SiamFC代码配置复现 matlab版本

最新推荐文章于 2021-06-08 10:13:04 发布
最新推荐文章于 2021-06-08 10:13:04 发布
阅读量3.4k 收藏 16
点赞数
分类专栏： siamese
原文链接：https://blog.csdn.net/ZZXin_/article/details/88078116
版权
原创

SiamFC代码配置复现

2019-04-29 22:18:06 阅读数 1603 更多
分类专栏： 深度学习
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接： https://blog.csdn.net/ZZXin_/article/details/88078116

写在前面

最近在研究SiamRPN，究其根本，CNN依托于AlexNet骨架，所以花些功夫研究以下SiamFC代码，将其阶段性复现。

[ Tracking only ]

关于GPU显卡配置、cudn和cudnn安装可以参考Ubuntu16.0下安装显卡驱动、 cuda10.0 、cudnn的活生生案例

1.Ubuntu16.04配置Matconvnet

[可参考官方教程](http://www.vlfeat.org/matconvnet/)

%% 编译安装MatConvNet工具箱
mex -setup,mex -setup C++ %绑定C++编译器
% 将matlab工作路径切换到./MatConvNet，在该工作空间下输入：
addpath matlab %添加搜索路径
vl_compilenn %编译工具箱-一般编译（使用cpu）(注：一般在这行会报错，可用以下代码替换：vl_compilenn('EnableImreadJpeg',false))
vl_setupnn %启动工具箱
% 以下两种方式二选一即可
vl_compilenn('enableGpu',true) %使用cuda编译，编译速度一般
vl_compilenn('enableGpu',true,'cudaRoot','/usr/local/cuda-10.0','cudaMethod','nvcc','enableCudnn',true,'cudnnRoot','local/cudnn5') %使用cudnn编译（具体相应的路径名根据自身实际情况进行设置）
%% 测试
vl_testnn %测试cpu编译成功
vl_testnn('gpu',true) %测试GPU编译成功

     
     

     
     
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12

注意：以上对MatConvNet的配置均在MatConvNet所在的工作目录下进行

2.运行阶段：
run_tracker('vot15_bag',1)

     
     

     
     
  • 1

注意：对于一些关键路径的修改，可根据报错提示进行相对应的修改，关于stats.mat文件，可以参考SiamFCdemo运行所需stats.mat文件，下载后放到相对应的文件路径即可;最后运行以上一句代码即可。
[2019/3/2 写]

看到一个相对比较良心的代码复现博文[论文复现] Fully-Convolutional Siamese Networks for Object Tracking可作为参考；
[2019/3/3 更]

MatConvNet是什么；
MatConvNet函数文档；
[2019/3/4 更]

又写在前面

突然警醒到：深度学习的关键所在在于神经网络的训练过程，你所搭建的自己的architecture一旦形成，需要利用相应的数据集进行训练，得到真正属于自己的architecture的权重参数，这才是end to end的真谛吧。
所以就有了接下来的工作，balabalabala…

[ Training only ]

关于配置问题，参见上面的[Training only]部分，在这里需要指出的是Matconvnet的版本问题，本人用的是v1.0-beta25版本，而Siamfc原作者当初用的是v1.0-beta20版本(Matconvnet工具箱下载链接)，在tracking阶段，两者均可，但是，在训练阶段，可能由于版本的原因，会弹出一些很痛心的bug…诸如此图（ps：如果你到了这一步，你真的就离成功不远了，我真的是费了九牛二虎之力才到了这一步，奈何我是如此之菜…）
vl_nnbnorm错误关于解决方案，先别着急，等到了这一步自会说;

1.进行图片原始数据的预处理工作

在这里插入图片描述上图为step-by-step instructions步骤；【1】中链接为ILSVRC官网下载链接，但是需要注册，如果对官网所给的数据集并不是了解的话，建议使用这个直截了当的链接——ILSVRC2015_VID数据集下载链接,直接点击下载即可，一共89.6G；
【3】中要求做的是将VID中的validation和train数据集合并为一个，并将相应的5个文件夹的名称改为a，b，c，d，e；
【4】中按要求运行即可，
【5】中要求对每个视频的每一帧图片进行相应的处理（合并了一些信息），这一步骤耗费了大约一周的时间，持续不断的运行，5个matlab并行处理，全是泪…
【6】中对图片中的object进行操作，但是按要求运行并没有什么卵用，空的，不知道哪里出了问题，所以基于【7】以上步骤做的工作全部作废，一周的运行化为泡影…
所以，作此总结：
使用谷歌浏览器直接下载imdb_video.mat即可，给出的【4-7】的操作只为了得到一个它，所以直接下载它即可；
【8】中搞不懂它在做些什么；
【9】中需要做的是复制ILSVRC2015文件夹的tree结构供后续【10】中作crop得到的图片存储用，按照给定的要求做即可，这里以Ubuntu为例（过程可作参考，结合自身理解后期记录，可能会有错误，但能够有些帮助，知道相应的指令能够完成怎样的操作）：

