实习
文章平均质量分 54
hi我是大嘴巴
程序员的日常素养
展开
-
奥比第一周
1、Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields (Openpose)网络结构:{VGG-19的前十层+两层CNN}和{CNN-Branch1、CNN-Branch2}两个部分组成。第一部分: 输出第一部分网络输出F的维度为128w/8*h/8 目的: 卷积网络学习到关键点特征第二部分:Branch1和Branch2两个网络是级联网络的结构(并行),该结构类似于RNN网络,根据上一时刻的关...原创 2020-07-09 21:06:05 · 560 阅读 · 0 评论 -
视频中画目标的框
**************************前面内容省略********************1)对输入网络图片预处理2)定义网络3恢复模型参数4)定义默认的anchor#-------------------------------------------------对输入图片进行预处理------------------------------------------...原创 2018-11-27 18:42:12 · 534 阅读 · 0 评论 -
生成数据集代码
1.生成txtimport xml.etree.ElementTree as ETfrom os import getcwdsets=[('2007', 'train'), ('2007', 'val'), ('2007', 'test')]classes = ["yiyun","sudashui","milk4","binghongcha","ruishijuan","liuli.原创 2019-01-03 14:25:04 · 1416 阅读 · 0 评论 -
ros 框架实现通讯的搭建心得
http://wiki.ros.org 官网步骤:一. 安装ROS Kinetic1)设置sources.listsudo sh -c 'echo "deb http://packages.ros.org/ros/ubuntu $(lsb_release -sc) main" > /etc/apt/sources.list.d/ros-latest.list'...原创 2019-01-07 21:02:17 · 322 阅读 · 0 评论 -
ROI
一)、RoIPooling 这个可以在Faster RCNN中使用以便使生成的候选框region proposal映射产生固定大小的feature map 先贴出一张图,接着通过这图解释RoiPooling的工作原理 针对上图 1)Conv layers使用的是VGG16,feat_stride=32(即表示,经过网络...转载 2019-01-13 17:10:51 · 293 阅读 · 0 评论 -
Ros踩坑
1. -- Configuring incomplete, errors occurred!See also "/home/ertugrul/ros/workspace/tutorial/build/CMakeFiles/CMakeOutput.log".See also "/home/ertugrul/ros/workspace/tutorial/build/CMakeFiles/CM...原创 2019-01-08 11:12:13 · 425 阅读 · 0 评论 -
nms和iou
标准NMS(SNMS):1) 所有检出的output bbox按cls score划分(对于正类进行划分)2)bbox的cls score做降序排列,得到一个降序的order3) 从order中top1 cls score 开始,计算该bbox 与 order中其他bbox的IOU,IOU大于阈值(说明为同一bbox),剔除4)对order中所有的bbox进行上操作...原创 2019-01-15 19:30:42 · 859 阅读 · 0 评论 -
链表
链表的基本元素有:节点:每个节点有两个部分,左边部分称为值域,用来存放用户数据;右边部分称为指针域,用来存放指向下一个元素的指针。 head:head节点永远指向第一个节点 tail: tail永远指向最后一个节点 None:链表中最后一个节点的指针域为None值1:class Node(object): def __init__(self,value,p=0): ...原创 2019-01-22 14:39:58 · 90 阅读 · 0 评论 -
python的版本转换 ubuntu
原创 2018-12-31 18:47:54 · 149 阅读 · 0 评论 -
windows和ubuntu系统与服务器交互
1)主机为Windows时,服务器为Linux时:window中常用xshell连接服务器,Xftp传输文件这两个软件我的网盘中都有~~!2)主机为linux时一. 连接远程Ubuntu服务器。1. 打开命令行,输入 : sudo apt-get update , 对系统进行更新。2. 安装 OpenSSH Server,输入 :sudo apt-get i...原创 2018-12-25 14:54:06 · 877 阅读 · 0 评论 -
