互相学习的小博客

原创 700. 二叉搜索树中的搜索

拓展知识：当然 如果题中说要返回该节点的所有节点值就可以用下面的递归方式来解决。因此我们只需要找到与val值相等的那个节点 然后再将这个节点进行返回就可以了。在本题解中我使用的是迭代法。本题返回的是一个二叉树。

原创 python 实现链表的代码

这是自己实现的链表代码，注释比较清楚，如果还是不懂的可以去观看我的视频【菜鸟利用python实现了链表的创建以及增加链表的节点，你要不要来看看？

原创 python实现中缀表达式转后缀表达式

举例说明：（3+4）x 5 – 6 对应的前缀表达式就是- X + 3 4 5 6。8. 依次弹出s2中的元素并输出，结果的逆序即中缀表达式对应的后缀表达式。前缀表达式称为波兰表达式，前缀表达式的运算符位于操作符之前。7. 将s1中剩余的运算符依次弹出并压入s2。6. 重复步骤2至5,直到表达是的最右边。具体步骤：（注意括号不算运算符）

原创 使用python实现计算表达式（使用栈的思想）

【代码】使用python实现计算表达式（使用栈的思想）

原创 python 实现栈的基本操作

Python 中的栈直接以列表为主，增加使用append()，出栈为pop()栈的删除和插入只能在一端进行，允许插入和删除的一端为栈顶，另一端称为栈底。栈：是一个先入后出的有序列表 线性表。最先放进栈中的元素在栈顶，最先取出。

原创 python 完成队列以及循环队列的书写

队列是需要两个指针的，一个使用与添加数据，一个是用于输出数据的，当两个指针相同时表示该队列是空队列。队列：是一个有序表，可以使用数组或者链表来实现。遵循的是先入先出的原则。

原创 数组和稀疏数组相互转换 python版本

【代码】数组和稀疏数组相互转换 python版本。

原创 用于微小目标检测的上下文扩展和特征细化网络

作者又将这样的ASPP模块的融合方式通过下面三种方式进行实验，其中（a）和（c）方式就是一般的进行相加和拼接，几种不同的特征的权重是相同的，而对于(b)方式就是将最终结果再通过一个注意力机制进行重要性分析。一般来说第二种方式是比较不错的，因为这种方法我是在其他论文上见过的，在那篇小目标检测论文中，（b）的方式是一个创新点部分。这一部分的内容就是用来过滤冲突信息，防止微小物体的特征直接被淹没在冲突信息中，因为在FPN中对不同尺度进行融合，容易产生大量的冗余信息和冲突信息，从而降低了多尺度表达能力。

原创 小目标检测的注意特征金字塔网络

这是一篇小目标检测的文章，当然也是没有源代码的，自己只是为了学习它的创新点部分，看能不能给自己带来灵感。首先我们看看它的效果，如下图所示，感觉对小目标检测的效果还是非常不错的，证明作者提供的方法还是比较有效的。在本文中，我有一点比较佩服作者，那就是作者的用词实在是太棒了虽然方法不是特别难，但是作者硬生生地说的我有点看不懂。学习小目标检测的小伙伴都知道哈，小目标本身就是存在像素面积小，特征不明显，容易与背景发生混乱等等原因，从而导致小目标检测的效果不是很好。

原创 基于超分辨率的遥感图像小目标检测

这是一篇基于遥感图像小目标检测的文章，没有代码，只是为了学习学习思路而已，这篇文章针对遥感图像小目标检测困难问题，提出了一种模型，即将原始图像和简化后的图像同时输入检测网络，设计了简化后的图像超分辨率增强模块来增强小目标的特征提取，并提出了感知损失和纹理匹配损失作为监督。

原创 小目标检测的相关挑战与问题

今天读了一篇小目标检测的综述性文章，所以就做了下面的笔记进行学习自用。目标检测一般分为两类：第一：在所给定的图像中对目标进行定位，即获得目标的回归框。第二：对图像中的目标进行分类，得出该目标的所属类别。

原创 DETR:使用Transformer的端到端对象检测

这是一篇首次将Transformer应用在了目标检测领域中的论文。虽然效果不是最好，尤其是小目标检测效果，但是确实是给卷积神经络的瓶颈期带来了一个新的方向，

原创 CoAtNet：结合卷积与注意力机制应用在所有大小数据

CoAtNet：结合卷积与注意力机制应用在所有大小数据

原创 MaxViT:多轴视觉Transformer

MaxViT:多轴视觉Transformer，这是一篇谷歌发表在ECCV2022的论文，这篇论文可以说是提供了一个即插即用的模块（个人觉得），该模块将CNN与Transformer相结合。