#将当前路径下的文件夹的tree结构存储到dirs.txt
find . -type d >dirs.txt
#新建一个文件夹ILSVRC2015_
mkdir ILSVRC2015_
cd ILSVRC2015_ | cp ../ILSVRC2015/dirs.txt ./
# 从dirs.txt产生相应的目录
xargs mkdir -p <dirs.txt

     
     

     
     
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7

【10】中运行save_crops.m；这里虽然他那样讲，但是实际并不能够达到效果，会出现一些bugs，以下可以作为参考：

% load imdb_video.mat
imdb_video = load('/home/db/Subject/SiamFC/v1/siamese-fc/cfnet_imdb_video_2016-10.mat')
% run save_crop
% -imdb_video这里用imdb_video.imdb_video，你查看导入的imdb_video即能明白为啥这么做；
% v_1：1；v_end：4417；一共4417组VID，对其全部进行crop操作
% root_original：你存放ILSVRC2015的路径；root_crops：crop后存放的图片路径
%save_crops(imdb_video,v_1,v_end, root_original, root_crops)
save_crops(imdb_video.imdb_video,1,4417,'/home/db/Subject/SiamFC/v1/siamese-fc/ILSVRC2015', '/media/db/ZZXin EXT/ILSVRC2015_')
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9

【11】中可以按照要求做，忘记自己run的还是直接下载的，建议还是用原作者给的吧
至此，对图片的原始数据预处理工作全部完成；

2. training过程

在这里插入图片描述

  1. 配置Matconvnet（和上同），可以将这个文件写成一个脚本文件即可，每次进行Matconvnet的配置运行该脚本即可；
%% 编译安装MatConvNet工具箱
mex -setup,mex -setup C++ %绑定C++编译器
% 将matlab工作路径切换到./MatConvNet，在该工作空间下输入：
addpath matlab %添加搜索路径
vl_compilenn %编译工具箱-一般编译（使用cpu）(注：一般在这行会报错，可用以下代码替换：vl_compilenn('EnableImreadJpeg',false))
vl_setupnn %启动工具箱
% 以下两种方式二选一即可
vl_compilenn('enableGpu',true) %使用cuda编译，编译速度一般
vl_compilenn('enableGpu',true,'cudaRoot','/usr/local/cuda-10.0','cudaMethod','nvcc','enableCudnn',true,'cudnnRoot','local/cudnn5') %使用cudnn编译（具体相应的路径名根据自身实际情况进行设置）
%% 测试
vl_testnn %测试cpu编译成功
vl_testnn('gpu',true) %测试GPU编译成功

 
 

 
 
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  • 10
  • 11
  • 12

注：该脚本的运行路径是在Matconvnet文件夹下；

  1. 移除掉siam-fc/training/下的.example后缀，修改env_paths_training中的访问路径（很重要）
    % 这里是到crop后的ILSVRC2015_crops的路径，要涵盖全，一直到train/下
    % opts.rootDataDir = '/path/to/ILSVRC2015_crops/Data/VID/train/';
    opts.rootDataDir = '/media/db/ZZXin EXT/ILSVRC2015_/Data/VID/train';
    % 一直到imdb_video.mat的路径
    %opts.imdbVideoPath = '/path/to/imdb_video.mat';
    opts.imdbVideoPath = '/home/db/Subject/SiamFC/v1/siamese-fc/cfnet_imdb_video_2016-10.mat';
    % 一直到imageStats.mat的路径
    %opts.imageStatsPath = '/path/to/imageStats.mat';
    opts.imageStatsPath = '/home/db/Subject/SiamFC/v1/siamese-fc/cfnet_ILSVRC2015.stats.mat';

 
 

 
 
