柯拉的博客

原创 颜色的感知

人体内还有一种光强感知细胞，这种关光的波长刚好和绿光接近。人体内有三种颜色感知细胞，能感知红、绿、蓝三种颜色。椎状感应颜色 柱状感应强度。

原创 智能指针 VS 引用

控制块只有真正创建一个指针时才会生成，从裸指针中构造，或者从uniqie_ptr中构造。unique_ptr的性能开销是最接近裸指针，很容易转换为shared_ptr。enable_shared_from_this防止内存被释放两次。shared_ptr的大小是普通指针的两倍，因为多了一个控制块。引用计数是原子操作。

原创 emplace_back vs push_back

push_back 会构造一个临时对象，然后再移动到vector 特定的位置。然后再将临时对象销毁。emplace_back 直接在特定内存位置构造元素，节省开销。不同时，两种方法不会有性能差异。

原创 C++ 考虑按值传递的情况

对于不可拷贝的情况，用引用。仅仅在移动开销比较小的情况下用值传递，因为用值传递会多一次移动构造开销。C++ 中，变量的传递多用引用，只有在值传递开销很小时才用值传递。在类的继承关系中，也不应该使用值，可能会产生切割。左值拷贝构造 右值移动构造 -->开销低。在位域的情况下，不能使用模板引用。

原创 auto 推导

/类型为 std::initializer_list value {2}// name 类型是const char[7]// fun2 类型 void(&)(int，double)// fun1 类型 void(*)(int，double)// arr2 类型是 const char(&) [7]//arr1类型是 const char*// 2是右值，x3类型是 int&&// x2类型是const int&// 与auto x = 2相同。// x1类型是int&

原创 template 推导

void f(T&& param) // param 是万能引用，既可以传递左值，又可以传递右值。//参数是函数的y引用， 类型是 void(&)()void f(const T& param);//参数是函数的指针， 类型是 void(*)()void f(T* param) // param 是一个指针。f(&x) //T是int ，param 类型是 int*//调用 f(const int&)f(name) // T是const char*//调用f(const int&)

原创 计算机与哲学

“计算理论有些不同，它是一个数学与哲学相结合的学科”“一个世纪以前，工作在形式逻辑领域的数学家与哲学家，引导了计算机的发展，，，”“没有脱离了哲学的科学，因为没有底层的哲学假设不可能构成科学”“每天早上，当我们醒来，我们都应该回顾工作中的重要概念和最本质的意义”“最好的科学取决于提问最基本的问题，这些问题通常是最难回答的，因为回答这些问题存在暴露底层知识的风险”“对生活持怀疑态度的人会在人类生活的各个领域取得进步；而愿意接受那些不符合我们世界规律的东西则代表着对知识的追求的背离”

原创 python 网络编程-1

网络：实现数据在不同设备上的传送; 无线 蓝牙 有线 ....局域网 城域网 互联网 国内的互联网：支付宝 微信 滴滴...IP 地址： A B C 类 （网络号 （子网号）+ 主机号） 标记网络中不同的电脑，IP地址不同（IPv4 : 32 bit IPv6: 128bit）不同国家、区域的IP地址不同，根据IP定位区域网络的拓扑： 环形 星型 总线型 硬件：交换机，路由器查看IP 网卡信息 (ens33/40 和别人通信的网卡 lo:本地回环) 命令：ifconfig ipc..

原创 什么是图像质量？

实现高质量的成像是所有相机制造商的目标。但是在科学成像领域，会有一些不同的指标来衡量图像的成像质量。一、光的采集1、量子效率（QE）QE衡量了成像设备将入射的光子转换为电子的能力。一个重要的影响因素是前照式还是背照式。在前照式相机中，由于一些硬件部件的遮挡，有些制造商会使用一些微透镜将光子steer到芯片上感光区域，但还是有25%的没有办法到达感光区域。一个更加有效的设计是背照式，传感器被翻过来，光子能够直接到达芯片上的感光区域，不再需要微透镜。这要求硅很薄，大概是1um的厚度。高端的背照式

原创 图像定量分析--信噪比

500-600nm的黄绿色光能够穿透到检测材料的中间，检测效率最高；波长变短时，穿透能力下降，光被检测材料吸收波长过长时，虽然穿透能力变强了，但是能量变低，光子没有足够的能量来生成电子；上图为前照式，当光入射时，有部分光被不透光的金属元件所遮挡，无法到达感光区域，能够被光照射到的区域，才是有效的感光区域。为了提高QE，在每个像素的表面加微透镜（改进的微透镜），把部分原来照射金属的光进行汇聚，照射到感光区域。像素不是越大越好，需要考虑到显...

