qq_20481015的博客

转载 ECCV 2018 | CornerNet：Detecting Objects as Paired Keypoints

来自ECCV2018 的目标检测算法，用于目标检测的新思路，缺点是作者用了10块GPU训练，迭代500K训练，对计算能力的要求较高。博主使用两块1080训练，弱到爆了code：https://github.com/umich-vl/CornerNetpaper：https://arxiv.org/abs/1808.01244以下来自http://www.xiaoxiaoxia.com/...

原创 ImageNet dataset介绍

ImageNet 是一个计算机视觉系统识别项目， 是目前世界上图像识别最大的数据库。是美国斯坦福的计算机科学家，模拟人类的识别系统建立的。能够从图片识别物体。ImageNet是一个非常有前景的研究项目，未来用在机器人身上，就可以直接辨认物品和人了。超过1400万的图像URL被ImageNet手动注释，以指示图片中的对象;在至少一百万个图像中，还提供了边界框。ImageNet包含2万多个类别; 一个...

原创 matlab 图像X镜像（水平镜像），Y镜像（垂直镜像），对角翻转（水平垂直镜像）

图像处理中，经常需要对图像进行镜像翻转。在低级版本的Matlab中，我们可以通过mirror函数实现I = imread('lenna.jpg') %读取原图像I1 = mirror(I,1) %水平镜像I2 = mirror(I,2) %垂直镜像I3 = mirror(I,3) %水平垂直镜像目前，在较高版本的matlab中调整为flidi...

原创 达摩院发布2022十大科技趋势

以科技，达到我们共同美好的未来。

原创 论文推荐：深度学习对抗攻击-通过少量数据点伪造信号攻击调制分类中的深层神经网络

论文下载：IEEE Xplore Full-Text PDF: https://ieeexplore.ieee.org/stamp/stamp.jsp?tp=&arnumber=9520398或者（免费）：https://download.csdn.net/download/qq_20481015/25641401摘要：近年来，基于深度学习（DL）的自动调制分类（AMC）方法得到了快速发展，其性能优于传统的分类方法。为了干扰的基于深度学习的AMC分类器，在本文中，我们提出了一种对抗.

原创 知识蒸馏 论文推荐：渐进式模仿学习：CNN模型轻量化的新工作（受人类学习过程激发，提出的阶段式学习方法）

论文下载：Progressive Mimic Learning: A new perspective to train lightweight CNN models - ScienceDirecthttps://www.sciencedirect.com/science/article/pii/S092523122100638X或者(免费下载)：https://download.csdn.net/download/qq_20481015/25638453https://download.csdn.net

原创 Cvt- Introducing Convolutions to Vision Transformers

原创 两个L组成的括号？

符号向下取整和向上取整的符号：namely：floor(x) 和 ceil(x)In Latex， the expression is\[\left\lfloor {} \right\rfloor \]向下取整函数：小于或等于 x 的最大整数向上取整函数：大于或等于 x 的最小整数例子：...

原创 Automatic Weakly Supervised Object Detection From High Spatial Resolution Remote Sensing Images via

本文重点解决高空间分辨率遥感图像弱监督目标检测问题，其目的是在训练阶段学习只有图像级标注的检测器，即没有目标位置信息的检测器。虽然取得了令人满意的结果，但大多数方法往往不能提供高质量的初始样品，因此难以获得最佳的目标探测器。针对这一挑战，提出了一种动态课程学习策略，通过输入与当前检测能力相匹配的难度越来越大的训练图像，逐步学习目标检测器。为此，首先设计了一种基于熵的准则来评估图像中目标定位的难度。然后，生成一个初始课程，根据训练图像的难度升序排列训练图像，从中选择容易的图像，为学习目标检测器提供可靠的实例。

转载 Vision Transformer 技术综述

搞懂 Vision Transformer 原理和代码，看这篇技术综述就够了（一）：https://mp.weixin.qq.com/s/hn4EMcVJuBSjfGxJ_qM3Tw搞懂 Vision Transformer 原理和代码，看这篇技术综述就够了（二）：https://mp.weixin.qq.com/s/ozUHHGMqIC0-FRWoNGhVYQ搞懂 Vision Transformer 原理和代码，看这篇技术综述就够了（三）：https://mp.weixin.qq.com/s/d