  • 1
  • 2
  • 3
  • 4
  • 5
  • 6
  • 7
  • 8
  • 9
  1. 直接运行run_experiment.m
# 运行training主程序
run_experiment(imdb_video.imdb_video)

 
 

 
 
  • 1
  • 2

至此，大工告成了么？
并没有，还记得最初的那个bug么？
解决方案
在这里插入图片描述
将BatchNorm.m中的第32行的参数‘moments’整行删除掉，并将第33行% obj.moments=[ ]注释掉；
至此，完工。
[2019/4/29 写]

                                </div>
            <link href="https://csdnimg.cn/release/phoenix/mdeditor/markdown_views-095d4a0b23.css" rel="stylesheet">
                </div>
</article>
<div class="postTime">
            <div class="article-bar-bottom">
        <div class="reward-user-box">
            <span class="reward-word">有 <span class="num">0</span> 个人打赏</span>
                        </div>
    </div>
            <span class="time">
        文章最后发布于: 2019-04-29 22:18:06        </span>
</div>

        <div class="recommend-box"><div class="recommend-item-box type_blog clearfix" data-report-click="{&quot;mod&quot;:&quot;popu_387&quot;,&quot;dest&quot;:&quot;https://blog.csdn.net/skywalker_123/article/details/88718588&quot;,&quot;strategy&quot;:&quot;BlogCommendFromMachineLearnPai2&quot;,&quot;index&quot;:&quot;0&quot;}">
<div class="content" style="width: 852px;">
	<a href="https://blog.csdn.net/skywalker_123/article/details/88718588" target="_blank" rel="noopener" title="SiamFC代码运行注意事项">
	<h4 class="text-truncate oneline" style="width: 692px;">
			<em>SiamFC</em><em>代码</em>运行注意事项		</h4>
	<div class="info-box d-flex align-content-center">
		<p class="date-and-readNum oneline">
			<span class="date hover-show">03-21</span>
			<span class="read-num hover-hide">
				阅读数 
				620</span>
			</p>
		</div>
	</a>
	<p class="content" style="width: 852px;">
		<a href="https://blog.csdn.net/skywalker_123/article/details/88718588" target="_blank" rel="noopener" title="SiamFC代码运行注意事项">
			<span class="desc oneline">把权重文件下载好，在SiamFC文件夹下建立net文件夹，放入2016-08-17.net以下路径都配对：env_paths_trackingrun_trackerstartup命令行输入：run_t...</span>
		</a>
		<span class="blog_title_box oneline ">
								<span class="type-show type-show-blog type-show-after">博文</span>
										<a target="_blank" rel="noopener" href="https://blog.csdn.net/skywalker_123">来自：	<span class="blog_title"> skywalker_123的博客</span></a>
											</span>
	</p>
</div>
</div>

<div class="comment-edit-box d-flex">
	<a id="commentsedit"></a>
	<div class="user-img">
		<a href="//me.csdn.net/weixin_44287997" target="_blank" rel="noopener">
			<img class="" src="https://avatar.csdn.net/9/D/8/3_weixin_44287997.jpg">
		</a>
	</div>
	<form id="commentform">
		<input type="hidden" id="comment_replyId">
		<textarea class="comment-content" name="comment_content" id="comment_content" placeholder="想对作者说点什么"></textarea>
		<div class="opt-box"> <!-- d-flex -->
			<div id="ubbtools" class="add_code">
				<a href="#insertcode" code="code" target="_self"><i class="icon iconfont icon-daima"></i></a>
			</div>
			<input type="hidden" id="comment_replyId" name="comment_replyId">
			<input type="hidden" id="article_id" name="article_id" value="88078116">
			<input type="hidden" id="comment_userId" name="comment_userId" value="">
			<input type="hidden" id="commentId" name="commentId" value="">
			<div style="display: none;" class="csdn-tracking-statistics tracking-click" data-report-click="{&quot;mod&quot;:&quot;popu_384&quot;,&quot;dest&quot;:&quot;&quot;}"><a href="#" target="_blank" class="comment_area_btn" rel="noopener">发表评论</a></div>
			<div class="dropdown" id="myDrap">
				<a class="dropdown-face d-flex align-items-center" data-toggle="dropdown" role="button" aria-haspopup="true" aria-expanded="false">
				<div class="txt-selected text-truncate">添加代码片</div>
				<svg class="icon d-block" aria-hidden="true">
					<use xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="#csdnc-triangledown"></use>
				</svg>
				</a>
				<ul class="dropdown-menu" id="commentCode" aria-labelledby="drop4">
					<li><a data-code="html">HTML/XML</a></li>
					<li><a data-code="objc">objective-c</a></li>
					<li><a data-code="ruby">Ruby</a></li>
					<li><a data-code="php">PHP</a></li>
					<li><a data-code="csharp">C</a></li>
					<li><a data-code="cpp">C++</a></li>
					<li><a data-code="javascript">JavaScript</a></li>
					<li><a data-code="python">Python</a></li>
					<li><a data-code="java">Java</a></li>
					<li><a data-code="css">CSS</a></li>
					<li><a data-code="sql">SQL</a></li>
					<li><a data-code="plain">其它</a></li>
				</ul>
			</div>  
			<div class="right-box">
				<span id="tip_comment" class="tip">还能输入<em>1000</em>个字符</span>
				<input type="button" class="btn btn-sm btn-cancel d-none" value="取消回复">
				<input type="submit" class="btn btn-sm btn-red btn-comment" value="发表评论">
			</div>
		</div>
	</form>
</div>