判断文件夹中是否全是jpg图片
import numpy as npimport ostrain_dir = '/media/chenyu/6046436546433AD4/48 class hand/VOC2007/JPEGImages/'def get_files(file_dir): name = [] for file in os.listdir(file_dir): nam...原创 2018-12-12 17:26:02 · 611 阅读 · 0 评论 -
官方Objection detection出问题
训练神经网络时,需要将标注好的数据转换成tensorflow特定数据,tfrecord。但是在转换时,发生以下错误:ValueError:Unicode strings with encoding declaration are not supported.Please use bytes or XML fragments without declaration. File "crea...转载 2018-12-05 19:00:20 · 374 阅读 · 0 评论 -
Tensorflow Object_detection的训练步骤
1.3 label_map.pbtxt文件xx_label_map.pbtxt文件中的内容如下: item { id: 1 name: 'Abyssinian' } item { id: 2 name: 'american_bulldog' } item { id: 3 name: 'american_pit_bull_terrier' } ...原创 2018-12-06 14:39:45 · 938 阅读 · 0 评论 -
排序
排序算法有8种:插入排序:直接插入,希尔排序选择排序:选择,堆排序交换排序:冒泡排序,快速排序归并排序基数排序上面八种排序我们可以用一个场景进行串联:——打针记忆方法护士给我们治病打针,用针管插到血管中的方式有两种一个是直接插入(直接插入排序),还有个先画一个S符号然后插入(shell排序),药物进入到血液中后,进行对好的细胞和有病的细胞进行区分(选择排序),我们可...原创 2018-12-04 09:47:52 · 224 阅读 · 0 评论 -
修改xml文件中的信息
# coding=utf-8import osimport os.pathimport xml.dom.minidom#获得文件夹中所有文件FindPath = '/media/chenyu/6046436546433AD4/VOC2007/Annotations/'FileNames = os.listdir(FindPath)s = []xml_path = '/media...原创 2018-12-11 17:38:52 · 1954 阅读 · 0 评论 -
准确率,查准率,查全率,ROC曲线,AUC面积
准确率Precision查全率Recall其实这个翻译相当蛋疼。。。recall最合理的翻译应该是 查全率而Precision的最合理的翻译应该是查准率例1:一个相机,作有无目标的二分类问题:实际中,1s取了10帧,其中有9帧是有目标的(本真:TP+FN)预测中, 其中7帧预测到了目标,其中只有5帧是正确检测的(预真)则,查准率为: 5/7 查...原创 2018-12-29 15:11:38 · 2237 阅读 · 1 评论 -
图片矩阵应用解析
import numpy as npa=np.array([[[[1,2,3,4,5], [6,6,6,6,6], [8,8,8,8,8]]]])print(a[0,0,0,:])print(a[0,0,:,2])print(a[0,0,:,3])print(a[:,0,0])print(a[0,0,:])b=np.array([[0,0,0],[1,2,3]]...原创 2018-12-24 16:36:12 · 290 阅读 · 0 评论 -
Ubuntu 分卷压缩
压缩文件的分卷压缩和解压原理上是跟文件夹的分卷压缩是一样的,有些大的文件压缩后还是大,不方便拷贝,这就可以用到分卷压缩,然后再拷贝就方便很多了。我通过实例的方式去讲解实现方法。例:Ubuntu下有一文件夹myfile,大小约为90G。直接对文件夹分卷压缩方法:$ tar cvzpf - myfile | split -d -b 10240m - myfile.文件夹会以每10...原创 2018-12-25 10:35:19 · 416 阅读 · 0 评论 -
很好用的制图软件
https://www.processon.com/diagrams原创 2019-01-22 17:08:13 · 340 阅读 · 0 评论 -
二叉树 leetcode心得
二叉树:有两棵有顺序的子树二叉排序树:左节点小于根节点,右节点大于根节点(左小右大)多路查找树:每个节点可以有多个元素和大于2的孩子平衡二叉树(AVL树):一 棵空树或它的左右两个子树的高度差的绝对值不超过1,并且左右两个子树都是一棵平衡二叉树B树(Balanced,B-tree树):B树的结点可以有很多孩子,是平衡的多路查找树(加快查找效率) ...原创 2019-02-23 20:10:35 · 623 阅读 · 0 评论 -
