weixin_42732792的博客

转载 输出日志保存方式

原创 2021-09-08学习路线

原创 学习日记2021-03-16论文学习

显著性物体检测研究综述基于优化融合的卷积网络显著目标检测*马杉杉，彭来献![在这里插入图片描述](https://img-blog.csdnimg.cn/20210316101836650.png基于显著增强分层双线性池化网络的细粒度图像分类陈珺莹, 陈莹*...

原创 学习日记2021-1-25数据集收集

https://i.cs.hku.hk/~gbli/deep_saliency.html

原创 学习日记2021-1-21 zero tier内网穿透

zero

原创 学习日记2021-1-18plt画图笔记

fig, ax = plt.subplots()ax.set(ylabel=‘Temperature (deg C)’, xlabel=‘Time’, title=‘A tale of two cities’)ax.legend()plt.show()

原创 学习日记2020-1-10网址记录

https://zhuanlan.zhihu.com/p/164968936https://zhuanlan.zhihu.com/p/259310604https://zhuanlan.zhihu.com/p/128027751https://zhuanlan.zhihu.com/p/131576433https://zhuanlan.zhihu.com/p/141542082https://zhuanlan.zhihu.com/p/260393442?utm_source=weibo

原创 学习日记2020-1-7论文地址

2020 CVPR ECCV 目标检测2020 CVPR 添加链接描述2020 ECCV 添加链接描述

原创 学习日记2021-1-7服务器SCREEN

screen命令常用工具命令Screen是一款由GNU计划开发的用于命令行终端切换的自由软件。用户可以通过该软件同时连接多个本地或远程的命令行会话，并在其间自由切换。GNU Screen可以看作是窗口管理器的命令行界面版本。它提供了统一的管理多个会话的界面和相应的功能。会话恢复只要Screen本身没有终止，在其内部运行的会话都可以恢复。这一点对于远程登录的用户特别有用——即使网络连接中断，用户也不会失去对已经打开的命令行会话的控制。只要再次登录到主机上执行screen -r就可以恢复会话的运行。同样在

原创 学习日记2021-1-7代码时间计算

转载自时间#python 的标准库手册推荐在任何情况下尽量使用time.clock().#只计算了程序运行CPU的时间，返回值是浮点数import timestart =time.clock()#中间写上代码块end = time.clock()print('Running time: %s Seconds'%(end-start))#该方法包含了其他程序使用CPU的时间，返回值是浮点数import timestart=time.time()#中间写上代码块end=ti...

原创 学习日记2020-12-29评价指标

显著性目标检测评价指标1.F-measure人们提出了F度量值(F-measure)：查全率和查准率在非负权重β下的加权调和平均值(Weighted Harmonic Mean)import osimport cv2import matplotlib.pyplot as pltimport numpy as np def MAE(res_path, gt_path): # res_path='D:/2020_Work/20200306_Trash_class/Semantic/re

原创 2020-12-29数据整理

数据使用：https://github.com/ArcherFMY/sal_eval_toolboxsod代码文章https://github.com/jiwei0921/SOD-CNNs-based-code-summary-

原创 学习日记2020-12-28论文学习

GMS: Grid-Based Motion Statistics for Fast, Ultra-robust Feature Correspondence1 Feature matching aims at generating correspondences across image2 (GMS) grid-based motion StatisticsDynamic Feature Integration for Simultaneous Detection of Salient Object

原创 学习日记2020-12-28数据集

MSRA-B，HKU-IS，ECSSDCCTSDB，GTSDB。ASD（MSRA1000）MSRA10k

转载 2020-12-25解压缩问题解决

/ 转 superstar_gu 的百度空间//http://hi.baidu.com/superstar_gu/blog/item/2772124e3e7f150bb3de0535.html.tar解包：tar xvf FileName.tar打包：tar cvf FileName.tar DirName（注：tar是打包，不是压缩！）.gz解压1：gunzip FileName.gz解压2：gzip -d FileName.gz压缩：gzip FileName.tar.gz 和 .t

原创 学习日记2020-12-16多尺度信息融合

Multi-scale Interactive Network for Salient Object Detection1.The aggregate interaction module （AIM）can efficiently utilize the features from adja-cent layers by the way of mutual learning and the self-interaction module makes the network adaptively ex-tr

原创 学习日记2020-12-10图像尺度问题

图像的尺度性问题：尺度空间技术，时间尺度技术，时间频率技术1.图像金字塔类型的分辨率尺度；（多分辨率图像的输入，特征的不同卷积核构成，）2.所谓多尺度，实际上就是对信号的不同粒度的采样，通常在不同的尺度下我们可以观察到不同的特征，从而完成不同的任务。3.https://www.bilibili.com/video/BV1uJ411m7WR?from=search&seid=11141624234564031269的学习4.考虑不同感受也的问题？...