	<div class="comment-list-container">
	<a id="comments"></a>
	<div class="comment-list-box" style="max-height: none;"><ul class="comment-list"><li class="comment-line-box d-flex" data-commentid="10644994" data-replyname="weixin_44287997">      <a target="_blank" href="https://me.csdn.net/weixin_44287997"><img src="https://avatar.csdn.net/9/D/8/3_weixin_44287997.jpg" alt="weixin_44287997" class="avatar"></a>        <div class="right-box ">          <div class="new-info-box clearfix">            <a target="_blank" href="https://me.csdn.net/weixin_44287997"><span class="name ">目标跟踪的小白妹子</span></a><span class="date" title="2019-09-28 09:27:18">1周前</span><span class="floor-num">#4楼</span><span class="new-comment">。</span><span class="new-opt-box"><a class="btn btn-link-blue btn-delete" data-type="delete">删除</a><a class="btn btn-link-blue btn-report" data-type="report">举报</a><a class="btn btn-link-blue btn-reply" data-type="reply">回复</a><a class="btn btn-link-blue btn-read-reply" data-type="readreply">查看回复(3)</a></span></div><div class="comment-like " data-commentid="10644994"><svg class="icon "><use xmlns:xlink="http://www.w3.org/1999/xlink" xlink:href="#csdnc-thumbsup"></use></svg><span></span></div></div></li><li class="replay-box"><ul class="comment-list"><li class="comment-line-box d-flex" data-commentid="10648675" data-replyname="ZZXin_">      <a target="_blank" href="https://me.csdn.net/ZZXin_"><img src="https://avatar.csdn.net/B/0/4/3_zzxin_.jpg" alt="ZZXin_" class="avatar"></a>        <div class="right-box reply-box">          <div class="new-info-box clearfix">            <a target="_blank" href="https://me.csdn.net/ZZXin_"><span class="name mr-8">ZZXin_</span></a><span class="text">回复</span>  <span class="nick-name">目标跟踪的小白妹子</span><span class="date" title="2019-09-28 22:41:43">1周前</span><span class="text"></span><span class="new-comment">

