autocyz-CSDN博客

原创 Ubuntu16.04+cuda8.0+caffe安装教程

1、安装nvidia驱动首先去官网上查看适合你GPU的驱动（http://www.nvidia.com/Download/index.aspx?lang=en-us）例如，本人的GPU适合的驱动如图：执行如下语句，安装sudo add-apt-repository ppa:graphics-drivers/ppasudo apt-get updatesudo apt-get instal

2016-08-24 14:00:52 84167 23

原创 ubuntu16.04安装caffe以及各种问题汇总

本文参考了： https://github.com/BVLC/caffe/wiki/Ubuntu-16.04-or-15.10-Installation-Guide https://gist.github.com/wangruohui/679b05fcd1466bb0937f#file-caffe-ubuntu-15-10-md http://blog.csdn.net/g0m3e/artic

2016-06-29 16:19:18 32231 7

原创亚马逊EC2升级g++版本

亚马逊EC2自带的g++是4.8，比较老的版本，许多新的代码都编译不了。因此需要升级g++。升级方法如下：1、安装依赖sudo yum install libmpc-devel mpfr-devel gmp-devel2、获得源码以获得5.4.0的源码为例cd /tmpcurl -o "gcc-5.4.0.tar.gz" https://ftp.gnu.org/gnu/gcc/gc...

2019-04-23 16:40:50 807

神经网络中的各种优化方法大家耳熟能详的优化方法有梯度下降法（Gradient Descent）、随机梯度下降法（Stochastic Gradient Descent）、Adam方法等等。虽然很多听过甚至用过这些方法，但是却未必能够说出他们的区别，已经什么时候改用什么样的优化算法。这篇文章将会从原理、区别和使用场景等角度详细介绍神经网络中的各种优化算法。什么是优化算法优化算法就是一种能够帮我...

2018-10-17 17:48:27 29478 3

原创 MTCNN实现流程

MTCNN实现流程文章：https://arxiv.org/pdf/1604.02878.pdfcode：1、mxnet上的实现：https://github.com/Seanlinx/mtcnn2、tensorflow上的实现：https://github.com/AITTSMD/MTCNN-Tensorflow3、pytorch上的实现： https://github.com/Tro...

2018-09-21 11:59:37 5462

原创 A simple yet effective baseline for 3d human pose estimation

A simple yet effective baseline for 3d human pose estimation主要工作在以往的人体3D关键点检测的方法中，主要有两种，一种是构造end-to-end的网络，直接实现输入普通图像，输出人体3D关键点；另一种是首先使用2D关键点检测的方法，检测出2D的关键点，然后使用匹配对对齐的方式构造出3D关键点。这篇文章的工作非常简单，但...

2018-08-07 20:44:57 4050 2

原创 Windows访问Ubuntu共享文件夹

windows访问Ubuntu共享文件夹有时候我们需要在windows中方便的访问修改Linux中的文件夹，可以使用samba方便的完成这种操作，类似于windows和windows之间的文件夹共享。下面说一下具体的配置和操作过程：1、确认系统中安装sambasudo apt-get install samba2、设置你的账户samba密码sudo touch /etc/samba/smbpassw

2017-10-10 16:59:52 15616

原创 L1相较于L2的稀疏性

L1相较于L2的稀疏性在机器学习中，常见的正则化项有L1（L=∑|w|L=\sum|w|）和L2(L=||w||2L=||w||^2)，并且也经常会看到L1相较于L2有较高的稀疏性，虽然记住了这句话的内容，但总是不理解其具体含义，也不理解为何又稀疏性，在研究了一番后，有了一些理解，因此分享给大家。（本文部分内容和图片引用自：https://www.zhihu.com/question/37096

2017-08-01 10:50:44 6059

原创 zero-shot learning

Zero-shot Learning参考文献《Zero-Shot Learning with Semantic Output Codes》背景在分类问题中，因为数据库大小有限，因此在使用分类模型进行预测时，出现了在训练集没有出现过的类别。举个例子，我们有个小型数据库，里面所含的类别只有人、鸟、汽车，经过我们的训练，发现模型对于这些类别的目标已经有很好的性能了，但是突然出现了一个新的类别——狗，此时模

