weixin_38740463的博客

转载 公钥和私钥的区别以及关系

导读在学习ssh章节时，一定有不少人对公钥和私钥产生过不解。在搜索公钥跟私钥的理解时，发现了这篇有趣的图解小文章，与大家共享。1. 鲍勃有两把钥匙，一把是公钥，另一把是私钥。2. 鲍勃把公钥送给他的朋友们—-帕蒂、道格、苏珊—-每人一把。3. 苏珊要给鲍勃写一封保密的信。她写完后用鲍勃的公钥加密，就可以达到保密的效果。4. 鲍勃收信后，用私钥解密，就看到了信件内容。这里要强调的是，只要鲍勃的私钥不泄露，这封信就是安全的，即使落在别人手里，也无法解密。5. 鲍勃给苏珊回信，

原创 调参GG

一.超参数：影响时间和准确率：5）学习迭代次数 epoch 6）miniBatch :批量数据大小 11）样本数量影响学习速度： 1）学习率η 8）代价函数选择 ...

原创 转产品了，一直在沉淀经验，以后会继续更新的，记录下最好成绩

转载 高空抛物-传统算法（高斯混合模型）

懒人先看: 基于YOLO，RCNN系列的检测需要很多的数据集，高空抛物扔下去的东西层出不穷，若是楼层更高，扔下去的物体小之又小，是很难检测到的 所以采用了高斯混合模型的方法 这次呢 捕捉的画面更灵敏，一个像素点的移动都会被框进去基本的代码已放出，后续靠大家加一些功能了ps: 误人子弟的地方需要靠大家指点了import numpy as npimport cv2from hah.Line import Drawfrom collections import dequec...

原创 2021-10-29

一、字符数据集目录一、字符数据集1、MNIST数据集2、SVHN数据集二、物体数据集1、CIFAR 10 & CIFAR 100数据集2、谷歌Open Images图像数据集3、ImageNet数据集4、Tiny Images数据集5、CoPhIR数据集6、LSUN数据集7、COCO数据集三、人脸数据集4、FDDB（Face Detection Data Set and Benchmark）数据集5、WIDER FACE数据集6、C..

原创 docker nvidia install

1. 创建用户组sudo groupadd docker2.添加用户进入docker组，以便该用户可以使用dockersudo gpasswd -a ${USER} docker3.重启服务sudo service docker restart4.修改docker仓库和存放目录sudo vim /etc/docker/daemon.json5.修改如下，其中https://cwoel6s9.mirror.aliyuncs.com 为从阿里服务器申请的镜像地址，/data/docker...

原创 pip source

（1）阿里云http://mirrors.aliyun.com/pypi/simple/（2）豆瓣http://pypi.douban.com/simple/（3）清华大学https://pypi.tuna.tsinghua.edu.cn/simple/（4）中国科学技术大学http://pypi.mirrors.ustc.edu.cn/simple/（5）华中科技大学http://pypi.hustunique.com/...

原创 快手抖音分析报告

转载 linux下用Kazam录屏视频在windows不能播放解决

原文章：http://blog.csdn.net/qq_31806429/article/details/78832902描述之前在ubuntu上记录一些东西，但是转而在windows就不能播放，查了一下资料说是解码器的问题。大概也有网友遇到类似问题，那就分享一下吧！解决1. windows上下载安装软件HandBrake （点这里）2. 打开之后点击 Open Source，添加需要处理的视频3. 设置Destination的路径及处理后的视频名称4. 设置目标视频的属性5...

原创 ubuntu 16.04 LTS 安装SecureCRT

1、sudo dpkg -i scrt-7.3.4-839.ubuntu13-64.x86_64.deb2、sudo perl securecrt_linux_crack.pl /usr/bin/SecureCRT反馈出这些信息：License: Name: xiaobo_l Company: www.boll.me Serial Number: 03-15-097355 License Key: AC81ET 9RKAWY 6W...