原创 TPH-YOLOv5: 基于Transformer预测头的改进YOLOv5用于无人机捕获场景目标检测

TPH-YOLOv5: 基于Transformer预测头的改进YOLOv5用于无人机捕获场景目标检测

原创 496. 下一个更大元素 I

496. 下一个更大元素 I

原创 MobileViT、MobileViTv2、MobileViTv3学习笔记（自用）

MobileViT、MobileViTv2、MobileViTv3学习笔记（自用）

原创 可形变卷积代码自用

【代码】可形变卷积代码自用。

原创 faster Rcnn论文阅读笔记

这位知乎的作者写的太棒了，针对原理讲的非常的详细，也通俗易懂，推荐大家可以看看！目标检测算法FasterRCNN简介与pytorch实现： - 知乎

原创 进程之间共享信息的方法---队列python（附代码）

import multiprocessingdef donwload_from_web(q): """模拟从网上下载数据""" data=[2,3,4,5] for temp in data: q.put(temp) print("数据下载完成！")def deel_with_data(q): data_1 = list() while True: data_1.append(q.get()) if q.

原创 多线程学习笔记（二）锁的概念

其实在多线程中锁的概念非常简单，就是为了让一个线程运行，其余线程等着。因为多线程会出现资源竞争的问题，为了解决这个问题，就是让子线程之间不会来回切换，从而提出了锁的概念。大家直接运行下面的程序就能明白其中的道理。import timeimport threading#单线程需要的时间会更长lock=threading.Lock()def sing(): """正在唱歌""" lock.acquire()#获得锁 for i in range(5): p.

原创 多线程python学习笔记（附代码）

在CPython中GIL锁的作用就是使同一时刻，同一进程中只有一个线程能够被cpu调用。线程和进程如何选择：1、计算密集型需要多进程，例如大量的数据计算。2、i/o密集型需要多线程，例如下载视频、网络文件读写等。...

原创 关于python队列的学习笔记

队列就是在算法中勇于存储不能够技术处理的数据，又或者是为了缓存数据，从而能够更好的存储，比如说淘宝的秒杀商品，很多人都在抢，所以设定队列来进行排队，从而更好的处理数据。对于队列分为先进先出和后进先出，两者都是可以存储任意类型的数据。先进先出（FIFO）：import queueq=queue.Queue()q.put(11)#将数据放进队列中q.put(33)q.put(22)a=q.get()b=q.get()c=q.get()print(a)print(b)print

原创 Black Re-ID 黑衣人重识别

问题：1、现有的重识别方式无法去识别衣服相同的（黑色的衣服为主） 2、对于弱光的问题，也会使识别的效果降低（弱光衣服就会变黑） 解决方法：提出一种头肩部分的利用，从而有效的缓解这样的问题现有的重识别方式无外乎几种： 1、基于全局的重识别方式，端到端的计算距离，忽略一些动作信息、遮挡等 2、基于骨骼点的方式，用姿态来对齐，整个训练和测试过程中都使用了位姿估计器，使得网络变大变慢 3、基于分割成局部的特征分别训练，再融合，该方法对姿态变化和遮挡敏感，因为它们可能会比较不同语义对应的部...

原创 利用opencv在图片上画常用图

import cv2import numpy as npimg=np.zeros((512,512,3),np.int8)#画直线cv2.line(img,(0,0),(333,333),(255,0,0),5)"""(0,0),(333,333),(255,0,0),5分别代表起始点，终点，直线的颜色，直线的粗细"""#画框框cv2.rectangle(img,(333,333),(444,444),(0,255,0),5)"""(333,333),(444,444),(0,25.

原创 利用opencv打开本地摄像头or本地视频、截取摄像头图片

下面是利用opencv打开本地摄像头和本地视频（在注释中）import cv2cap=cv2.VideoCapture(0)#mac系统选择1 如果打开本地视频，就直接将0改为视频的地址就可以了success=cap.isOpened()#返回的是bool类型，用于查看是否可以打开本地的视频while success: ret,frames=cap.read() frame_rgb=cv2.cvtColor(frames,cv2.COLOR_BGR2RGB)#因为有些任务需.