原创 学习日记2020-12-7论文学习

Multi-Scale Progressive Fusion Learning for Depth Map Super-Resolution1.depth encoder branch, reconstruction branch， color encoder branch.2.LR Model and HR Model3.loss functionHFS: Hierarchical Feature Selection for Efficient Image Segmentation1.

原创 学习日记2020-12-3论文学习

Global Contrast based Salient Region Detection1.2.Connectedness of Random Walk Segmentation1.2.RepFinder: Finding Approximately Repeated Scene Elements for Image Editing1.2.Sketch2Photo: Internet Image Montage1.2.A Shape-Preserving Approach to

原创 学习日记2020-12-2论文学习

基于对比度先验和流式金字塔的 RGBD 显著性目标检测1.一种对比度损失，来利用非深度学习中广泛使用的对比度先验来增强深度图。2.利用多尺度跨模态特征，我们提出了一种流式金字塔集成策略Hi-Fi: 骨架检测的分层特征集成1.双向相互细化 不仅采用由深到浅的方法，同时采用由浅到深来进行细化修正，这使得高级语义信息和低级细节信息以双向指导的方式互相作用。2.分层集成Interactive Images: Cuboid Proxies for Smart Image Mani

原创 pytorch重新配置2020-11-24

转自 ：学习过程：https://www.cnblogs.com/xieviki650/p/pytorch_install.html1.pychram 直接搜索安装（×）2.官网pip 语句安装（对）按照自己的情况选择，复制命令在terminal中运行pip install torch3.清华镜像（×）听同学说，下载清华镜像可以安装，尝试后，仍然是tools.nnwrap的错误，弃python -m pip install --upgrade torch torchvision -i http

原创 学习日记2020-11-24论文学习

BASNet: Boundary-Aware Salient Object DetectionA novel boundary-aware salient object detection net-work: BASNetA novel hybrid loss that fuses BCE, SSIM and IoU – three levels: pixel-level, patch-level and map-level,Label Decoupling Framework for

原创 学习日记2020-11-23论文学习

Attentive Feedback Network for Boundary-Aware Salient Object Detection、1.Attentive Feedback Network (AFNet) – a Global Perception Module (GPM) Attentive Feedback Modules (AFMs)2. Boundary-Enhanced Loss (BEL)Learning Noise-Aware Encoder-Decoder from

原创 学习日记2020-11-20论文学习

Highly Efficient Salient Object Detection with 100K Parametersa flexible convolutional module, namely gOctConv, to efficiently utilize both in-stage and cross-stages multi-scale features for SOD task, while reducing the representation redundancy by a nov

原创 学习日记2020-11-19论文学习

DSAL-GAN: DENOISING BASED SALIENCY PREDICTION WITH GENERATIVE ADVERSARIAL NETWORKSSE2Net: Siamese Edge-Enhancement Network for Salient Object DetectionSAC-Net: Spatial Attenuation Context for Salient Object Detection12Contour Loss: Boundary-Aw

原创 学习日记2020-11-18论文学习

Cascaded Partial Decoder for Fast and Accurate Salient Object Detection1.We propose a novel cascaded partial decoder frame-work, which discards low-level features to reduce the complexity of deep aggregation models, and utilizes generated relatively preci

原创 学习日记 2020-11-17

Optimizing the F-measure for Threshold-free Salient Object Detection1.F-measure formulation in both training and evaluation for SOD2.FLossF-measure ：f-measure是一种统计量，F-Measure又称为F-Score，F-Measure是Precision和Recall加权调和平均，是IR（信息检索）领域的常用的一个评价标准，常用于评价分类模型的好坏

原创 学习日记2020-11-16论文学习

ROSA: Robust Salient Object Detection against Adversarial Attacks1.对抗攻击2.a novel salient object detection framework1.以一种特定的方式设计输入，从而从模型中得到一个错误的结果，这便被称为对抗性攻击。存在：图像在输入对抗噪声的同时，会将低级和高级特征都干扰。经过模型的训练，适应的网络是针对数据集而确定的，而不是和图像的耦合性更好。2.，引入一些通用噪声来消除对抗干扰，然后使用引入的