原创 COCO 格式

COCO的 全称是Common Objects in COntext，是微软团队提供的一个可以用来进行图像识别的数据集。MS COCO数据集中的图像分为训练、验证和测试集。COCO通过在Flickr上搜索80个对象类别和各种场景类型来收集图像，其使用了亚马逊的Mechanical Turk（AMT）。比如标注image captions（看图说话）这种类型的步骤如下：（AMT上COCO标注步骤）COCO通过大量使用Amazon Mechanical Turk来收集数据。COCO数据集现在有3

原创 Lightweight OpenPose

Real-time 2D Multi-Person Pose Estimation on CPU: Lightweight OpenPose1、优势1) 迷你PCIntel®NUC上的28 fps（它消耗的功率很少，并具有45瓦CPU TDP)2)在常规CPU上为26 fps，而无需图形处理器3）AP精度下降不超过1%（大小仅4.1M ，是two-stages openpose的15%）2、常规openpose总结：1、...

原创 tensorboard 远程服务器训练可视化

1）ssh服务器时需要指定端口ssh -L 16006:127.0.0.1:6006用户名1@网络地址2）运行 tensorboard --logdir=xxx --port=6006 这里的xxx表示文件存储的目录3）在本地浏览器输入 127.0.0.1:16006 即可在本地显示tensorboard如果端口被占用，可使用命令# 如果找不到lsof命令，则需要下载lsof $ apt-get install lsoflsof -i:6006然后关闭该端口...

原创 ubuntu远程服务器部署

一、 功能介绍将Ubuntu系统的服务器功能打开，可以使用其他电脑对其实现远程访问，一般将硬件性能较好的电脑开启作为服务器，使用性能一般的电脑对其进行访问。二、开启SSH 服务step1：检查主机有没有ssh服务功能，输入如下命令ssh localhost1如果出现ssh：ssh：connect to host localhost port 22: Connection refused ，则表明没有安装。step2:没有安装，使用如下命令进行安装，安装则跳过sudo apt-

原创 Pose Flow: Efficient Online Pose Tracking

简单介绍： 多人姿态跟踪方法，其主要方法和多人姿态检测一样，也可以分为自顶向下和自下而上。 1.自顶向下是：在每帧中检测 人的proposals →关键点→相邻帧相似性 跟踪整个视频； 2.自下而上是：在每帧中生成关键点候选点→时空图→求解整数线性规划将时空图分为子图→每个子图对应人体姿势轨迹。 目前，自顶向下的方法在精度(map和mota)和跟踪速度上都大大优于自下而上的方法，因为自下而上的方法由于仅仅利用二阶身体部件依赖而失去...

原创 常用生成网络两种方式 tensorflow+ keras

1、官方文档推荐的定义类，调用call函数通过继承tf.keras.Model并定义自己的前向传递来构建完全可自定义的模型。 在init方法中创建图层并将它们设置为类实例的属性。 在call方法中定义正向传递。直接返回 numpy向量class MyModel(keras.Model): def __init__(self, num_classes=10): super(MyModel, self).__init__(name='my_model')

原创 docker 移植

1、拉取镜像docker pull2、创建容器sudo docker run -it -d --name tensorflow2.3 -v /home/xmart/Pictures:/workdir/ --net=host -e DISPLAY --runtime=nvidia tensorflow:2.3 bash3、实例化对象docker exec -it tensorflow2.3 bash4、修改后提交docker committensorfl...

原创 Anchor的本质

来源：从卷积框得到的灵感，若某层特征图大小为51x39x256（256是层数：H，W，C），通过一个3x3的滑动窗口，在这个51x39的区域上进行滑动，stride=1，padding=1，这样一来，滑动得到的就是51x39个3x3的窗口。经验：此时，我们可以通过卷积框的中心点得到原始图片的中心点。此时我们假设，每个3*3的窗口，都是由原图经过 spp 池化得到的。且该窗口来自于9种不同区域的池化（但是这些池化在原始图片中心点都一样）。如此一来，在每个窗口位置，我们都可以根据9个不同..