embedding(降维矩阵,减少参数量(可等同于1*1卷积))
本质:One-hot + 单层全连接神经网络word embedding就是从一个高维空间(如:维度=词汇表长度=1M),映射到低维度空间(如300)。)前一个月接触到一个概念,Embedding层。今天跟大家分享一下个人心得。首先,我们有一个one-hot编码的概念。假设,我们中文,一共只有10个字。。。只是假设啊,那么我们用0-9就可以表示完比如,这十...原创 2019-01-23 15:33:43 · 2672 阅读 · 0 评论 -
python 取整与取余规则
1) //运算取整时保留整数的下界,即偏向于较小的整数2) int是剪去小数部分,只保留前面的整数3) round函数遵循四舍五入的法则>>> 5//31>>> -5//3-2>>> int(5.3)5>>> int(5.6)5>>> int(-5/3)-1...原创 2019-03-03 21:29:18 · 12892 阅读 · 2 评论 -
手写神经网络(tensorflow版)
这里的xs 等同于SSD中默认的bbox, ys等同于SSD中送入的GT和类别import tensorflow as tfimport numpy as np# 添加层def add_layer(inputs, in_size, out_size, activation_function=None): # add one more layer and return the...原创 2019-03-06 19:33:54 · 884 阅读 · 0 评论 -
python的与 或 异或 运算
符号 描述 运算规则 by MoreWindows & 与 两个位都为1时,结果才为1 (统计奇数) 全1为1 | ...原创 2019-03-06 21:17:57 · 27066 阅读 · 1 评论 -
数据集预处理
1)数据归一化: 1.逐样本均值递减(若数据服从同一分布,则各维度都减对应维度的均值,使得数据去中心化,这样数据就不容易拟合了(特征值x比较大的时候,会导致W*x+b的结果也会很大,这样进行激活函数(如relu)输出时,会导致对应位置数值变化量太小)) 2. 特征标准化(数据集所有特...原创 2019-03-04 17:03:50 · 6616 阅读 · 0 评论 -
Lootcode 算法心得
1.丢鸡蛋问题,已知K个鸡蛋,N层楼,求投掷鸡蛋最小次数(能够判断鸡蛋摔破的楼层)若在第i层,有一个鸡蛋时:1)摔碎:则需尝试投掷 i-1次,即dp[i-1]2)未摔碎:则需尝试投掷 n-i次,即dp[n-i]3)则共需max(dp[i-1],dp[n-i]) +1 ,1为本次投掷若在第i层,有K个鸡蛋时:1)摔碎:则有K-1个鸡蛋,需尝试投掷 i-1次,即dp[K-1][...原创 2019-03-07 18:03:29 · 396 阅读 · 0 评论 -
loss函数总结
损失函数:损失项(loss term)和正则项(regularization term)组成回归问题中:1)MSE(L2损失) :2)绝对值(L1 损失):3)Huber损失(平滑平均绝对误差):,当小于一个事先指定的值时,变为平方损失,大于时,则变成类似于绝对值损失总结:1)使用绝对误差(MAE)对于异常值更鲁棒,MSE对于异常值更敏感 ...原创 2019-03-11 14:22:40 · 773 阅读 · 0 评论 -
如果一个女生说她集齐了十二个星座的前男友,她前男友数量的期望是多少?
期望:事件总和的平均,即平均数随样本趋于无穷的极限设P(k)表示现在还差k种东西没有时又抽中新东西的概率,显然P(k)=k/n。所以这时候抽中新东西的期望次数是E(k)=n/k,由于期望的线性性,答案为E(1)+E(2)...+ E(12),就是上式了设:若男友的星座服从几何分布,则当谈过i个不同星座的男友后,,第i+1个男友星座也不同于前i个的概率为:12-i/12则有...原创 2019-03-08 12:58:39 · 1161 阅读 · 0 评论 -
难样本学习问题本质
1)ssd中在第4,7,8,9,10,11这6层作检测,这五层后面分别用两个不同3*3的卷积核作卷积,一个回归,一个分类2)若第7层特征图大小为16*16,选用6种规格的Default bbox,1.针对20类的分类,共有6*16*16个分类损失,此时共有6*(20+1)个卷积核,2.共有6*16*16个位置损失,此时共有6*4个卷积核3)根据(默认框和GT的)IOU(0.5)先...原创 2019-03-13 12:43:25 · 699 阅读 · 0 评论 -
列表添加技巧
在使用split API 后, list+ 与 list.append()的区别s="the sky is blue"s=s.split() #['the', 'sky', 'is', 'blue']result=[] #['the', 'sky', 'is...原创 2019-03-03 17:15:59 · 1110 阅读 · 0 评论 -
