Right here, Code is Magic

原创 扩展卷积详解 - 组卷积, 深度可分离卷积, 空洞卷积

文章目录零. Standard Convolution - 标准卷积一. Group Convolution - 组卷积二. Depth Separable Convolution - 深度可分离卷积三. Dilated Convoluton - 扩张卷积四. 参考在标准卷积的基础上介绍组卷积, 深度可分离卷积, 空洞卷积.零. Standard Convolution - 标准卷积标准卷积运算是这样地:对于输入特征为 C∗H∗WC*H*WC∗H∗W, 卷积核大小为 K∗KK*KK∗K, 共 N

原创 在 CMake 生成的 VS2015 工程中保持源码文件的目录组织

在某一工程内，多个文件散乱的分布在 Source Files/ 目录和 Header Files 目录中, 不便于查看和调试代码，如下图所示.通过使用 SOURCE_GROUP 命令, 可以使源码保持原本的目录组织方式 (当然也可以自己重新组织).先看看组织后的目录数:目录组织 - source_group()先看看官方给出的命令说明: source_group() 用于定义生成 ID...

翻译 视觉里程计简介

本文英文博客原文: http://avisingh599.github.io/vision/monocular-vo/这篇博客主要讲述一个简单的视觉里程计 (Visual Odometry) 的实现。整个流程较为简单, 后续在此基础上对效率精度进一步提高。什么是视觉里程计？首先我们看一看维基百科的介绍 https://en.wikipedia.org/wiki/Visual_odomet...

原创 Windows 下 VS Code Remote-Development(ssh) 插件的安装和配置

本文主要介绍如何通过 ssh 的方法链接到远程机器（必须是 Linux 系统）上，另外插件还提供了连接到 WSL 和容器的功能。 配置的过程如下：1. 远程主机安装 ssh-server# ubuntu 系统sudo apt-get install openssh-server2. 本地主机安装 ssh-clientwindows 系统中下载安装 OpenSSH，下载地址： https...

原创 Wine 的QQ,微信 中文显示与字体设置 - 显示为方框

走到这里的同学相信已经踩过以下几个坑了:解决在ubuntu18.04下通过wine安装微信与QQ中文字体无法正常显示的问题彻底消除wine中文乱码,QQ,kugoo等等… ,这个方法在字体已经存在时不会进行替代，因此一般不起作用.Ubuntu 安装Wine 显示方块字体 如：□ □ □ [解决]首先明确一点: 亲测可用.参考这篇文章: [http://linux-wiki.cn/wiki...

原创 卷积层中的 group 参数理解

卷积层中 group 参数理解Convolution 层的参数中有一个group参数，其意思是将对应的输入通道与输出通道数进行分组, 默认值为1, 也就是说默认输出输入的所有通道各为一组. 比如输入数据大小为90x100x100x32 90是数据批大小 100x100是图像数据shape，32是通道数，要经过一个3x3x48的卷积，group默认是1，就是全连接的卷积层，如果group是2...

原创 darknet 源码阅读(三) - 训练网络

darknet 是如何从读取图片到最终反向传播完成一个完整的训练过程?

原创 darknet 源码阅读(番外篇一) - 卷积层

这篇文章是该系列的番外篇. 针对常见的卷积层, 从解析配置文件参数到网络训练, 分析卷积层配置文件参数解析及其前向运算, 反向传播过程.1. 卷积层的配置文件参数解析从卷积层的创建到卷积层的前向运算, 串联整个脉络.convolutional_layer make_convolutional_layer(int batch, int h, int w, int c, int n, int g...

原创 darknet 源码阅读(零) - Entry Point

就像所有的故事都有一个引人入胜的开头一样, darknet 也有一个漂亮的入口. 源码阅读第一步: 找到山门的入口 - main() 函数.文件: darknet/examples/darknet.c. 函数: main()1. 关于分析主线的确定.darknet 实现了较多的深度学习应用工具, 例如: classifier, segmenter, detector 等. 基于目...

