weixin_43572595的博客

原创 操作系统面试基础知识点

操作系统的几大模块CPU的调度物理、虚拟内存的管理文件系统的管理中断和设备驱动（I/O）shell + kernelshell指的是面向用户的外壳，比如windows gui。kernel是操作系统的核心管理模块。操作系统kernel的特点并发共享虚拟异步...

原创 理解深度优先搜索和广度优先搜索

深度优先搜索其实是一种递归的思想。前序遍历： void dfs(TreeNode* root){ if(root==nullptr) return; process(root->val); //当前节点数据处理 dfs(res,root->left); dfs(res,root->right); }中序遍历： void dfs(TreeNode* root){

原创 实用python代码分析工具（错误跟踪、效率和内存泄漏分析）

traceback收集错误信息，并打印import traceback try: ...#代码块 except Exception as e: traceback.print_exc()pyinstrument代码效率分析from pyinstrument import Profilerprofiler = Profiler()profiler.start() ...# 代码块profiler.stop()print(profiler.out

原创 利用CSF算法实现地面点云的粗分割

参考文章：点云地面点滤波(Cloth Simulation Filter, CSF)“布料”滤波算法介绍安装项目地址: https://github.com/jianboqi/CSF项目有详细安装说明，对于python版本，先下载整个仓库，然后cd到里面的python目录。python setup.py buildpython setup.py install实验def csf_ground_segmentation(data): """ cloth simulat

原创 论文阅读总结CVPR2020实例分割

原创 思维导图：C++基本内容总结

原创 指针总结：指针的使用有哪些需要注意的点？

1. 初始化防止出现未知内存操作危险指针一定要初始化后进行解引用操作（*p），不然可能出现对未知内存块的操作。原因是不初始化的指针一开始的指向是随机的。2.指针在动态内存分配的应用new分配内存，返回地址。delete删除指针指向内存，但不会删除指针（变量）本身。new和delete应成对使用，否则发生内存泄露。内存泄露：指的是那些被分配的内存由于没有进行回收处理，无法再进行使用。几点注意:不用delete释放不是new分配的内存不要使用delete释放同一内存两次如果使用new [

原创 深度学习理论学习过程中的一些常见问题

1. 样本归一化：预测时的样本数据同样也需要归一化，但使用训练样本的均值和极值计算，这是为什么？答：可以从三个角度理解：众所周知，我们的数据集分为训练集和测试集，对于测试集的均值方差归一化，不能用测试集的均值和方差，而要用训练集的均值和方差，因为真实数据中很难得到其均值和方差。另外，网络参数是从训练集学习到的，也就是说，网络的参数尺度是与训练集的特征尺度一致性相关的，所以应该认为测试数据和训练数据的特征分布一致。最后，训练集数据相比测试集数据更多，用于近似表征全体数据的分布情况。总结就是认为测试数据的分

原创 深入理解计算机操作系统-第一章阅读摘要

从源码到可执行程序的四个过程：预处理（读取替换头文件）、编译（到汇编语言）、汇编（到机器语言）、链接（可执行目标程序）为什么需要了解编译系统的工作原理：优化程序性能、理解链接错误、避免安全漏洞操作系统：实现了上层应用程序与低层硬件的交互进程：对于运行程序的一种抽象并发：多个进程之间交错执行–》上下文（状态）切换线程：一个进程可以由多个称为线程的执行单元构成虚拟存储技术：一种存储空间的抽象，每个进程看到的存储器一致，称为虚拟地址空间内存四区：代码数据区、堆、栈、全局区...

原创 论文阅读：Deep Dual-resolution Networks for Real-time and Accurate Semantic Segmentation of Road Scenes

论文地址：http://arxiv.org/abs/2101.06085摘要语义分割是自动驾驶汽车了解周围场景的一项关键技术。 对于实际的自动驾驶车辆，不希望花费大量的推理时间来获得高精度的分割结果。 使用轻量级架构（编码器-解码器或两条路径）或对低分辨率图像进行推理，最近的方法实现了非常快速的场景解析，甚至在单个1080Ti GPU上以超过100 FPS的速度运行。 但是，这些实时方法和基于膨胀主干的模型之间在性能上仍存在明显差距。 为了解决这个问题，我们提出了新颖的深度双分辨率网络（DDRNet），

原创 如何从Ros bag包中提取图像数据？

从录好的数据包中将图片按帧保存到文件夹，生成数据集#coding:utf-8import rosbagimport rospyimport cv2import imutilsfrom sensor_msgs.msg import Imagefrom cv_bridge import CvBridgefrom cv_bridge import CvBridgeErrorpath='/path/to/image/' #存放图片的位置class ImageCreator(): d

原创 面向开放世界的深度学习

Motivation尽管深度学习已经在各大数据集上有优异表现，但在实际动态变化的世界里，这些预先学习了数据集知识的模型却难以适应多变、未知。最近，已经有一些学者意识到了这个重要问题。本文将增量式记录目前科学界对于开放世界学习问题的一些成果，以便学习、查阅。论文列表1. 面向开放世界的目标检测Towards Open World Object Detection（CVPR2021）：论文：https://arxiv.org/pdf/2103.02603.pdf代码：https://github.

