- 博客(21)
- 收藏
- 关注
RSS订阅原创 用Matlab读取CSV文件出现不匹配
在运行如下命令时，出现了如图错误，csvread()函数是读取CSV文件，并转化为matlab数据格式。filename='m.csv';m=csvread(filename);错误原因是：我在保存csv文件的时候，没仔细看，就选了CSV UTF-8类型，这种类型保存时会在最前面加上一个特殊的编码，造成显示乱码。解决办法：将m.csv另存为CSV 类型，Matlab中便可以成功读取。...
2021-03-20 17:59:22
6893
1
原创 Matlab读取记事本中的字符串数据
最近在处理一些数据，如图所示的txt文件以我的为例，想要在matlab中循环读取这些图片，进行处理，则可以1.读取name.txt中所有字符串，共有400行，存成cell[name]=textread('name.txt','%s',400);2.循环取出 。name:400*1 cellfor i=1:400 str_name=name{i}; img=imread(str_name) %...end...
2021-03-20 16:11:44
4232
原创 Ubuntu 虚拟环境中升级python版本
使用ubuntu系统，在自己的虚拟环境（python==3.6.0）中运行程序，出现如下错误：python: symbol lookup error: /home..../libtorch_python.so:undefined symbol:PySlice_Unpack我的pytorch版本是1.4.0, 查阅博客https://blog.csdn.net/Strive_For_Future/article/details/96742124得知是python版本的问题，于是接下来将其升到3.6.
2020-12-19 18:29:35
2555
1
原创 pytorch:中numpy数组转Tensor： Expected object of backend CUDA and type float
在pytorch中，想要将numpy数组x_n转化为Tensor，并指定dtype,便于训练：x_t=torch.Tensor(x_n,dtype=torch.float32)若是使用GPU，则需要加上cuda：x_t=x_t.cuda()
2020-11-28 22:37:21
200
原创 cv2.error:OpenCV /clahe.cpp:351 error: (-215:Assertion failed) _src.type() == CV_8UC1 || CV_16UC1 in
限制对比度自适应直方图均衡（Contrast Limited Adaptive histgram equalization/CLAHE),在python opencv中使用可按照以下方法：import cv2im = cv2.imread('img.jpg',0)clahe = cv2.createCLAHE(clipLimit=2.0, tileGridSize=(8,8))img = clahe.apply(im)但是出于需要，我的程序里代替im的是一个二维numpy数组，直接对数组调用cl
2020-11-27 19:09:14
2321
1
原创 TypeError:can‘t convert CUDA tensor to numpy. Use Tensor.cpu() to copy the tensor to host memory fir
Type Error
2020-11-27 18:33:30
351
原创 NVIDIA驱动安装过程
重装Ubuntu系统后，便急着开始跑代码，于是就出现了错误。键入nvidia-smi，出现以下说明：NVIDIA-SMI has failed because it couldn't communicate with the NVIDIA driver.Make sure that the latest NVIDIA driver is installed and running.很明显，没有驱动。于是下面开始安装：1.删除旧的NVIDIA的驱动（我的没有，不过可以执行）sudo apt-get
2020-11-19 13:44:00
4012
原创 人体姿态检测—HRNet代码详解（二）
论文原文链接：《Deep High-Resolution Representation Learning for Human Pose Estimation》上一篇是介绍了HRNet的结构和理论知识，以及代码的运行过程。这篇接着详解一下Github代码：https://github.com/stefanopini/simple-HRNet1.生成人体关键点的Ground Truth对于人体姿态关键点的ground truth,采用二维高斯分布，在每个关键点的ground truth位置上以1个像素为中
2020-11-18 19:49:29
3622
6
原创 人体姿态检测—HRNet分析与实现（一）
点击查看原文：《Deep High-Resolution Representation Learning for Human Pose Estimation》在HRNet论文中主要研究人体姿态估计问题，着重于输出可靠的高分辨率表征。现有的大多数方法都是从高分辨率到低分辨率网络产生的低分辨率表征中恢复高分辨率表征。而HRNet能在整个过程中都保持高分辨率的表征。高分辨率子网络作为第一阶段开始，逐步增加高分辨率到低分辨率的子网，形成更多的阶段，并将多分辨率子网并行连接进行多次多尺度融合，使得每一个高分辨率到低
2020-11-18 19:28:06
11281
12
原创 ValueError: Expected more than 1 value per channel when training, got input size torch.Size([1, 2048
在多块GPU上训练模型时，出现如下错误：看很多博客说是：由于batchnorm层需要大于一个样本去计算其中的参数，解决方法是将dataloader的一个丢弃参数设置为true。网上查找的原因为模型中用了batchnomolization，训练中用batch训练的时候当前batch恰好只含一个sample，而由于BatchNorm操作需要多于一个数据计算平均值，因此造成该错误。于是查看我的训练batch_size=16,训练集样本：验证集样本：测试集样本：计算了一下均没有剩下一个样本的情况，
2020-11-18 09:39:04
1420
1
原创 目标检测—RetinaNet与Focal loss分析与实现