转载 embedding层

参照：embedding层_万物皆Embedding，从经典的word2vec到深度学习

转载 UBUNTU nvidia驱动安装

参考：https://blog.csdn.net/qq_43030766/article/details/91382868

转载 OpenCV—python 颜色空间（RGB，HSV，Lab）与 颜色直方图 颜色定义

https://blog.csdn.net/wsp_1138886114/article/details/80660014

原创 目标检测指标 查准率 AP 查全率 mAP Corloc

什么是IoU在目标检测算法中，我们经常需要评价2个矩形框之间的相似性，直观来看可以通过比较2个框的距离、重叠面积等计算得到相似性，而IoU指标恰好可以实现这样的度量。简而言之，IoU（intersection over union，交并比）是目标检测算法中用来评价2个矩形框之间相似度的指标IoU = 两个矩形框相交的面积 / 两个矩形框相并的面积，如下图所示：什么是TP TN FP FNTP、TN、FP、FN即true positive, true negative, false pos

转载 强化学习（一）模型基础

转载自刘建平老师博客：https://www.cnblogs.com/pinard/p/9385570.html从今天开始整理强化学习领域的知识，主要参考的资料是Sutton的强化学习书和UCL强化学习的课程。这个系列大概准备写10到20篇，希望写完后自己的强化学习碎片化知识可以得到融会贯通，也希望可以帮到更多的人，毕竟目前系统的讲解强化学习的中文资料不太多。 第一篇会从强化学习的基本概念讲起，对应Sutton书的第一章和UCL课程的第一讲。1.强化学习在机器学习中的位置 ...

原创 ubutnu watch 指令 监测显卡占用

watch的基本功能是周期性执行某一命令，并将输出全屏显示。watch [options] command常用的指令是-d, --differences[=cumulative] highlight changes between updates(cumulative means highlighting is cumulative)-h, --help print a summary of the options-n, --interval= seconds to wait bet.

原创 win 10与Ubuntu 18.04双系统 -----Ubuntu18.04安装提示“无法将grub-efi-amd64-signed软件包安装到/target” 实测可用

很多文章写得建立四个分区，缺少第四步，导致出现grub 安装不成功。我的分区(总计为Ubuntu系统分出150G容量 我的硬盘是480G固态 分出大小看自己需求)1.创建“/boot”分区，大小200MB。点击上图中左侧“+”，创建新的分区，弹出对话框，按下图设置大小：200MB、用于Ext4（即文件系统）、挂载点选择“/boot”。确定即可2.创建交换空间（swap），大小=物理内存，本人物理内存8GB，故为9182MB。用于选择“交换空间”3.创建“/”分区，即根分区，大小：自己定义，一

原创 FixMatch: 通过一致性和置信度简化半监督学习

原论文：FixMatch: Simplifying Semi-Supervised Learning with Consistency and Confidence 作者单位：Google Research 出版：arXiv 2001.07685 code：https://github.com/google-research/fixmatch摘要半监督学习（SSL）提供了一种有效...

原创 矩阵分块计算

1左分块function z=left_product(x, y) sizex1 = size(x, 1); sizex2 = size(x ,2); sizey1 = size(y, 1); sizey2 = size(y, 2); if (sizex2 ~= sizey1) disp('error ！ '); else ...

原创 python error pickle.dump 报错MemoryError

问题描述：使用pickle保存大量的numpy arrays，使用pickle.dump方法的时经常出现MemoryError。错误信息如图所示。解决办法： 根本原因是因为pickle本身的一些问题，对大量numpy arrays无法进行处理。 解决这个问题最好的办法就是抛弃pickle，使用joblib这个包来实现存储。详细信息：https://pypi.o...

翻译 EfficientNet: Rethinking Model Scaling for Convolutional Neural Networks-ICML 2019 模型缩放的最新工作

最近，谷歌基于AutoML开发了EfficientNets，这是一种新的模型缩放方法。它在ImageNet测试中实现了84.1%的准确率，再次刷新了纪录。虽然准确率只比之前最好的Gpipe提高了0.1%，但是模型更小更快，参数的数量和FLOPS都大大减少，效率提升了10倍！程序：https://github.com/tensorflow/tpu/tree/master/models/off...

