中更偏向于特定的目标尺度，ObjectBox仅使用目标中心位置作为正样本，并在不同的特征级别平等对待所有目标，而不管物体的大小或形状。具体来说，ObjectBox的标签分配策略以Anchor-free的方式将目标中心位置视为与形状和大小无关的Anchor，并允许在每个目标的所有尺度上进行学习。............
2022-07-20 20:54:37
1736
2
原创 【C++】字典树Trietree
字典树也是一种使用空间换时间的数据结构，也叫做前缀树(一下子就熟悉了)，可以用于统计、排序和保存大量字符串而不用重复存储字符串的公共部分。主要思想就是利用字符串的公共前缀作为父结点来节约存储空间。......
2022-07-11 14:39:36
205
原创 Re-parameterizing Your Optimizers rather than Architectures
神经网络设计良好反应了纳入模型的先验知识，尽管不同的模型考虑了不同的先验，但是仍旧习惯于使用模型无关优化器SGD对其训练。在本文中提出了一种新的范式，将特定于模型的先验知识合并到优化器中训练模型。提出了一种新的方法，通过一组特定于模型的超参数修改梯度来添加先验知识，称为梯度重参数化，优化器称为重优化器。.........
2022-06-26 11:20:54
1193
原创 Pooling Revisited: Your Receptive Field is Suboptimal
感受野的大小和形状决定了网络如何聚集局部信息，并对模型的整体性能产生显著影响。神经网络中的许多组成部分，例如用于卷积和池化运算的核大小和步长，都会影响到感受野配置。然而仍然依赖于超参数，现有模型的感受野会导致形状和大小不理想，因此提出了一种简单而有效的动态优化池操作称为(DynOPool)，通过学习每个层中感受野的理想形状和大小来优化端到端特征映射的比例因子。.........
2022-06-19 17:20:57
829
原创 QueryDet: Cascaded Sparse Query for Accelerating High-Resolution for Small Object Detection
目标检测在小目标中的性能效率不能令人满意。一般促进小目标检测的最常见和有效的方法就是高分辨率图像或特征图。然而会导致计算成本高昂，因此提出了QueryDet，使用了一种新颖的查询机制来加速基于特征金字塔的目标检测推理速度。由两个部分组成：首先在低分辨率特征上预测小目标的粗略位置，使用粗略位置稀疏引导的高分辨率特征计算准确的检测结果。.........
2022-06-12 21:27:25
2420
原创 Oriented RepPoints for Aerial Object Detection
航空目标通常是非轴对齐的，并且具有杂乱环境的。与主流的bbox方法回归不同，本文提出了一种有效的自适应点学习方法，利用自适应点表示，能够捕获任意方向实例的几何信息。提出了三种定向转换函数，以便于分类和定位。提出了一种有效的自适应点学习质量评估和样本分配方案，用于在训练过程中选择具有代表性的样本，能够从相邻对象或背景噪声中捕获非轴对齐的特征。在自适应点学习中引入了空间约束来乘法离群点。......
2022-06-06 19:14:31
805
原创 【Leetcode】掉落的方块 hard
699.掉落的方块使用模拟求解尝试使用unordered_map记录每个出现方块位置的高度每掉落一个方块，在方块静止的位置更新该位置的高度，最后搜索所有出现过方块的位置找到最高高度class Solution {public: vector<int> fallingSquares(vector<vector<int>>& positions) { unordered_map<int,int>record;
2022-05-26 20:10:39
89
原创 【C++】sort函数比较器invalid comparator
sort函数比较器invalid comparator今天在写项目的时候用到C++标准库的sort排序函数根据需要自定义了比较器cmpbool cmp(const vector<int>& a, const vector<int>& b) { int sum_a = accumulate(a.begin(), a.end(), 0); int sum_b = accumulate(b.begin(), b.end(), 0); retur
2022-05-25 21:24:08
747
原创 INTERN: A New Learning Paradigm Towards General Vision
INTERN书生：一个通用视觉模型的新学习范式
2022-05-18 20:37:54
798
原创 【Leetcode】乘法表中第k小的数 hard
668.乘法表中第k小的数二分查找一看到题目先想到，计算乘法表后，用优先队列priority_queue排序后，找到第k小的数字。真有这么简单？提交后经典TLE，乘法表范围较大时构建乘法表和优先队列排序比较耗时。瞄了一眼评论，二分查找!解题思路乘法表中数字从左到右、从上到下递增，最小为1，最大为m*n。每行数字都为行数的倍数，可快速计算每行比选取数字x小的数字个数。 count+=min(x/i,n);计算每行比选取数字x小的数字个数并累加，比x小的数字个数不会超过列数n，累加后与k比较，
2022-05-18 13:10:31
145
原创 GA遗传算法介绍与实例
一、遗传算法简介：遗传算法是进化算法的一部分，是一种通过模拟自然进化过程搜索最优解的方法。二、遗传算法思想：遗传算法组成：1.编码2.适应度函数3.遗传算子：选择、交叉、变异4.运行参数借鉴生物进化论，遗传算法将要解决的问题模拟成一个生物进化的过程，通过复制、交叉、突变等操作产生下一代的解，并逐步淘汰掉适应度函数值低的解，增加适应度函数值高的解。这样进化N代后就很有可能会进化出适应度函数值很高的个体。2.1.编码将问题的解编码称字符串形式才能使用遗传算法。最简单的一种编码是二进制编码，即
2022-05-12 16:16:52
1657
原创 tensorrtx搭建Zero-DCE部署
tensorrtx搭建Zero-DCE部署Zero-DCE介绍tensortx改写网络结构部署Zero-DCEZero-DCE介绍paper作者Zero-DCE主页：https://li-chongyi.github.io/Proj_Zero-DCE.htmlZero-DCE使用深度学习方法参考了深度曲线估计，通过一个轻量的深度卷积神经网络设计了一个光线增强曲线，对微光图像进行增强，可以将不同的灯光条件下采集的光照不均匀和弱光的图像进行调整。对输入图像的每个信道分别做迭代操作，每次迭代操作的输出和输
2022-05-12 15:48:29
896
原创 【目标检测】faster RCNN
【目标检测】faster RCNN目标检测从R-CNN开始，通过引入神经网络取得了很多突破性的进展，但是始终未能摆脱候选区域算法（如选择性搜索）的限制。使用SS算法进行候选区域的确定使得fast R-CNN的运算时间大大增加，使得fast R-CNN网络结构模型在实时性方面达不到要求。为了解决候选区域提取的问题，进一步共享卷积运算，提出了faster R-CNN1.faster R-CNN结构faster R-CNN主要包括两个模块：一个是深度全卷积网络RPN，该网络用来产生候选区域。另一个是fa
2020-12-13 17:18:00
381
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