原创 代码编辑神器Vim快捷学习

Vimvim是一个能够提高效率的编辑器！！！vim的多种模式normal模式（普通模式）：进入vim默认是普通模式。使用esc从任意模式回到普通模式；默认是普通模式的原因：大多时候是浏览代码。Insert插入模式：iaocommand命令模式：显示行号：在normal模式下Ctrl/Command + ： 然后nu ；竖直方向（水平方向）分屏：在normal模式下Ctrl/Command + ： 然后vs（sp） ；替换操作将xxx全局（/g）替换成yyy：在normal模式下Ctrl/Co

原创 多目标跟踪论文阅读：Track to Detect and Segment: An Online Multi-Object Tracker

Track to Detect and Segment: An Online Multi-Object Tracker[x]作者：Wu, Jia. lianCao, Jiale. Song, Liangchen[x]团队/机构：SUNY Buffalo. TJU. Horizon Robotics[x]Journal：IEEE Conference on Computer Vision and Pattern Recognition (CVPR)[x]年份：2021[x]论文链接：http://a

原创 全景分割论文阅读：Efficientps: Efficient Panoptic Segmentation

论文链接：https://arxiv.org/pdf/2004.02307.pdf项目地址：https://github.com/DeepSceneSeg/EfficientPS

原创 论文阅读：Swin Transformer: Hierarchical Vision Transformer using Shifted Windows

原创 实时实例分割系列：YOLACT v1和YOLACT v2

原创 目标检测论文阅读：Probabilistic two-stage detection（CenterNet2）

[x]作者：Xingyi Zhou 1 Vladlen Koltun 2 Philipp Kr¨ahenb¨uhl 1 Abstract[x]团队/机构：UT Austin 和 Intel Labs[x]论文链接：http://arxiv.org/abs/2103.07461[x]项目地址：https://github.com/xingyizhou/CenterNet2

原创 目标检测论文阅读总结：单阶段目标检测FCOS系列

1、FCOS v1（FCOS: Fully Convolutional One-Stage Object Detection）提出了一种全卷积的一阶段对象检测器（FCOS），以按像素预测的方式解决对象检测，类似于语义分割。 几乎所有最新的物体检测器（例如RetinaNet，SSD，YOLOv3和Faster R-CNN）都依赖于预定义的锚框。 相反，我们建议的探测器FCOS不含锚盒，也不含建议盒。 通过消除预先定义的锚定框集，FCOS完全避免了与锚定框相关的复杂计算，例如训练期间的重叠计算。 更重要的是，

原创 python中变量标识的本质

可能我们在很多地方都看到过一个不引入中间变量交换两个变量值的python写法：a = 10b = 20a,b = b,a # * 探究背后的的原理：Python中变量实际上存的都是地址a实际上保存的是10的地址。b保存的是20的地址。个人理解：在第三行交换那一行，等号右边的相当于是取值，等号左边当然还是变量，等号相当于是改变指向。...

原创 读书blog：流畅的python-chapter1、2

总结1、特殊方法，又称魔术方法（magic method）：一般以__xxx__的形式表示，使得我们可以让自己的对象实现和支持以下的语义架构，并与之交互：迭代集合类属性访问运算符重载函数和方法的调用对象的创建和销毁字符串表示形式和格式化管理上下文（即with块）利用特殊方法来实现python数据模型的优点：不必记标准操作的名称；可以方便地利用标准库。特殊方法的存在是为了被python解释器调用的。...

原创 视觉注意力系列概念及论文阅读学习

最近在看视觉注意力机制，看到比较好的博客或者公众号文章如下：首先当然是要了解自然语言处理NLP里面的的注意力机制和Transformer基本概念：The Illustrated Transformer然后再看视觉里面的：1、视觉注意力机制 | Non-local模块与Self-attention的之间的关系与区别？包含详细的视觉self-attention介绍和一篇应用self-attention的文章介绍:Non-local Neural Networks模块依然存在以下的不足：(1)

原创 论文阅读：Fully Convolutional Networks for Panoptic Segmentation

标题：用于全景分割的全卷积网络作者：Yanwei Li, Hengshuang Zhao, Xiaojuan Qi, Liwei Wang, Zeming Li, Jian Sun, Jiaya Jia机构：Chinese University of Hong Kong University of Oxford University of Hong Kong MEGVII Technology论文地址：https://arxiv.org/pdf/2012.00720.pdf项目地址：https://