翻译 相机灵敏度对弱光成像的重要性

原创 图像处理--相机增益

QE：光子转化为电子的效率gain（系统增益）:单位灰度值所代表的实际电子数（电子数与灰度值之间的转换关系）相机出厂的时候，厂家已经设计好了。设置多种gain,在拍摄弱信号时，选择高gain，图像的层次感比较好。在拍摄强信号时，选择低gain。不同的gain，改变的是图像的灰度值，信号值是一样的，强背景下很难检测弱的信号CMOS相机的像素融合是在读出之后进行的...

原创 数字图像处理--噪声

从背景区域可以看到，像素值有波动。所有的区域的像素值都有这样的波动。无论信噪比高低，有无干扰，都有噪声。噪声的三种类型散粒噪声：光子入射时产生，与信号相关暗澡声：芯片上由于热效应产生，与相机相关，属于相机的参数读出噪声：读出过程中产生的，与相机相关，属于相机的参数大部分的CCD和CMOS相机都是制冷型相机，具体的制冷温度在各个厂商和不同的相机型号之间也有不同。不同的相机使用的不同系列的芯片，暗电流参数也不同右图中有hot pixel ...

原创 图像质量分析--分辨率

分辨率，两个微小结构之间可以分辨的最小距离日常场景光学显微镜的分辨率极限在210-220nm成像的过程就是对样品采样的过程如果物镜的分辨率已经达到了极限，如210nm, 此时系统的分辨率受限于物镜的分辨率，即使像素尺度变小，也不能提高成像的分辨率。另外，像素尺寸过小，会降低图像的信噪比。对于上图来说，11um就是最佳的像素尺寸。信噪比与分辨率其实是相互制约的。小像素的过采样，并不会导致整体分辨率的提高，反而产生更多冗余的数据。...

原创 图像的定量分析--信噪比

不能从灰度值中判断实际信号的强弱，需要计算出电子数才能判断虽然两组信号强度差异一样，但是第二组的噪声要更大，所以不能显著地区分第一类细胞和第二类细胞。信噪比不是越高越好，具体看实验目的Bias 图像：无信号输入（关上相机镜头盖且曝光时间为0）时拍摄到的暗图像相机偏置（Bias）:Bias图像的平均灰度值设置偏置是为使所有的信号值都大于0，防止被切割。不同的曝光时间的图片从灰度值计算信噪比需要连续的两张图像...

原创 显微镜成像质量

需要考虑的因素如何理解分辨率两个spot越来越近，分辨率越来越低，后面无法区分不同光的成像图片 （widefiled）

原创 nvidia-jetsion tx2 上安装torch torchvision 遇到的一些坑

1、直接 pip install torch ,直接安装了torch v1.8.1，但是不能使用GPUtorch.cuda.is_available() 结果为false2、安装torch v1.8.0.whl【git clone下载】，然后 pip install torchvision，安装ttorchvision0.9.1成功，并且导入成功，但是在函数调用时报错。3、git clone torchvision 重新安装0.9.0,源码安装成功【setup.py】，但是 查看torchvi.

原创 安装 apex

按照官方网站的方法安装 apex并没有成功，使用以下方法安装成功！git clone https://github.com/NVIDIA/apexcd apexpython3 setup.py install

原创 Ubuntu 磁盤分區查看及掛載

發現電腦上某個磁盤上的某個分區在裝系統時沒有被掛載，現將其重新掛載。1 使用 lsblk 查看各個分區掛載情況發現sdb磁盤下的sdb3分區沒有被掛載2 執行sudo file -s /dev/sdb3 發現該分區是data類型，說明它沒有被格式化或者執行 sudo file -sL /dev/sd*查看所有磁盤所有分區，看其類型和掛載情況注： 雖然/dev/sdb2也是data 類型，但其空間小，暫時不做處理3、將分區/dev/sdb3 在/data下...

原创 图像推理步骤

一、配置参数 argparse.ArgumentParser()模型路径，输入路径，输出路径，图像大小，处理器选择(cpu gpu),等二、进入detect（）过程1、torch.device()2、模型加载 torch.load(模型的路径)3、加载数据（从某个文件夹中找到多幅图像的路径）对于每一幅图像执行以下4、5、6操作4、pred = model(img)，其中 img为tensor5、在inference的结果上执行non_max_suppression(pred.