原创 2020-08-18 glassnet

1、最小单位Residual 模块首先：白色方框：卷积操作浅蓝：Batch Normalization浅紫：ReLU第一行为卷积路，由三个核尺度不同的卷积层（白色）串联而成，间插有Batch Normalization（浅蓝）和ReLU（浅紫）；第二行为跳级路，只包含一个核尺度为1的卷积层；如果跳级路的输入输出通道数相同，则这一路为单位映射。其中，卷积路做了特征提取的工作，跳级路做了特征回馈作用。例如： 卷积路： 1*1...

转载 深度可分离卷积

首先，对于普通卷积：我们从[12,12,3]的input feature map到[8,8,256]的output feature map，需要256个[5,5,3]的卷积核。参数量为256 x 5 x 5 x 3 = 19200，乘法次数为256 x 5 x 5 x 3 x 8 x 8 = 1228800(可以理解为FLOPs)。对于depth-wise卷积：分为2部分：Separable Conv 以及 Point-wise Conv.同样的，从[12,12,3]的input

原创 linux多终端神器 terminator

sudo add-apt-repository ppa:gnome-terminatorsudoapt-get updatesudo apt-get install terminator上下分屏=>Ctrl+Shift+o,左右分屏=>Ctrl+Shift+e关闭一个窗口或分屏=>Ctrl+Shift+w,退出终端=>Ctrl+Shift+q控制窗口大小 快捷式：Ctrl+Shift+ ←↑↓→,切换窗口Ctrl+tab 窗口最大化=> F11...

原创 IR图，深度图，点云

1.深度图像也叫距离影像，是指将从图像采集器到场景中各点的距离（深度）值作为像素值的图像。获取方法有：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。2.点云：当一束激光照射到物体表面时，所反射的激光会携带方位、距离等信息。若将激光束按照某种轨迹进行扫描，便会边扫描边记录到反射的激光点信息，由于扫描极为精细，则能够得到大量的激光点，因而就可形成激光点云。点云格式有*.las ;*.pcd; *.txt等。深度图像经过坐标转换可以计算为点云数据；有规则及必要信息的点云数据可以反

原创 本地项目上传到gitlab

1、安装githttps://git-scm.com/downloads2、新建工程a、步骤一b、步骤二3、创建密钥 a、桌面右键b、cd ~/.ssh/如果提示 “ No such file or directory”，你可以手动的创建一个 .ssh文件夹即可mkdir ~/.sshc、配置全局的name和email，参照你创建的工程Git global setupgit config --global user....

原创 利用Docker生产openpose心得

1、 安装docker 与nvidia-docker2、pull docker 仓库仓库1：仓库2：git pull exsidius/openpose3、安装xhost进行本地可视化映射1、安装：sudo apt-get install x11-xserver-utils2、打开权限xhost +3、建立交互镜像容器sudo docker run -it -d --name openpose -v /home/xmart/Documents/...

原创 docker 牛逼的源

1、创建病打开sudo gedit /etc/docker/daemon.json2、{ "registry-mirrors": ["https://pee6w651.mirror.aliyuncs.com"]}{ "registry-mirrors": ["http://f1361db2.m.daocloud.io"]}3、重启systemctl restart docker.service4、查看docker info...

原创 使用anaconda中的conda 当做容器

1、利用conda创建一个python 3.7环境conda create -n pytorch-openpose python=3.72、去激活该环境，即shell 进入该临时环境中conda activate pytorch-openpose 出现erro： 需要重打开环境 1） source activate 激活 2）source deactive 关闭 ...

原创 Linux 系统 在git 上的加速

原因： 访问github受限.解决方案：通过设置github.global.ssl.fastly.net的ip，修改DNS来提高速度先使用nslookup查看域名的ip[root@VM_0_3_centos projects]# nslookup github.global.ssl.fastly.netServer: 183.60.83.19Address: 183.60.83.19#53Non-authoritative answer:Name: github.globa..

原创 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 Git

Git: 分布式，开源，版本控制软件 ，本地 用途：管理Linux内核开发GitHub：基于Git的远程文件托管平台无GitHub：在本地 .git 文件夹内维护历时文件 有GitHub：在本地 .git 文件夹内维护历时文件，同时也将历时文件托管在远程仓库...