2017-06-01 20:34:54 5954

原创基于全连接孪生网络的目标跟踪（siamese-fc）

Fully-Convolutional Siamese Networks for Object Tracking这两年可以说deeplearning已经占领了visual object tracking这个领域，但是对于跟踪问题来说，这些基于DL的做法虽然能够很好的提升跟踪的效果，但是在时效性这一方面却做的很差，这是因为DL复杂的模型往往需要很大的计算量，尤其是当使用的DL模型在跟踪的时候对模型进行

2016-11-18 15:17:37 40008 32

原创 Contrastive Loss (对比损失)

Contrastive Loss (对比损失)在caffe的孪生神经网络（siamese network）中，其采用的损失函数是contrastive loss，这种损失函数可以有效的处理孪生神经网络中的paired data的关系。contrastive loss的表达式如下： L=12N∑n=1Nyd2+(1−y)max(margin−d,0)2L=\frac{1}{2N}\sum_{n=1}

2016-11-13 16:35:03 77702 9

原创 GOTURN——Learning to Track at 100 FPS with Deep Regression Networks

文章的题目叫：《Learning to Track at 100 FPS with Deep Regression Networks》算法简称：GOTURN（Generic Object Tracking Using Regression Networks）作者是斯坦福的David Held 文章以及附件：http://davheld.github.io/GOTURN/GOTURN.htm

2016-09-24 10:36:48 19502 16

原创 STCT: Sequentially Training Convolutional Networks for visual tracking

1、怎么将CNN用在特定的任务中众所周知CNN的使用往往需要大量的训练样本，但是我们在很多特定任务中是没法获得像imageNet那样庞大的样本库，因此如何在小样本中使用CNN是一个难题。后来很多学者经过研究发现CNN的模型有很好的泛化性能，即在大样本库中训练好的CNN模型对于特定的任务也有不错的性能。一些学者根据这个特性提出了fine-tune的方法，如上图所示。我们首先在big dataset上训

2016-09-17 21:10:06 4287

原创 git clone远程仓库的分支

github上比较有名或者较为有名的代码一般都有分支，分支的作用是不同的开发人员在不同的分支上同时进行开发，并且不影响master。当我们想clone别人的在分支中修改的code时，我们在github中看到往往是master，并且我们clone下来的也是也是master，如下图，是一个工程的不同分支，当我点击不同的分支，其clone的https却是一样的，那么该如何clone我想要的分支呢？首先

2016-08-25 21:22:05 8564 2

原创 ubuntu16.04安装 cuda7.5

在文章开始前，先辨析几个概念GPU、NVIDIA、NVIDIA驱动、CUDA、cudnn等，这些概念对于一个新手来说肯定是很晕的，正如我当初一样，所以我这里就稍微介绍一下这几个概念：GPU:Graphics Processing Units，也就是我们常说的显卡。现在的笔记本或者台式机都会有显卡，但是能够让我们用来做并行计算的真正的GPU就只有NVIDIA出产的GPU了。NVIDIA：GPU生产

2016-07-06 17:47:23 10507 2

原创 VS工程配置中的一些常用概念

VS工程配置中一些常用概念在看这篇文章之前首先思考几个问题： 1、什么是解决方案？为什么要有解决方案？ 2、我想引用的头文件和我的cpp文件不在同一个文件夹，我改怎么办？能直接引用吗？ 3、在配置opencv的时候需要配置的那些库目录、包含目录到底是怎么回事？思考完上述问题，下面对上述问题进行解答，并介绍一些vs在工程配置的时候常用的一些做法和概念。尽量做到知其然，知其所以然。一、解决方案（s