目标检测分为one-stage和two-stage的方法，two-stage的代表网络之一Faster R-CNN准确率较高，但是检测速度慢。相对之下one-stage的网络计算速度快但是准确率降低较多。针对此现象，一些研究者分析了one-stage网络检测准确率的主要原因，为密集检测器在训练时所遭遇的前景-背景类数量的极度不平衡。所以他们重构标准交叉熵损失函数为Focal Loss，通过降低易分类样本和背景类样本的loss,来解决这种类不平衡问题。相应地，RetinaNet作为验证Focal Loss效果
2020-11-17 21:34:37
1161
1
原创 Ubuntu18.04上Anaconda+Python3.6+PyTorch1.4.0安装
近期需要运行一个程序，要求PyTorch==1.4.0，之前都是使用Tensorflow跑代码，今天在服务器上重新安装Anaconda+Python3.6+PyTorch1.4.0，特记录下过程，以便于日后使用。安装Anaconda1.下载Anaconda-python3.6$ wget https://repo.anaconda.com/archive/Anaconda3-5.2.0-Linux-x86_64.sh2.安装Anaconda$ mkdir Anacondas$ sh Anaco
2020-11-16 21:58:43
580
翻译 语义分割-PSPNet
论文阅读：《Pyramid Scene Parsing Network》原文链接场景解析对于不受限制的开放词汇表和多样化的场景具有挑战性。在此论文中，利用金字塔池模块和金字塔场景解析网络(PSPNet)来开发基于不同区域的全球上下文信息聚合的能力。全局先验表示法能够有效地生成高质量的场景解析结果，pspnet在像素级预测上作为优越的框架。该方法在不同的数据集上实现了最先进的性能。2016年，在场景解析挑战中获第一。PSPNet在PASCAL VOC 2012和Cityscapes上的mIoU的准确性分别
2020-11-15 17:36:17
399
原创 基于视觉词袋和空间金字塔匹配的图像分类
本实验实现手动提取图像特征的分类方法，基于视觉词袋的图像特征表达，并用空间金字塔法提升。采用K-Means方法对其进行聚类训练集的筛选特征图像,将每幅图像转换为表达的词频向量,它训练SVM模型。在测试时，使用不同的训练集图像数、核函数等参数，讨论这些变化对测试的影响准确性。介绍1.传统手动特征提取基于对象识别的统计学习框架分为两种类型，一种是基于手动功能另一种是深度学习的自动设计特征提取算法，都属于监督学习方法。前深的出现学习中，图像的分类和识别居多基于人工特征提取。比较经典的算法有sift、hog等
2020-11-15 16:39:13
1216
1
原创 显著性检测—基于上下文内容感知方法
基于上下文感知的显著性检测方法,不同于眼睛注视和显著目标检测，它的目的是检测代表场景的图像区域。根据心理学文献中观察到的四个原则，提取了图像的代表性区域，得到了更好的显著性图。在下面的实验中，会分析每一步的结果，通过调试参数的设置，比较结果对saliency map的影响。点击查看原文《Context-Aware Saliency Detection》介绍一般地，显著性检测算法分为两种，眼动点预测和显著物体检测。第一种主要是识别注视点，即那些引起人类观察者第一眼的注意。这种显著性有利于理解人类的注意
2020-11-11 19:58:36
2444
6
原创 显著性检测—谱残差方法分析与实现
基于显著性检测的谱残差方法（Spectral Residual）独立于特征，类别，或其他形式的先验知识的目标。通过对输入图像的对数谱分析，提取图像在光谱域的谱残差，并实现在空间域构造相应的显著性图。通过设置不同的参数，对比其对saliency map造成的影响，并讨论算法本身的优点和限制，以指导产生更好的效果。点击查看原文《Saliency Detection: A Spectral Residual Approach》Spectral Residual:1.介绍本文指出，许多显著性检测模型都是基于
2020-11-10 18:36:45
5727
1
原创 显著性检测数据集之——显著物体检测
本文收集的显著性检测数据集包含两个部分：人眼关注点预测数据集（fixation prediction datasets）和显著物体检测数据集（salient object detection datasets）。2.salient object detection datasets:(1) MSRA10K数据集2007年, 西安交通大学与微软亚洲研究院的Liu等人提出了第1篇显著物体检测的论文, 同时也提出了第1个显著物体检测数据集, 但是该数据集只提供了物体边界框这一级别的显著性真值标定.之后, C
2020-11-07 18:25:12
3877
2
原创 显著性检测数据集之——眼动预测
本文收集的显著性检测数据集包含两个部分：人眼关注点预测数据集（fixation prediction datasets）和显著物体检测数据集（salient object detection datasets）。1.fixation prediction datasets：(1) MIT300数据集2012年, 麻省理工的Judd等人建立了MIT300数据集.该数据集包含了300张自然图像以及39名观测者的眼动数据, 是图像人眼关注点检测领域影响力最大、使用最广泛的数据集.该数据集得以广泛应用的原因是
2020-11-07 17:45:30
7330
原创 人眼关注点检测和显著物体检测的关系
人眼关注点预测（eye fixation prediction）和显著物体检测（salient object detection）都属于显著性检测任务，都是对图片或者视频的最显著区域进行检测。但是两者在方法机理和应用场景上有一些差异。1.人眼关注点检测作为人类视觉显著性检测研究引入了计算机视觉领域的早期工作，人眼关注点检测更加关注于人类视觉注意力机制，对人眼在场景中某一个位置停留的可能性进行预测。人眼关注点检测是指通过数学建模的方式模拟人类视觉注意系统的机能, 对图像或视频中不同位置受到视觉关注的概率进
2020-11-07 17:14:53
1867
原创 图像处理基本操作实现工业产品缺陷检测
一、pandas是什么？示例：pandas 是基于NumPy 的一种工具，该工具是为了解决数据分析任务而创建的。二、使用步骤1.引入库代码如下（示例）：import numpy as npimport pandas as pdimport matplotlib.pyplot as pltimport seaborn as snsimport warningswarnings.filterwarnings('ignore')import sslssl._create_default_
2020-11-04 21:30:26
1833
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人