原创 高斯滤波

目的：消除高斯噪声,广泛应用于图像去噪本质：整幅图像像素值进行加权平均，利用高斯正态分布对图片像素值进行重分配（将中心点"作为原点，其他点按照其在正态曲线上的位置，分配权重）滤波 = 卷积（ 输入信号 ，卷积模板或称为掩膜（需要利用高斯正态分布得到的高斯掩膜））...

原创 5月算法

1）数据结构存储方式：数组（顺序存储） + 链表（链式存储） 列表，栈：链表或数组 邻接表：链表 邻接矩阵：二维数组

原创 3月

216. 组合总和 III找出所有相加之和为n 的k个数的组合。组合中只允许含有 1 -9 的正整数，并且每种组合中不存在重复的数字。说明：所有数字都是正整数。解集不能包含重复的组合。示例 1:输入: k = 3, n = 7输出: [[1,2,4]]示例 2:输入: k = 3, n = 9输出: [[1,2,6], [1,3,5], [2,3,4]]...

原创 股票算法框架题解

题型：1）只进行一次交易，即 k = 12）不限交易次数，相当于 k = +infinity（正无穷）3）进行 2 次交易，相当于 k = 24）不限次数，但是加了交易「冷冻期」和「手续费」的额外条件框架建立（利用高维数组建立状态位法）：dp[i][k][0 or 1]i：表天数 k:表剩余交易次数 [0 或 1]：表持有股票状态即有：dp[i][...

原创 三剑客之awk

三剑客(awk,sed,grep)awk是一个报告生成器，它拥有强大的文本格式化的能力。awk的基本语法是awk [options] 'Pattern{Action}' file从一个最简单的命令作为start，省略[options]和Pattern，将Action设置成最简单的print：$ echo abc > test.txt$ awk '{print}' t...

原创 python3 深度搜索DPS 与 宽度搜索 DFS

1、 DFS 规律： 从root到子节点，从上到下，从左到右 代码： 一般用栈来解决、 2、深度优先 三种便利方式，仅仅在当前数的打印位置不同例题： 解题思路：对于任一节点，其有选和不选两种情况。我们每次考虑一棵...

原创 二维背包问题

本质： 状态转移方程，即下一时刻状态受上一时刻状态的影响步骤：1、建立目标域 （即，多个背包的可能性组合）2、判断当前时刻的状态值例题：输入: Array = {"10", "0001", "111001", "1", "0"}, m = 5, n = 3输出: 4解释: 总共 4 个字符串可以通过 5 个 0 和 3 个 1 拼出，即 "10","0001","1"...

原创 ROM, FLASH和RAM的区别

ROM (Read Only Memory)程序存储器1、为什么要只读？常用来储存定义变量的基础文件， 例如c文件及h文件中所有代码、全局变量、局部变量、‘const’限定符定义的常量数据、startup.asm文件中的代码（类似ARM中的bootloader或者X86中的BIOS，一些低端的单片机是没有这个的）通通都存储在ROM中缺点： 常见得ROM 十分难擦除FLASH ...

原创 快速记忆二进制“与或非”

1、 与操作等同于 and 操作： A and B ： 即A==1 and B==1 res=12、 或操作等同于or操作 ： A or B : 即 A==0 or B==1 res=13、 异或操作 等同于 非进位加法操作 ： 1 ^ 1 =0...

原创 睡眠革命-心得

1、2点前一定睡，此时水淼效率最高2、“突击补觉”概念上的错误，应该从更大周期看待睡眠周期（例如:一周） 睡眠周期为1.5h ，成人一天需要4-6周期（非8小时，应为6-9小时）3、影响睡眠因素: 1)防止强蓝光 2）低温 (低于人体1-2度0 3）低亮度 4）睡前收纳，总结 5） 人为因素 ： 1）自然唤醒灯（它会根据你设定的时间亮起...

原创 旷视✖北大 笔记

week 1 - week 2:总结： cv发展史，从机器学习介绍开始直至深度学习，从人工特征工程->设计工具（神经网络）自主选取特征观点1 ：从Classification->Detection ->Segmentation->Sequence Image-> Region ...