2016-07-04 15:38:07 1842 2

原创 Ubuntu更新完NVIDIA驱动后，重启电脑进入不了系统，一直处于登录界面

Ubuntu更新完NVIDIA驱动后，重启电脑进入不了系统，一直处于登录界面如题描述，我的系统是Ubuntu16.04，安装caffe的过程将一些驱动更新了，后来重启电脑时发现我进入不了系统了，输入我的登录密码会发现屏幕一闪，然后又重新跳回到登录界面，就是进入了login loop的状态，我一开始在网上查，很多人说是什么.Xauthority的问题，我尝试了几乎所有办法都不行，所幸最后找到了问题所在

2016-07-04 09:48:36 24452 12

原创 ubuntu下让theano使用GPU

ubuntu下让theano使用GPU在ubuntu下安装完theano以及cuda后，可以使用如下程序来测试你当前是否使用了GPU：from theano import function, config, shared, sandboximport theano.tensor as Timport numpyimport timevlen = 10 * 30 * 768 # 10 x #c

2016-06-14 21:49:59 4751 1

原创反向传播算法（back propagation）

反向传播算法是多层神经网络的训练中举足轻重的算法，本文着重讲解方向传播算法的原理和推导过程。因此对于一些基本的神经网络的知识，本文不做介绍。在理解反向传播算法前，先要理解神经网络中的前馈神经网络算法。前馈神经网络如下图，是一个多层神经网络的简单示意图：给定一个前馈神经网络，我们用下面的记号来描述这个网络： LL：表示神经网络的层数； nln^l：表示第ll层神经元的个数； fl(∙)f

2016-06-08 16:40:16 6223

原创逻辑回归

逻辑回归逻辑回归（Logistic Regression,LR）是一种很常用的分类算法，对于一般的二分类情况，给定N个训练样本，(x1,y1)，(x2,y2)...(xN,yN)(x_1,y_1)，(x_2,y_2)...(x_N,y_N)，其中xi∈Rnx_i\in R^n是一个n维向量，yi∈{−1,+1}y_i\in \{-1,+1\}表示了其对应样本的标签，1代表正样本，-1代表负样本。一般

2016-06-07 11:25:41 1268

原创双线性插值算法

双线性插值算法双线性插值是一般的线性插值算法的扩展，其核心思想是在两个方向上分别进行一次线性插值。选取合适的二位坐标系，并且已知f(x0,y0)、f(x0,y0+1)、f(x0+1,y0)、f(x0+1,y0+1)f(x_0,y_0)、f(x_0,y_0+1)、f(x_0+1,y_0)、f(x_0+1,y_0+1)，则双线性插值可以用如下的插值公式表示： f(x,y)=[1−xx][f(x0,y0

2016-05-06 11:33:51 2253

原创深度剖析adaboost

在分析adaboost算法前，首先看一幅图。如上图所示，adaboost算法的核心思想就是由分类效果较差的弱分类器逐步的强化成一个分类效果较好的强分类器。而强化的过程，就是如上图所示逐步的改变样本权重，样本权重的高低，代表其在分类器训练过程中的重要程度。adaboost算法流程下面首先来看一下在李航的《统计学习方法》一书中对adaboost的解释：算法的输入：训练数据集T={(x1,y1

2016-05-03 16:56:50 5706 1

原创 Hierarchical convolutional Features for visual tracking

Hierarchical convolutional Features for visual tracking算法概要这篇文章所提出的算法在本质上还是cf那一套框架，作者着重改变的是目标的特征描述。在以往的cf中，大家用的都是常用的物体特征描述，比如HOG，但是这种特征毕竟是manual的，当目标本身的appearance发生较大的改变时，manual型的特征不能很好的适应。注意到在物体检测识别领域

2016-03-08 14:34:14 5936 9

原创深入理解卡尔曼滤波

卡尔曼滤波卡尔曼滤波的作用不用多说，就是根据前面已知的信息，预测将来可能发生的情况。对于一个系统来说，以跟踪系统为例，如果视频中待跟踪物体按静止不动，或者按照一定的规律运动时，那在当前帧便可以预测下一帧物体所在位置。但是实际中，物体的运动往往不是一成不变的，比如在视频中物体一直往右下角移动，但是移动的方向却或多或少有一定的变化，这种变化可以理解成一种随机噪声。因此需要找到一种随机估计方式，来估计系统