原创 darknet 源码阅读(二) - 加载训练样本数据

本文主要围绕 load_data() 函数分析 darknet 是如何加载训练样本数据的, 函数定义在文件 darknet/src/data.c 中. #

原创 OpenCV 实现 Matlab 的 imreconstruct 函数

原创 显著目标检测论文(三)——Minimum Barrier Salient Object Detection at 80 FPS (2015)

这篇文章的最大一个亮点就是其实时性, 80 fps. 个人感觉论文的效果还是很惊艳的. 作者使用的机器配置如下:3.2GHz x 2 CPU12G RAM论文中提出了 MB 方法和 MB+ 方法. 其中 MB 的代码使用 C 实现, MB+ 的代码使用 matlab 实现. 这里的 80 fps 指的是 MB 的运行速度.另外, 没有计算 I/O 的时间消耗, 没有使用并行计算来同时处...

原创 OpenCV 常用的 API

保存图片 - imwrite()bool imwrite(const string& filename, InputArray img, const vector<int>& params=vector&

原创 显著目标检测论文(二) —— FASA: Fast, Accurate, and Size-Aware Salient Object Detection (2014)

当初读这篇论文的时候, 第一感觉是写的很难读懂, 倒不是说算法思想层面的东西难懂, 而是英文语法层面很难准确理解一句话的含义. 在这里对论文思路做一个梳理.本文的目标是清楚地描述论文的核心思想, 但又不陷入翻译论文的套路. 如有一些不合适的观点, 还请各位看官批评指正, 在犯错中学习倒也记忆深刻.言归正传. 按照作者的说法, 这篇论文有两个"亮点&amp

翻译 前景分割算法(一) - Shared Sampling for Real-Time Alpha Matting (2010年)

论文引用: Shared Sampling for Real-Time Alpha Matting Eduardo S. L. Gastal and Manuel M. Oliveira Computer Graphics Forum. Volume 29 (2010), Number 2. Proceedings of Eurographics 2010,...

原创 (三) COCO Python API - 数据集类数量分布

COCO 数据集中各类数量的分布到底是怎样的? 如果一个数据集中各类数量分布差异很大, 是否会对深度学习模型训练有影响? 为什么? 如果有影响, 那又应该如何处理? 初步分析以下这段代码给出了 COCO 数据集 2017_val 中的三大类: ‘person’,’dog’,’skateboard’ 的图片数据和标注数据的数量. from pyc...

原创 (二) COCO Python API - 源码分析篇

如果对于 COCO 给出的标注信息只是做一些常规场景的使用, 参考 https://github.com/dengdan/coco/blob/master/PythonAPI/pycocoDemo.ipynb 脚本已经完全够用了. 脚本的具体使用方法可以参考我的博客: (一) COCO Python API - 使用篇. 但是对于那些想要进一步挖掘 COCO 数据集的小伙伴来说,...

原创 (一) COCO Python API - 使用篇

为使用户更好地使用 COCO 数据集, COCO 提供了各种 API, 这里就 Python API 的使用做个简单介绍. 在介绍 API 之前, 首先应该对 COCO 数据集有个大概的了解. 根据年份来区分, 到目前为止, COCO 的数据集, 分别有 2014, 2015, 2017. 根据用途不同, 数据集分为图像检测, 图像语义理解, 人体关节点; 这里着重...

原创 darknet 源码阅读(一) - 解析网络配置文件 cfg

说明: 以下各种场景的分析均是基于 YOLO 作为目标检测器的基础上. 使用 YOLO 训练网络时, 需要在命令行指定一个网络结构的配置文件, 比如: ./darknet detector train cfg/coco.data cfg/yolov3.cfg darknet53.conv.74 -gpus 0,1,2,3其中, cfg/yolov3.cfg 文件中保存的就是...

原创 理解 YOLOv3 的训练输出日志信息

YOLOv3 训练过程中输出在终端的不同的参数分别代表什么含义, 如何去理解这些参数？ 也许对于使用 YOLO 很久的用户来说, 对这些概念依然很模糊. 本文将尝试着去回答这个问题, 下边是我训练中使用的 .cfg 文件（你可以在工程目录的 cfg/ 目录下找到它）： [net]# Trainingbatch=64subdivisions=8height=416wid...

原创 RGB 空间颜色量化 - 减少颜色数目

RGB 颜色量化 - 减少颜色数目1. 简单方法 - 像素除法使用一下的像素除法公式, 可以将颜色减少 1 / N. color = color/div*div+div/2color = color/div*div+div/2\text{color = color/div*div+div/2}若 div 为 8，则原来 RGB 每个通道的 256 种颜色减少为 32 ...