emmmmmmm…举报回复

汽车行业小硕妹子
关注
  • 0
    点赞
  • 踩
  • 16
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
专栏目录
用卷积滤波器matlab代码-siamFC:ComputerVision2-Project1
05-21
用卷积滤波器matlab代码→重要。 在CVPR'17上，我们展示了CFNet，它使用了SiamFC的略微修改版本（我一直称其为v2或baseline-conv5）与该论文的Correlation Filter Network进行比较。 区别仅在于它只有32个输出通道而不是256个，并且具有更高的空间分辨率激活。 结果略好，速度略差。 因此，如果您重新开始，那么使用CFNet存储库中的最新代码会更有意义，我认为这也更干净一些。 但是，如果您已开始使用此存储库，则无需担心。 事情只是稍有不同，所以切换没有太大用处。 全卷积暹罗网络用于对象跟踪 项目页面： 该存储库中的代码使您可以重现本文的实验。 它可以以两种方式使用： （1）仅跟踪和（2）训练与跟踪。 如果您发现我们的工作和/或策划的数据集有用，请引用： @inproceedings{bertinetto2016fully, title={Fully-Convolutional Siamese Networks for Object Tracking}, author={Bertinetto, Luca and Valmadre, Ja
otb能在matlab2014下运行,将孪生网络SiamFC跟踪算法加入到OTB benchmark_v1.0中【新手记录】...
weixin_29019241的博客
03-22 321
SiameseFC: Luca Bertinetto, Jack Valmadre, João F. Henriques, Andrea Vedaldi, Philip H.S. Torr. "Fully-Convolutional Siamese Networks for Object Tracking." ECCV workshop (2016).吴毅老师的【OTB benchmark】，只...
ECCV2016跟踪算法SiameseFC的配置（Fully-Convolutional Siamese Networks for Object Tracking）
博博有个大大大的Dream
03-08 2747
文章和代码下载地址： SiameseFC:Luca Bertinetto, Jack Valmadre, João F. Henriques, Andrea Vedaldi, Philip H.S. Torr. "Fully-Convolutional Siamese Networks for Object Tracking." ECCV workshop (2016). [paper] [p...
matlab的素描代码-HybridSiamese:杂种暹罗语
05-24
matlab的素描代码杂种暹罗语 安装Matconvnet 下载matconvnet测试版 将下载的文件解压缩到您选择的目录中调用此目录的路径 按照原始matconvnet中指定的说明编译matconvnet（GPU） 数据集 Vis-Nir： 下载原件 将数据集提取到数据集/ Vis-Nir / data 使用Matlab，在datasets / Vis-Nir目录中运行“ CreateTrainingData”和“ CreateTestData”脚本 Vis-Nir_grid： 在关键点配置中已经下载了Vis-Nir的原始数据集后，请在Vis-Nir_grid目录中运行“ CreateTrainingDataWithLabels” vedai： 下载原件仅下载512x512的两个部分。 将数据集提取到“数据集/向量/数据” 有一些不相关的图像，其多边形覆盖在原始图像上，请将其删除 在“ datasets \ vedai”目录中运行“ CreateTrainingDataWithLabels” 香港中文大学： 使用训练和测试中的裁剪后的草图和裁剪后的照片，仅下载cuhk数据集即可下载
spearman的matlab代码-Siamese-LSTM:带有LSTM的连体循环神经网络用于评估句子之间的语义相似度
06-13
spearman的matlab代码Siamese-LSTM 下载 word2vec 模型并下载文件：GoogleNews-vectors-negative300.bin.gz 如果要加载训练过的权重文件，请设置 training=False： semtrain.p- 训练数据 (SemEval 2014) semtest.p- 测试日期 (SemEval 2014) stsallrmf.p- 所有 STS 数据。 脚本：（在示例文件夹中） example1.py：加载训练模型以预测 1.0-5.0 范围内的句子相似度 example2.py：加载训练模型并检查 Pearson、Spearman 和 MSE。 example3.py ：训练模型（编译梯度需要很长时间） examples.ipynb：MaLSTM 代码的解释（iPython 笔记本） Mueller, J 和 Thyagarajan, A. Siamese Recurrent Architectures for Learning Sentence Similarity。 第 30 届 AAAI 人工智能会议 (AAAI 2
粒子群算法复现代码MATLAB语言
07-17
粒子群算法复现代码
金豺优化算法复现代码matlab语言
07-17
金豺优化算法
KCF 目标跟踪matlab代码
02-28