2016-02-25 16:00:25 6010 1

原创 markdown使用haroopad导出PDF

haroopad是一款极其强大的markdown编辑器，也是本人用过最好用的编辑器，编辑公式等用的非常顺手，但是美中不足的是haroopad不支持直接导出成PDF，不过终究是有奇技淫巧的，经过尝试，发现了两种将markdown导出成PDF的方法：haroopad虽然不支持导出PDF，但是支持实时打印，所以可以在打印选项中生成PDF。先点“打印”，选择打印机时，选择那种PDF阅读器的打印功能，比如“

2016-02-19 22:11:11 6462 3

原创三种SVM的对偶问题

一、SVM原问题及要变成对偶问题的原因对于SVM的，我们知道其最终目的是求取一分类超平面，然后将新的数据带入这一分类超平面的方程中，判断输出结果的符号，从而判断新的数据的正负。而求解svm分类器模型，最终可以化成如下的最优化问题： minw,bs.t.12∥w∥21−yi(w⋅xi+b)≤0i=1,2,...,N\begin{aligned} \displaystyle{\min_{w,b}} \

2015-12-25 09:21:48 8051 2

原创凸优化（一）——Introduction

Introduction一、最优化问题的数学表达在最优问题中，其数学表达往往能化成标准形式，如下： minimizef0(x)subject tofi(x)≤bi,i=1,...,m\begin{aligned} &minimize \quad f_0(x)\\ &subject \ to \quad f_i(x) \leq b_i,\quad i = 1,...,m \end{aligne

2015-11-04 13:47:47 8137 1

原创 opencv例程解读——dft（离散傅里叶变换）

废话不多说，直接上代码，代码中我都注明了注释，有些讲不清楚的，会在代码的后面专门拿出来讲。下面这个cpp文件不是我自己写的程序，是opencv提供的关于dft变换的例程，文件一般会包含在你的opencv路径下opencv\sources\samples\cpp下面，可以自行查找。#include "opencv2/core/core.hpp"#include "opencv2/imgproc/im

2015-10-14 16:07:36 15921 7

原创 DSST(Accurate Scale Estimation for Robust Visual Tracking 代码解读

Accurate Scale Estimation for Robust Visual Tracking我在前面一篇博客“相关滤波跟踪（MOSSE）”中讲了相关滤波跟踪的原理，但是因为那篇文章没有提供代码，所以就没法深入的研究他，而且纯理论看起来会很枯燥。后来Martin Danelljan 对MOSST做了改进，并增加了多尺度跟踪，改进效果很显著，在今年的VOT上，其测试效果是第一的。其文章名为A

2015-09-22 10:53:42 22202 22

原创相关滤波跟踪（MOSSE）

相关滤波跟踪（MOSSE）在信号处理中，有这么一个概念——相关性（correlation），用来描述两个因素之间的联系。而相关性又分为cross-correlation（互相关，两个信号之间的联系）和auto-correlation（自相关，本身在不同频域的相关性）。2010年CVPR，David S.Bolme在文章《visual object tracking using adapti

2015-08-31 17:17:57 43855 18

原创 opencv中waitkey(0)不起作用

楼主在运行一个链接了opencv库的程序时，发现了一个奇怪的现象，就是我的在程序中调用的等待函数waitKey()不起作用，不管是是使用waitKey(100)，waitKey(0)，waitKey(-1)，或者是使用if(waitKey(0) == ‘q’)，waitKey总是不起作用。举个简单的例子：int main(){ cout<<"I am so cool "<<endl;

2015-07-18 11:32:07 22153 9

原创朴素贝叶斯分类及应用

贝叶斯学习贝叶斯公式贝叶斯学习器其实是从经典的贝叶斯概率公式的来的，对于经典的贝叶斯公式： P(A|B)=P(B|A)P(A)P(B)P(A|B)={P(B|A)P(A)\over{P(B)}} 式中P(A)表示A的先验概率（即A发生的概率与B无关），P(A|B)表示A的后验概率（即在已知B发生的情况下，A发生的概率）朴素贝叶斯分类我们都知道贝叶斯是一个经典的求取概率的公式，那么贝叶斯又是怎么和