原创 异常检测工具

注： 以上异常检测软件工具基于CPU实现，无法适用于实时高并发的情况。高性能异构计算算法的实现未来有需求。

原创 GA 100 HPC 集群--笔记

GA100SM 内部是tensor core 等计算核心构成；TPC(纹理处理cluster), TPC 由SM 构成，一个TPC 包含两个SM；GPC (图形处理cluster)由TPC组成，包含8个TPC.。左边是内存以及相应的控制器，下边是 NVLilnk 用于节点内GPU与GPU数据交互。显存从40GB 提升到 80GB ，在不同的应用场景中的加速比。MIG将一块A100 切分为多个小的GPU，在不同的GPU上跑不同的任务，它们的内存和计算单元都是独立..

原创 图像的获取--采样量化

一、使用单个传感元件常用的二极管（硅材料，它的输出是与光强成比例的电压），通常使用滤光片（放在传感器前面）允许某种特定类型的光（某个波长范围的光波）通过，使得成像的颜色更纯。在使用单个传感元件时，为了获得2-D图像，必须在传感器和成像区域在x y 方向上都有相应的位移。线性移动与旋转相结合产生二维图像，有光源位于鼓的内部，光线经过Film（光的强度可能会被改变），然后才被传感器感知。这种方法，成本低，容易产生高分辨率的图像，但是较慢而且不够稳定。2、使用激光条/环（in-line .

原创 数字图像--成像初步

电磁频谱可根据波长、频率或者能量来表达，c是光速，v 是频率，lamda是波长（单位：m）。频谱中不同成分的能量表达式如下其中h是常数。电磁波可以用sin函数的形式可视化，或者可以被认为是无质量的粒子流可见光谱位于紫外线和红外线之间，波长范围（043um-079um）,它被分成6个部分（violet, blue, green, yellow, orange, and red），每个部分的参透到下一个部分。我们对物体颜色的感知取决于，物体表面反射光的属性，如果某个物体...

原创 数字图像处理

图像处理安装输出的类型可以分为:只有较为复杂的任务才需要用到多个阶段，简单的任务只需要用其中的一两个阶段就好。1990s年代，在板级计算机或者PC上，就已经有专用与图像的处理的硬件。GPU 以前是用于处理3D数据，目前已经用于2D数据，如卷积神经网络的GPU硬件实现。现在一般是CPU 和GPU 混合搭配使用。一、图像的获取分为两个部分，1、物理传感器接受成像物体的能量辐射2、数字化，设备将传感器的输出（感光强度）转化为数字。专用的硬件处理单元并行地对图像进行处理，效率很高，想

原创 windows VNC 远程桌面连接 Ubuntu服务器

1、服务器（Ubuntu系统）安装gnome 桌面环境sudoapt-getinstall--no-install-recommendsubuntu-desktopgnome-panelgnome-settings-daemonmetacitynautilusgnome-terminal-y2、服务器安装VNC serversudo apt-get install vnc4server -y3、修改配置文件~/.vnc/xstartup，内容如下：注：xterm命...

原创 intel 80X86发展重要的点

在20多年的发展过程中，80X86架构演变成几个独立的小组，不断地增加新的指令就像不断地往衣服上添加补丁一样。1978年--汇编语言的兼容性，8-bit 的微处理器，增加了额外的寄存器1980年- 8087浮点寄存器，新增60条浮点指令。添加了完整的stack instruction set.1982年--80286增加了地址空间到24bit，增加了内存映射和保护指令。1985年--80386延伸架构到32bit，32bit的寄存器和32-bit地址空间，增加了新的访存模式，一些额外的操作。

原创 卷积层和线性层的初始化方式会导致模型效果的变化

线性层卷积层

原创 模型在训练阶段 weight 没有更新

没有输出任何字符，参数的梯度都是None.训练过程（反向传播）中，参数的拷贝导致内存泄露？只是特定的版本的torch 才出现的问题？

原创 conv2d pool2d 维数不匹配 tips

打印输出：pool 层在默认状态下是floor操作，故 floor(341/2) = 170因此需在nn.MaxPool2d中设置ceil_mode=True

原创 图像/视频背景替换--BackgroundMattingV2 笔记

一、模型的构建base -- 基类，允许不同input channel 和不同的output channel 不同的backbone，通过参数传入。1、backbone--resnet101建构resnet:input channel 6替换first conv layer 因为 input channel = 6删除原来的fully-connected layer注：Variant : 特殊的数据类型，除了固定长度string数据以外的任何类型的数据。2、ASPP...