相比于传统的KCF代码，增加了： 1 彩色原图的追踪界面 2 追踪结果的保存文件 3 追踪界面可以显示帧数 4 从run_tracker.m点进去可以直接运行
河晓明有限元法复现matlab代码.zip
12-21
1.版本：matlab2014/2019a/2021a，内含运行结果，不会运行可私信 2.附赠案例数据可直接运行matlab程序。 3.代码特点：参数化编程、参数可方便更改、代码编程思路清晰、注释明细。 4.适用对象：计算机，电子...
GLNS Matlab复现代码.zip
03-27
当前对于广义旅行商问题的求解最有效的一个算法是GLNS，其核心是基于自适应大邻域搜索的求解算法，作者的源码是使用Julia完成的。...（资源中包含：GLNS在MATLAB上的复现代码；GLNS原文；GLNS作者的源代码（Julia））。
数据融合matlab代码-ESiamFC:集成连体网络
05-22
数据融合matlab代码欧洲联盟 我们提出了一个整体的暹罗网络（ESiamFC）进行跟踪。 详细地说，首先，我们将训练数据集ILSVRC2015映射到嵌入式空间中。 其次，我们使用平衡k均值对视频特征进行聚类。 第三，在每个集群中，我们将迁移学习应用到SiamFC中，以获得具有自己偏好的k个基本跟踪器。 最后，我们提出了一个集群融合模块，该模块可以根据跟踪对象的语义信息自动为基础跟踪器分配融合权重。 运行ESiamFC 准备 下载型号 在关键akhk下载预训练的模型。 将预训练的模型放入“ ./models”文件夹中。 将OTB格式的视频序列放入“ ./video”文件夹。 创建环境 创建conda环境并安装环境列表“ env.txt”中列出的软件包 运行ESiamFC demo_ESiamFC.py 在“。\ bin”文件夹中运行“ demo_ESiamFC.py”。 后续部分将进行非常详细的说明和实验。 无常的细节 火车SiamFC 1，下载数据集 我们将ILSVRC2015用作训练数据集，您可以从下载。 如果您在中国，则可以从百度网盘下载：key 6pot。 2.创建培训样本 c
SiamFCdemo运行所需stats.mat文件
03-02
此文件为SiamFC的tracking only中的demo（vot15_bag）正常运行所需的stats.mat文件
目标追踪算法siamFC
06-19
论文Fully-Convolutional Siamese nets for object tracking的tensorflow代码
去趋势波动分析DFA 多维DFA
10-25
对脑电数据心电数据进行去趋势波动分析DFA、多重分形去趋势波动分析MFXDFA提取特征指标。包含matlab代码：去趋势波动分析DFA，多重分形去趋势波动分析MFXDFA
siamfc代码解读_分析SiamFC
weixin_39540934的博客
12-21 848
训练过程训练过程，网络的最终输出是 17×17 的response map.网络的输入需要保证两条支路上目标物体在输入图片的中心位置，且目标物体在整幅图像中有一定的占比。对于模板图片模板图片大小: 127×127×3。以目标中心为裁剪中心，确定一个稍大的正方形(记边长为 C )裁剪区域(可能会超出原图片，以图片颜色均值填充)，然后再将裁剪区域resize到127×127大小。根据paper，C ...
python如何实现matlab_Python实现matlab数据绘制
weixin_33419305的博客
02-10 2131
自从使用python脚本后，经常用来调试数据的matlab终于有了一个简单易用的替代方案，相比matlab的.m语言，我更喜欢用python来解决。毕竟在python当中，相比.m主意很多编程工作都可以轻而易举地完成。首先，先亮图，这效果不比matlab差，是吧？绘制曲线一、例程1、测试环境import matplotlib.pyplot as plt上面代码不能正常使用时，说明并未安装模块需要执...
SiamFC：基于全卷积孪生网络的目标跟踪算法
热门推荐
xiaoou的博客
12-09 3万+
Abstract 本论文提出一种新的全卷积孪生网络作为基本的跟踪算法，这个网络在ILSVRC15的目标跟踪视频数据集上进行端到端的训练。我们的跟踪器在帧率上超过了实时性要求，尽管它非常简单，但在多个benchmark上达到最优的性能。 1. Introduction 最近很多研究通过使用预训练模型来解决上述问题。这些方法中，要么使用网络内部某一层作为特征的shallow方法（如相关滤波）；要...
DFA算法的简单说明与案例实现以及优化思路
xb565517830的博客
06-08 4024
1.背景 项目中需要对敏感词做一个过滤，首先有几个方案可以选择： a.直接将敏感词组织成String后，利用indexOf方法来查询。 b.传统的敏感词入库后SQL查询。 c.利用Lucene建立分词索引来查询。 d.利用DFA算法来进行。 首先，项目收集到的敏感词有几千条，使用a方案肯定不行。其次，为了方便以后的扩展性尽量减少对数据库的依赖，所以放弃b方案。然后Lucene本身作为本地索引，敏感词增加后需要触发更新索引，并且这里本着轻量原则不想引入更多的库，所以放弃c方案。于是我们选定d方案为
差分进化jade代码复现matlab
最新发布
01-21
以下是一个用Matlab复现差分进化JADE算法的示例代码： ```matlab function [bestSolution, bestFitness] = JADE(fitnessFunc, dim, bounds, maxGenerations, populationSize, CR, F) % 初始化种群 population = ...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值