2015-07-15 10:13:23 3778 2

原创 KNN分类器

KNN学习（K-Nearest Neighbor algorithm，K最邻近方法）是一种统计分类器，对数据的特征变量的筛选尤其有效。基本原理KNN的基本思想是：输入没有标签（标注数据的类别），即没有经过分类的新数据，首先提取新数据的特征并与测试集中的每一个数据特征进行比较；然后从测试集中提取K个最邻近（最相似）的数据特征标签，统计这K个最邻近数据中出现次数最多的分类，将其作为新的数据类别。 K

2015-07-07 10:56:45 13477 1

原创 k-means算法MATLAB和opencv代码

上一篇博客写了k-means聚类算法和改进的k-means算法，这篇博客就贴出对应的MATLAB和C++代码。以下是MATLAB代码，实现用k-means进行分割： %%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%%% 功能：实现如何利用Kmeans聚类实现图像的分割；时间：2015-07 %%%%%%%%%%%%%%%%%%%%%

2015-07-06 13:06:18 4879 2

原创 K-means聚类算法

K-means聚类算法K-means（K均值）是基于数据划分的无监督聚类算法，也是数据挖掘领域的十大算法之一。何为聚类算法？在某种程度上可以理解为无监督的分类方法。聚类算法可以分为哪些部分？一般来说可以分为基于划分的方法、基于连通性的方法、基于密度的方法、基于概率分布模型的方法等。K-means就是经典的基于划分的聚类方法。1、K-means的基本原理对于基于划分的这一类聚类

2015-07-04 11:08:18 9680 2

原创《乌云背后的幸福线》

excelsior，这是主人公帕特的座右铭，原意是精益求精，不断向上，表达了一种乐观向上的生活态度。不过这里我觉得电影里翻译的很好——精进不休！！帕特是一位曾经暴力袭击他人的精神病患者，但同时也是一位乐观向上的历史老师。虽然他因神经疾病在医院住了八个月之后刚刚出院，老婆也跟别人跑了，但是他始终以excelsior为信念，对和妻子重修旧好充满信心，因此他搬回跟父母的住所，并努力把自己打造

2015-05-09 16:07:44 1811 2

原创 C++学习笔记（十六）：对vector进行更多的操作——泛型算法

先强调一下，这里的泛型算法实际不光光是对vector的操作，对于“顺序容器”均可以。但是什么是顺序容器：我们都知道，容器就是一些特定类型对象的集合。而顺序容器为程序员提供了控制元素存储和访问的能力。这种容器的一个显著的特征，就是容器中元素的顺序不依赖于元素的值，而是与加入容器时的位置有关。常见的顺序容器有vector、deque(双端队列)、list(双向链表)、forward_list(

2015-04-23 14:45:16 2171 1

原创 C++学习笔记（十五）：vector对象在内存空间中是如何增长的

vector对象在内存空间中是如何增长的我们都知道vector对象是动态存储的，从这一点看有点像链表，可以动态的增加或减少元素。我们也知道链表中是有指针变量，专门用于存储上一个和下一个元素的地址。正是因为这两个指针的存在，我们才能做到动态的存储数据，即不用像数组那样必须事先申请好空间。链表的缺点就是不能够快速的随机访问其中元素，必须通过指针层层查找。但是，vector既可以实现动态存

2015-04-22 13:39:10 3037

原创 Regionlets for Generic Object Detection

Regionlets for Generic Object Detection本文是对这篇文章的翻译和自我理解，文章下载地址：摘要：对于一般物体检测，现在面对的问题是如何用比较简单的计算方法来解决物体的角度的变化所带来的识别问题。要想解决这种问题，那就必须要求有一种灵活的物体描述方法，并且这种方法对于处在不同位置的物体均能进行很好的评判。基于这种情况，作者采用级联的bo

2015-04-07 14:15:27 4014