原创 下载 ros-indigo 源码

最近在研究 ROS 的通信机制, 需要查阅 ROS 源码. 以下是下载 indigo 源码的过程，下载其他 ROS 版本源码只需将下面命令中的 indigo 换为对应的版本代号即可。 1) 切换到一个代码下载目录，执行下面的命令 $ rosinstall_generator robot --rosdistro indigo --deps --wet-only --tar...

原创 Markdown 语法中的公式 LaTex 命令集锦

MarkDown 中公式编辑语法笔记希腊字母上标, 下标表示分数形式根式定界符数学重音符号Norm 符号求和与积分, 条件偏导数空白间距 - 占位宽度多行公式公式组分支公式集合相关的运算命令下划线、上划线等省略号堆积符号矩阵给公式加一个方框运算符箭头符号MarkDown 中公式编辑语法笔记 $ formula $会使 formul...

原创 显著目标检测论文(一)——Global Contrast based Salient Region Detection (2011)

基于全局对比度的显著性区域检测1、引言2、基于直方图统计的对比度（HC）3、基于区域的对比度（RC）4、实验参考资料基于全局对比度的显著性区域检测这篇论文其实在作者的主页上面已经给出中文版的论文了，所以大家看看中文版的论文也就可以看懂了，是为了对显著性论文整个脉络的整理。同时本文也将对照源码分析论文中算法的实现. 1、引言论文的提出主要是根据以下...

原创 双边滤波算法原理及实现

双边滤波算法原理及实现 双边滤波算法原理双边滤波是一种非线性滤波器，它可以达到保持边缘、降噪平滑的效果。和其他滤波原理一样，双边滤波也是采用加权平均的方法，用周边像素亮度值的加权平均代表某个像素的强度，所用的加权平均基于高斯分布[1]。最重要的是，双边滤波的权重不仅考虑了像素的欧氏距离（如普通的高斯低通滤波，只考虑了位置对中心像素的影响），还考虑...

原创 积分图(三) - Boxfilter 的实现过程分析

积分图(三) - Boxfilter 的实现过程分析 Boxfilter 快速计算它可以使复杂度为O(MN)的求和，求方差等运算降低到O(1)或近似于O(1)的复杂度，它的缺点是不支持多尺度。Boxfilter 的原理有点类似 Integral Image，而且比它还要快，但是实现步骤比较复杂。在计算矩形特征之前，Boxfilter 与 Int...

原创 积分图(二) - Block - Match(统计)滤波器

积分图(二) - Block - Match(统计)滤波器原文地址(英文)积分图 是 [Crow(1984 年)] 提出的用于提高多尺度透视投影中纹理的渲染速度的一种技术. 积分图最流行的应用是 快速归一化互相关 (fast normalized cross-correlation), Viola-Jones 目标检测框架, SURF 变换( Speeded Up Robust Fea...

原创 积分图(一) - 原理及应用

积分图(一) - 原理及应用 积分图原理第一个提出 Haar 特征快速计算方法的是 CVPR2001上 的那篇经典论文 [《Rapid object detection using a boosted cascade of simple features》] (http://www.cs.utexas.edu/~grauman/courses/s...

原创 NVIDIA Jetson TX2 内核中添加 CP210x 串口驱动

Build Kernel and Modules – NVIDIA Jetson TX2说明：本文是为L4T 27.1版本编译内核的。如果内核版本是L4T 28.1可移步这篇文章： 编译 L4T 28.1，二者的步骤几乎是一样的。最近在TX2下做项目，遇到了一个问题，CP210x串口设备插入板子之后无法生成/dev/ttyUSB0设备节点。试过了很多办法，最后找到了这篇文章，亲测可用，英文好的可以

原创 BeagleBoard 的 QEMU 环境搭建 - Linux 驱动调试

Beagleboard is Not BeagleBone, 这篇文章的对象是 beagleboard, 不是 beaglebone。安装qemu-system-arm首先需要说明的是：使用sudo apt-get install安装后的qemu-system-arm是不支持beagle板的。 因此我们需要自己编译qemu-linaro源码。在此之前一定要卸载你系统中已有的qemu，运行：$ s

原创 Linux C 语言内联汇编

linux 汇编Linux 汇编语法格式前缀寄存器名立即操作数后缀十六进制二进制源操作数和目标操作数的位置操作数的字长修饰符跳转指令与跳转指令相应的远程返回指令内存操作数间接寻址方式一些内存操作数的例子ATT 汇编语言的相关知识ATT 中的Section段2汇编程序指令Assembler Directive1 ascii string2 byte 表达式3 fill