weixin_42058525的博客

原创 前端开发记录

常见问题1：vw、vh、%、em、rem之间的区别： 1子元素设置em，大小是取决于父元素的字体大小的 2元素的width，height，margin，padding用em的话是取决于该元素的font-size的大小。 3em的继承效果，每个元素都自动继承其父元素的字体i大小 4只要父级元素及上面一直有font-size为em单位，则会一直集成，但假如自己设置了font-size的单位为px的时候，则会直接使用自己的px值 5rem是css3新引进的一个度量单位，rem的长度是相对于根元素，即

原创 labelme标注工具安装

安装labelme标注：参考https://blog.csdn.net/lidichengfo0412/article/details/109508113，很好的文章 运行的时候可能会numpy版本太新报错：参考https://blog.csdn.net/lidichengfo0412/article/details/109508113，解决

原创 kmp

原创 advancedeast认识

传统的EAST的约束：长文本识别效果不理想 EAST的损失函数是类平衡交叉熵损失和smoothL1损失 score分数很高，应该跟loss很小有关，所以不能小于一个阈值，把图缩小没有效果 小于0.9的重新检测与识别 vgg方案不是很可行，因为他们的感受野都是3x3（考虑感受野，可以把最后一层换成7x7，或者更大） 基于回归框anchor的方法，减少精度损失，尽量回归出文本框 作者在EAST网络框架的基础上巧妙地设计了基于文本边界框的损失函数，将长文本检测的问题转换为检测文本头部和尾部边界区的问

原创 iou与giou

衡量目标检测定位性能的主要指标是交并比iou，我们在设计损失函数的时候通常是使用mse等损失函数来优化模型对目标的定位结果，但是这类损失函数并不能够良好的反应定位精度。 对iou的认识：可以反应预测检测框与真实框的检测效果，有一个很好的特性是尺度不变性也就是对尺度不敏感，在回归任务重判断predict box和gt的距离最直接的指标就是iou（满足非负性，同一性，对称性，三角不等性）。作为损失函数会出现的问题是：如果两个框没有相交根据定义iou=0，不能反应两者之间的距离大小，同时loss=0，没有梯度回

原创 advancedeast理解

数据集准备，作者是在EAST模型上增加了对长文本的检测，所用数据集为icpr2018，标记为4个坐标点（8个坐标值） 数据集处理，proprecess.py，对文本进行画框处理，label.py，进行区域的缩放和头尾部的标记 训练，advanced_east.py，训练入口，加载模型（loss=quad_loss自定义损失函数，Adam激励函数，此处没有mertice？） 训练补充，先有一个vgg16预训练模型放到.keras（我的是在c盘//用户）文件下，然后在下载的项目文件下有一个save_mod

原创 concat

原创 大概的几种文本检测算法了解

1、（2016）CTPN，基础网络框架：VGG16，BLSTM利用图像上下文的信息特征，FC，支持水平和倾斜文本的检测 《Detecting text in natural image with connectionist text proposal network》 2、（2017）EAST，基础框架：基于PVANet的FCN、多尺度融合之后，直接进行像素级的文本块检测，没有RPN，单词分割，子块合并等，故速度很快。 《East: An efficient and accurate scene tex

原创 chinesesocr的环境搭建和运行过程记录

前提：nvidia显卡，安装的是nvidia的驱动器，cuda8.0，cudnn5.1，借助的是anaconda（搭建自己需要的环境真的方便很多）然后运行该程序的时候需要找对应的tensorflow-gpu版本为1.2.0版本，还有对应tensorflow的keras版本为2.1.1(本人安装)/2.0.6，这个keras版本查了很多，我的主要环境搭建问题就是这两个的版本对应问题，还有一个是torch的问题（一直按这下载的命令走的），但最后运行程序的时候提醒只是torch对不上，就只安了torch1.5版本

原创 分水岭算法

分水岭变换是一种流行的图像处理算法，用于快速将图像分割成多个同质区域。 分水岭算法的思想是：把图像看成一个拓扑地貌，那么同类区域就相当于陡峭边缘内相对平坦的盆地。 分水岭算法通过逐步增加水位，把地貌分割成多个部分（目前比较著名的有模拟泛洪和降水）。 降水：水先是汇集到海拔低的地区，慢慢填充这每一个盆地（低洼区域），直至水位差一线之隔就可以和另一个盆地汇合的时候，这个一线之隔的一线就是分割线。...

原创 PCA-SIFT新手总结记录

PCA（Principal Components Analysis）即主成分分析，是几种降维的方法之一，经常应用在图像处理方面。 它和SIFT的联系是：前面几步，先是高斯模糊，建立高斯金字塔和高斯差分金字塔，然后最值的选择，排除边缘不稳定点和剧变不够激烈的点。最后一步SIFT使用4X4X8=128维进行描述，运用PCA算法小于128维对该特征点进行描述。 降维的主要思想是：一个样本可以由很多属...