原创 全景分割论文阅读：Real-Time Panoptic Segmentation from Dense Detections(CVPR2020)

标题：基于密集检测的实时全景分割作者：Arjun Bhargava Allan Raventos Vitor Guizilini Chao Fang Jerome Lynch Adrien Gaidon机构：Toyota Research Institute； University of Michigan, Ann Arbor论文地址：https://arxiv.org/abs/1912.01202项目地址：https://github.com/TRI-ML/realtime_panoptic摘要

原创 Python多进程、线程、协程

概念进程　　一个具有一定独立功能的程序在一个数据集上的一次动态执行的过程，是操作系统进行资源分配和调度的一个独立单位，是应用程序运行的载体。进程是一种抽象的概念，从来没有统一的标准定义。进程一般由程序，数据集合和进程控制块三部分组成。程序用于描述进程要完成的功能，是控制进程执行的指令集；数据集合是程序在执行时所需要的数据和工作区；程序控制块包含进程的描述信息和控制信息是进程存在的唯一标志　　进程具有的特征：动态性：进程是程序的一次执行过程，是临时的，有生命期的，是动态产生，动态消亡的；并发性：

原创 Python优化：编译优化篇（Cpython、Numba）

概述python为通过编译优化代码效率的方式提供了许多选项，包括纯粹的基于C的编译方式，比如Cython、 Shed Skin和 Pythran，凭借 Numba 的基于 LLVM 的编译方式，还有替代虚拟机的 PyPy，包含了一个内置的即时编译器（JIT）。面向的提升对象调用外部库（例如，正则表达式、字符串操作、调用数据库）的代码在编译后可能不会表现出任何速度提升。 I/O 密集型的程序同样不可能表现出明显的速度提升。因为这是机理问题。类似地，如果你 Python 代码集中于调用向量化的 nump

原创 Python：迭代器与生成器

在学习迭代器与生成器之前，先了解一下迭代的概念。迭代所谓的迭代就是单向遍历取值的过程，可以使用循环取值的对象称为可迭代对象。比如：列表、元组、字典、字符串。我们可以用collections中的Iterable，来判断对象是不是可以迭代的。from collections import Iterable# 判读一个对象是不是可迭代的print(isinstance([],Iterable))print(isinstance({},Iterable))print(isinstance((),It

原创 全景分割论文阅读（简单翻译）：Axial-DeepLab: Stand-Alone Axial-Attention for Panoptic Segmentation

作者单位：约翰斯·霍普金斯大学, 谷歌论文：https://www.ecva.net/papers/eccv_2020/papers_ECCV/html/1564_ECCV_2020_paper.php代码：https://github.com/csrhddlam/axial-deeplab摘要卷积利用局部性来提高效率，但会丢失远程上下文。 自我注意力机制已经被用来通过非本地交互来增强CNN。 最近的工作证明可以通过限制对局部区域的关注来堆叠自我关注层以获得完全关注的网络。 **在本文中，我们试图通

原创 python装饰器

什么是装饰器概括的讲，装饰器的作用就是为已经存在的函数或对象添加额外的功能。装饰器本质上是一个Python函数，它可以让其他函数在不需要做任何代码变动的前提下增加额外功能，装饰器的返回值也是一个函数对象。它经常用于有切面需求的场景，比如：插入日志、性能测试、事务处理、缓存、权限校验等场景。装饰器是解决这类问题的绝佳设计，有了装饰器，我们就可以抽离出大量与函数功能本身无关的雷同代码并继续重用。简单装饰器的写法就是定义装饰器函数：在内定义一个添加新功能语句的函数a，其参数就是想要修饰的函数的参数变量（想

原创 Python高性能瓶颈及一些常用高效库

1.全局解释器对于Python来说，充分利用多核性能的阻碍主要在于Python的全局解释器锁（GIL）。GIL确保Python进程一次只能执行一条指令，无论当前有多少个核心。这意味着即使某些Python代码可以使用多个核心，在任意时间点仅有一个核心在执行Python的指令。以前面调查的例子来说，即使我们有100位提问者，然而一次仅有一位可以提问和接受回答，并没有什么用！2.Python的动态类型以及python并不是编译性语言...