原创 opencv_python 读取、显示、存储图片，BGR转换RGB

今天在学习opencv，它是一个对于图片处理的非常强大的库 ，学视觉的应该都要学学。下面是对图片的读取、显示，以及存储 的代码import cv2image=cv2.imread("image/1.png",cv2.IMREAD_COLOR)#可以先创建一个窗口#cv2.namedWindow("windom",cv2.WINDOW_NORMAL)cv2.imshow("windom",image)# cv2.waitKey(0)# cv2.destroyAllWindows()#保存图

原创 linux/服务器相关指令记录学习（用于学习）

创建自己的环境conda create -n name(自己定义的名字) python=3.7删除自己的环境conda remove -n name(自己定义的名字) --all激活环境初次激活，一般都是选择sourcesource activate name(你自己设置的名字)退出环境conda deactivate安装镜像http://pypi.douban.com/simple/ 豆瓣http://mirrors.aliyun.com/......

原创 施密特正交方法例题（用于学习）

原创 语义分割代码学习笔记

语义分割代码学习笔记

原创 语义分割（学习笔记deeplab）

为了增大感受野，我们经常会进行卷积池化操作，致使特征图变小，并得到更加高层次的语义信息，但是正是因为池化操作，也导致了一些一部分的信息会被丢失。什么是感受野呢？如下图可以简单的来说：当输入一张图片时，通过卷积等操作得到一张特征图，那么特征图的每个小格子就会对上一层特征图的卷积核大小的格子，又或者对应着原图的响应的大小。如果上面的解释不够清晰可以这么认为，就是一张图片经过卷积等操作（我们可以将这部分当做压缩），然后获得一个很小的正方形，那么我们就可以认为这个正方形就有整个输入图片的感受野，但是由于池化操作，本

原创 Transfer Learning from Speaker Verification toMultispeaker Text-To-Speech Synthesis复制他的声音MockingBird

代码地址：https://github.com/babysor/MockingBird模型地址：链接：https://pan.baidu.com/s/1J2fjbpGiyRUrWi5g8pCjFg提取码：2222模型下载好，自己创建一下saved_models文件，然后将模型放进该文件夹中，最后再运行demo_toolbox.py就行了，非常简单。本论文实现的主要任务就是学习某人的声音特性，并将这样的声音特性与文本内容进行结合，达到对于声音能够以假乱真的程度（通过下载模型dem..

原创 MakeItTalk：让你的人物图片或者动画动起来（学习笔记）

如下图所示，当你输入一张图片以及一个语音文件，就能够让你的图片的人物的嘴和眼睛等感官动起来。这就是这篇论文所要阐述的前言。论文地址：https://arxiv.org/abs/2004.12992 论文代码：https://github.com/adobe-research/MakeItTalk.git笔记：一、语音内...

原创 U盘没有文件但是内存却没了

参考博客：4G容量U盘只显示2M多_暖暖爸爸的博客-CSDN博客解决办法：首先，管理员身份运行命令行（快捷键win+R），然后，diskpart回车 --->list disk回车然后，看看你的u盘是哪一个然后，select disk X 回车（X为你u盘的序号）然后，clean回车（以上操作步骤实际是取消u盘原有的分区，让他重新变成一个未分区的状态）然后，退出这个命令行。这时u盘的大小已经恢复了，但是u盘处于未分区状态。接着，我的电脑右键-->管理-->磁盘管理

原创 YOLOV4学习笔记

YOLOV4学习笔记

原创 pytorch实现BiLSTM代码

pytorch实现BiLSTM代码

原创 基于条件对抗网络的图像到图像的翻译pytorch实现(学习笔记) pix2pix

论文地址：https://arxiv.org/pdf/1611.07004.pdf 论文的开源代码：自己去github 中寻找，搜索pix2pix即可其实在我们学完gan网络之后，应该会发现两种问题，如果是用来生成比较复杂的是图片，那么gan网络几乎完成不了，还有一个就是gan网络其实是比较难以收敛的，弄不好损失函数的值就会停留在那个阶段，并且gan网络生成的图片随机性比较大，比如说用gan网络生成0-9的数字，相信大家入门都会去跑这个代码，那么生成的数字就是杂乱无章的。因此后面的一些对...

原创 利用python实现贪心算法-----摇摆序列

利用python实现贪心算法-----摇摆序列

原创 python实现贪心算法---需求和供给问题

python实现贪心算法---孩子和糖果问题

原创 生成对抗网络学习笔记-----GAN网络入门学习（重写Dataset类---用于你自己的数据集，损失函数，训练代码）（2）

生成对抗网络学习笔记-----GAN网络入门学习（重写Dataset类---用于你自己的数据集，损失函数，训练代码）（2）