原创 学习日记2020-11-5（单目深度估计）

基于深度学习的单目深度估计基于几何的方法----运动恢复结构（SfM）是从一系列二维图像序列中估计三维结构的代表性方法，并成功地应用于三维重建和SLAM领域。基于传感器的方法----RGBD相机和LIDAR深度传感器基于深度学习的方法----CNNs.RNNs.变分自动编码器（VAEs）和生成对抗网络（GANs）.条件随机场（CRFs）评价指标：多尺度空间注意力：假设给定一个局部特征C，我们将其输入一个卷积层，分别生成两个新的特征图B和C。对A与B的转置进行矩阵乘法，应用softmax层计算空

原创 学习日记2020-10-22（激活函数）

激活函数转自博主：激活函数1 关注问题分为线性可分和线性不可分两类型的问题。对于线性可分的问题中：y=w1x1+w2x2…，可以解决。对于线性不可分的问题：上述的方程式无法解决，所以需要考虑加激活函数：y=激活函数（w1x1+w2x2…）看到图中的激活函数f(z),在一维的角度来看就是，将直线弯曲。。。二维就是平面变曲面。。。如果不用激活函数，每一层输出都是上层输入的线性函数，无论神经网络有多少层，输出都是输入的线性组合，这种情况就是最原始的感知机（Perceptron）。如果使用的话，激

原创 学习笔记2020-10-22（多模块问题）

多模块信息融合（）信息融合：字面意思的整合。分为信息和融合两部分信息：对于机器学习中的信息来看，包括1.数据集（图像，标签，GT），2.特征：经过神经网络而得到的特征，属于中间的信息。3.筛选器：最后的融合，包括输出的内容，损失函数的融合。转自博客：多模态融合多模态表示学习是指通过利用多模态之间的互补性，剔除模态间的冗余性，从而学习到更好的特征表示。主要包括两大研究方向：联合表示（Joint Representations）、协同表示（Coordinated Representations）、编解码

原创 学习日记2020-10-21（注意力模块）

注意力模块：物体间或者物体内一些区域的关联性是有助于目标检测任务的，但是之前没人有实际的证明如何使用这种关联性是一定可行的，本文作者就尝试在检测网络中添加注意力模块。《Relation Networks for Object Detection》转载自博客：添加链接描述计算机视觉（computer vision）中的注意力机制（attention）的基本思想就是想让系统学会注意力——能够忽略无关信息而关注重点信息主要是三种注意力域，1空间域(spatial domain)，2通道域(channel

原创 学习日记2020-10-19（显著性检测方法文章）

结合彩色和深度信息的图像显著性检测方法RGB-D图像处理；一种基于低秩多尺度融合的图像显著性检测方法协同显著性检测一种基于显著性检测的深度图提取方法深度图的提取基于U形网络和对抗学习的显著性检测方法对抗学习在哪里？类似GAN网络?鉴别器？基于深度信息的图像显著性检测方法和装置如何生成深度信息？特征图像？基于多尺度重构误差融合的绝缘子显著性检测方法绝缘子检测？绝缘子图像？结合显著性检测和深度学习的船只检测方法及系统一种基于最优特征选择的低

原创 学习日记2020-10-13（显著性检测综述）

基于深度学习的显著性目标检测综述_史彩娟主要内容：不足和进步：

原创 学习日记2020-10-12（显著性检测）

这里写自定义目录标题欢迎使用Markdown编辑器# 学习目标：学习内容：学习时间：学习产出：新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入欢迎使用Markdown编辑器# 学习目标：提示：这里可以添加学习目标例如：

原创 2020-08-06解决pyinstaller打包问题

经过了2天时间的pyinstaller打包，看过几十篇博客（最少），最后终于找到了问题所在，对与相对路径问题，要考虑到将其加入到代码中去，使用sys.path.append（‘…’），最后感谢博主Loki97，是从他的文章中找到了解决方法转载：博主Loki97...

转载 Normalization

转载

转载 BatchNormalization、LayerNormalization、InstanceNorm、GroupNorm、SwitchableNorm

标题@TOC欢迎使用Markdown编辑器这里是引用List item你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。新的改变我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客：全新的界面设计 ，将会带来全新的写作体验；在创作中心设置你喜爱的代码高亮样式，Markdown