原创 全景分割论文阅读：MaX-Deeplab:End-to-End Panoptic Segmentation with Mask Transformers

标题：Max-DeepLab：使用掩模Transformer进行端到端全视分割作者：Huiyu Wang,Yukun Zhu,Hartwig Adam,Alan Yuille,Liang-Chieh Chen机构：Johns Hopkins University ,Google Research论文地址：https://arxiv.org/abs/2012.00759项目地址：暂未开源代码摘要文章方法很大程度上简化了依赖于子任务和手动设计的组件（例如，bbox检测，NMS，thing-stuff

原创 论文阅读：实例分割新宠-SOLO系列

SOLOv1论文链接：https://arxiv.org/abs/1912.04488项目地址：https://github.com/WXinlong/SOLOSOLO贡献端到端训练，且无后处理只需要mask的标注信息，无需 bbox 标注信息，在 COCO 上实现了和 Mask R-CNN 基本持平的效果SOLO 只需要解决两个像素级的分类问题，类似于语义分割，本质上，SOLO 通过离散量化，将坐标回归转化为分类问题，可以避免启发式的坐标规范化和 log 变换，通常用于像 YOLO 这样

原创 Python数据结构常用表示方法

对python中常用的数据结构的简单实现/包调用的总结1、动态数组（用列表List表示）# 初始化可变数组array = []# 向尾部添加元素array.append(2)array.append(3)array.append(1)array.append(0)array.append(2)2、链表（用对象Class表示）链表以节点为单位，每个元素都是一个独立对象，在内存空间的存储是非连续的。链表的节点对象具有两个成员变量：「值 val」，「后继节点引用 next」 。clas

原创 Python中如何传递未知数量的函数参数

1、元祖方式：*形参名举例：def make_pizza(*toppings): """概述要制作的比萨""" print("\nMaking a pizza with the following toppings:") for topping in toppings: print("- " + topping) make_pizza('pepperoni')make_pizza('mushrooms', 'green peppe

原创 论文阅读：YolactEdge-实时实例分割（170FPS）

引言像素级分割问题的一大难题还是在于实时性，最近出了一篇速度超级快的实例分割论文，名为《YolactEdge: Real-time Instance Segmentation on the Edge (Jetson AGX Xavier: 30 FPS, RTX 2080 Ti: 170 FPS)》。看起来很屌…下面仔细看一下吧。论文题目：YolactEdge: Real-time Instance Segmentation on the Edge (Jetson AGX Xavier: 30 FPS,

原创 利用双栈实现队列的原理

栈栈我们知道是遵循：先进后出原则。那么要想删除最开始的那个元素，那么就得将所有后面放进去的元素都出栈。队列队列则不同，遵循先进先出原则，就像一个两端开口的水管，先进去就先从另一端出来。双栈实现队列从上我们可以知道，单单一个栈是完全不同于队列的，因为他们天生机理不同，或者说相反。相反！对，就是这个！那如果我们有两个栈呢？一个栈A将所有元素弹栈，依次放入另外一个栈B。那这个时候栈B的栈顶不就是刚刚最开始进入栈A的那个元素了吗！对栈B进行弹栈，不就实现了先进先出的功能了吗！原来如此简单！...

原创 RCNN系列论文学习：RCNN、FastRCNN、FaterRCNN、MaskRCNN（包含IOU、NMS介绍）

最近在看图像分割方面的东西，发现MaskRCNN里面有好多东西不是很理解，于是就打算简单梳理一下。找了很多博客，还有视频。这里简单记录一下。RCNNRCNN的英文是 Region based CNN或者说Region with CNN feature，也就是基于（候选）区域的卷积。RCNN可以说是利用深度学习进行目标检测的里程碑。候选区域的生成：Selective Search，比如对图像简单分割处理后，对某些可能是物体的区域生成一些候选框。对每个候选区利用深度卷积网络提取特征，例如：特征送

原创 如何使用tensorboard可视化训练？

简介什么是tensorflow呢？从其名称我们可以猜想，是对tensor信息流动过程的记录工具！当我们训练神经网络时，我们希望去跟踪神经网络的整个训练过程中的信息，比如迭代的过程中每一层参数是如何变化与分布的，比如每次循环参数更新后模型在测试集与训练集上的准确率是如何的，比如损失值的变化情况，等等。如果能在训练的过程中将一些信息加以记录并可视化得表现出来，是不是对我们探索模型有更深的帮助与理解呢？Tensorflow官方推出了可视化工具Tensorboard，可以帮助我们实现以上功能，它可以将模型训练

原创 Linux系统常用指令速查

通过命令行打开文件夹窗口nautilus {路径}比如打开当前目录：nautilus .打开指定路径文件夹nautilus xxx/ccc/

原创 全景分割系列论文阅读：UPSNet-A Unified Panoptic Segmentation Network

引言这篇论文是香港中文大学和Uber公司及多伦多大学的在2019年的工作，名为UPSNet，意在建立一个统一的全景分割网络（unified panoptic segmentation network）结构。文章采用了单个特征提取网络（backbone）加上语义分割head及实例分割head的标准架构，最后通过一个对像素分类的无参数的全景分割head块融合语义分割及实例分割结果。介绍语义分割旨在从像素级别理解场景，实例分割旨在对每个目标进行像素级的理解。虽然都是像素层面的理解，但是目标不一致，自然导致了