损失函数,成本函数和目标函数
一、“损失函数”一般是指对单个样本的做的损失损失函数 ,一般是针对单个样本 i二、“成本函数”一般是数据集上总的成本和损失成本函数 , 一般是针对总体当然我们也可以加上正则项成本函数 +正则项三、目标函数”是一个非常广泛的名称一般我们都是先确定一个“目标函数”,再去优化它。比如在不同的任务中“目标函数”可以是:– 最大化后验概率MAP(比如朴素贝叶斯)– 最大...原创 2019-02-27 11:05:03 · 501 阅读 · 0 评论 -
softmax
1.softmax函数 任何数,当其通过softmax函数后,便映射到(0,1)上,我们可以视之为概率等同于一个简单的映射,其中隐含层等同于一个全连接层。其中多分类,即选取输出向量中概率最大的前k个2.相关求导梯度下降:每次优化一个step大小的梯度,这个时候我们就要求Loss对每...原创 2019-02-27 10:00:03 · 159 阅读 · 0 评论 -
汉诺塔(递归)
def hannuota(n,A,B,C): if n==1: print("%c -> %c",A,C) else: hannuota(n-1,A,C,B) print("%c -> %c ->%c",A,C,B) hannuota(n-1,B,A,...原创 2019-02-22 09:37:33 · 103 阅读 · 0 评论 -
链表问题 leetcode心得
class Node(object): def __init__(self,value): self.value=value self.next=Noneclass Solution(object): def delete(self,node): #删除某节点 node.value=node.next.value ...原创 2019-02-22 16:39:44 · 117 阅读 · 0 评论 -
字符和列表的转换
1.字符———>列表 若想拆开用list()强制转换,若不想分开用split APIs='a,c,b's1=s.split(',') #split :str->list ['a', 'c', 'b']s1=s.split() #['a,c,b']s2=list(s) #str-> list [...原创 2019-02-27 20:43:26 · 188 阅读 · 0 评论 -
最大池化
最大池化代码import numpy as npdef max_pooling(det,pool_param): M,N,H,W=det.shape() H1,W1,stride=pool_param['pool_heaight'],pool_param['pool_width',pool_param['stride']] H2=int((H-H1)/stride)...原创 2019-02-28 16:00:51 · 2673 阅读 · 0 评论 -
动态规划
class Solution(object): def rob(self,nums): #打家劫舍 这里指不连续数最大值,其中间隔不一定为1. if len(nums)==0: return 0 if len(nums)==1: return nums[0] if len(nums)...原创 2019-02-24 19:23:56 · 147 阅读 · 0 评论 -
回归和尺度不变性
边框回归:我们的目标是寻找一种关系使得输入原始的窗口 P 经过映射得到一个跟真实窗口 G 更接近的回归窗口G(即使得默认框逼近真实框的平移和缩放比例,从而在预测中使得默认框趋近于预测框)即给定(Px,Py,Pw,Ph)寻找一种映射ff, 使得f(Px,Py,Pw,Ph)=(Gx^,Gy^,Gw^,Gh^),并且(Gx^,Gy^,Gw^,Gh^)≈(Gx,Gy,Gw,Gh)) 原理:平移...原创 2019-02-25 14:45:39 · 2119 阅读 · 0 评论 -
算法面经问题记录(全会你就牛逼了,一面一个准!)
1.样本不均衡问题1)增少:SMOTE算法:简单来说smote算法的思想是合成新的少数类样本,得到少数样本A的最近邻中随机样本B,取AB连线的随机点合成下采样2)减多随机欠抽样方法:上采样3)增加样本惩罚项权重2.过拟合问题?1)降低模型复杂度2)增大数据集3)数据清洗4)正则化项(即增加惩罚度,L0(非零参数个数),L1(元素绝对值之和),L2范...原创 2019-02-27 09:16:54 · 2596 阅读 · 0 评论 -
丢手绢问题
class Node(object): def __init__(self,value,p=0): self.val=value self.next=pclass Linklist(object): def __init__(self): self.head=None def inital(self,value): self.head=Node(v...原创 2019-01-23 14:28:27 · 276 阅读 · 0 评论