原创 opencv python 图像分割

一、原始图像原始图像的直方图（单峰）二 对比度增强增强后的直方图（双峰，由于像素的最大值为255，所以出现了后面的峰）三、将黑色部分分割出来代码：from PIL import Imagefrom PIL import ImageEnhanceimport cv2from cv2 import dnn_superresimport matplotlib.pylab as pltimport numpy as npimage = Imag..

原创 SPP (Spatial Pyramid Pooling)

图像如果在输入神经网络前，进行 resizing (Cropping 或者 Warping) ，会改变图像中物体的宽高比，可能会影响算法的性能。一般将网络中最后的池化层替换为SPP.SPP的形式主要为：对于每个feature map 使用不同池化尺度，得到不同的池化结果，并将这些结果串联起来假设有256个feature map适用于不同大小和不同缩放比的图像，SPP后会得到相同的大小的feature mapSPP 对物体的变形有很好的适...

原创 正方形网格上的膨胀（Dilations on a Square Grid）deeplab3上使用

1、以P为中心，找到四边形ABCD的扩张，缩放因子为2A‘B‘C‘D‘ 分别为ABCD关于P点的延长线， 即XY轴都缩放为原来的2倍2、三角形关于点T的扩张，缩放因子分别为2 和1/2。

原创 Data Augmentation 数据增强

数据增强往往需要考虑图像的边界之外的元素，通常需要插入一些值。1、翻转（Flip）水平和垂直翻转，翻转后的图像大小与原来的图像大小相同，不需要对图像的边界进行插值或者其他操作。2、旋转（Rotation）旋转很可能会导致图像的大小前后不一致（一些精细角度的旋转）。3、缩放比例（Scale）向外缩放时，最终的图像尺寸将大于原始的图像尺寸，需要进项裁剪操作；向内缩放时，图像尺寸将小于原来的尺寸，需要进行边界的填充。4、裁剪（Crop）从原来的图像中随机抽样...

原创 IP camera 安装

1、连接路由器和相机2、连接路由器和电脑3、下载相应的工具包，安装4、使用已经安装的工具包，设置IP相机的 密码， 输入验证码5、点击激活后可以看到相机的IP、端口等信息（可以修改密码）6、查看序列号 并保存相关信息7、在相关网页上，创建一个账号，并添加用户（需要使用IP 和序列号等信息）8、在手机上安装连接app9、打开已经安装的app,进入账号。密码登录。10、就可以在手机上查看远端摄像机的影像。...

原创 Ubuntu18.04 系统重装 若干问题及解决方法

1、U 盘启动选项应选为 USB******** partition X ,否则会出现如下错误Error parsing PCC subspaces from PCCT2、“Unable to install GRUB in /dev/sda” when installing GRUB无法将grub写到相应的分区。在系统安装时，划分一个 200M 大小的类型为efi system partition 的分区3、安装系统后，第一次重启，无法加载系统，提示：Reboot and sele..

原创 python import lap 出错

由于在搭建MOT运行环境时 pip install lap （lap是使用Jonker-Volgenant算法求解稠密（LAPJV）或稀疏（LAPMOD）矩阵的线性分配问题求解器。）。后来程序中 import lap时报错原因时系统中有多个版本的 lap，引起了路径冲突。（lap0.4.0是pip 安装的, lap0.5dev 是 conda 安装）。 于是 pip uninstall lap。包导入成功。...

原创 COMS 图像传感器的优点及应用

图像传感器主要有两种： CCD 、 CMOS应用的需求决定了芯片类型的选择。一、优点高帧率高分辨率低功耗改善的噪声性能提高的量子效率高动态范围高性价比低散热 （在不进行散热时也能长时间运行可以方便携带），在一些噪声敏感、和自动装置中很有好处。-----------------------------------------------------------------------------------------------------------------

原创 python property

对于使用者来说，将方法的调用，改成看上去是属性的获取，可读性高。主要：方法只有一个self 参数装饰器的方法。---------------------------------------------------------------------------------------------在python 3中默认继承 object 属性。就像是对属性进行赋值和获取。----------------------------------------------------