翻译 DR Loss : Improving Object Detection by Distributional Ranking 解决类不平衡的最新力作

摘要大多数目标检测算法可以分为两类：两阶段检测器和单阶段检测器。对于两阶段探测器，区域建议阶段可以在第一阶段过滤大量的背景候选，并且使在第二阶段的分类任务更平衡。近年来，单阶段探测器因其结构简单、效率高而受到广泛关注。与两阶段探测器不同，单阶段探测器必须在一个阶段内从所有候选对象中识别出前景对象。这种体系结构是有效的，但在两个方面可能会遇到不均衡的问题：类的不均衡与背景分布的不均衡，只有少数候...

转载 smooth L1 loss是什么以及为什么好

转载链接：https://www.jianshu.com/p/19483787fa24smooth L1 loss能从两个方面限制梯度：当预测框与 ground truth 差别过大时，梯度值不至于过大； 当预测框与 ground truth 差别很小时，梯度值足够小。考察如下几种损失函数，其中损失函数对 x 的导数分别为：观察 (4)，当 x...

翻译 Continual learning of context-dependent processing in neural networks 神经网络中情境相关处理的连续学习

发表于Nature机器智能子刊近年来，由于当前深度学习面向应用的局限性，连续学习或者叫终生学习获得了很多的关注。摘要深度神经网络是学习复杂但固定的输入和输出之间映射规则的强大工具，因此限制了它们在更复杂和动态的情况下的应用，在这种情况下映射规则不是保持不变，而是根据不同的情景（上下文）变化。为了克服这些限制，我们开发了一种包含学习算法的方法，称为正交权值修改，并添加了情景相关的处理模块...

翻译 Making Convolutional Networks Shift-Invariant Again

Making Convolutional Networks Shift-Invariant Again摘要 现代卷积网络并不是位移不变（shift-invariant）的，因为小的输入移位会导致输出的剧烈变化。常用的降采样方法，如最大池化（max-pooling）、跨步卷积（strided-convolution）和平均池（average-pooling），忽略了采样定理（he...

原创 深度学习的“灾难性遗忘“

目前DNN的优点是可以建立输入输出之间非常复杂的映射关系，用于识别、分类和预测。但是一旦学习阶段结束，它所能做的操作就固化了，既难以方便的学习新的映射，也不能对实际环境中存在情境信息(比如自身状态，环境变化、任务变化等)做出灵活的响应，难以满足复杂多变的需求，即缺少情境依赖学习(contextual-dependent learning)的能力。一般而言，当前的DNN也受到“灾难性遗忘"问题的...

转载 池化到底有什么用 pooling

部分内容转载自：https://mp.weixin.qq.com/s/sS75fWhgcIW2w2JCbs8YKQ今天来说说深度学习中的池化问题，包含池化的种类，作用机制以及最新的思考。1 池化还要不要了通常我们认为，池化可以增加网络对于平移的不变性，对于网络的泛化能力的提升是非常关键的。不过，到底能起到多大的正向作用，却是被很多人怀疑的。首先是Hinton，还记得Hinton提出...

原创 OutOfRangeError (see above for traceback): PaddingFIFOQueue '_1_get_batch/batch/...系列错误

错误 tensorflowOutOfRangeError (see above for traceback): PaddingFIFOQueue '_1_get_batch/batch/padding_fifo_queue'或OutOfRangeError (see above for traceback): PaddingFIFOQueue '_2_get_batch/batch...

原创 Loaded runtime CuDNN library: 7600 (compatibility version 7600) but source was compiled with 7102 (c

2019-07-18 22:29:25.218152: I tensorflow/core/common_runtime/gpu/gpu_device.cc:1312] Adding visible gpu devices: 02019-07-18 22:29:25.425196: I tensorflow/core/common_runtime/gpu/gpu_device.cc:993] ...

原创 M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyramid Network AAAI2019

M2Det: A Single-Shot Object Detector based on Multi-Level Feature Pyramid NetworkSingle-shot目标检测新模型，使用multi-level特征，收录于AAAI2019.这篇论文吸引我的地方，是对目标检测模型不同层次特征的适应性的描述。code:https://github.com/qijiezhao...

转载 cascade-RCNN

转载自：https://www.codercto.com/a/25258.html背景介绍通用目标检测是计算机视觉领域最广为关注的问题之一。尽管近年来自于CNN的目标检测算法较传统方法在准确率上取得的突飞猛进的进展，然而较目标分类问题而言依然还有很长一段路要走。早期的目标检测方法主要是由VJ框架所引领，其核心思想是在图像上枚举大量的滑动窗口，提取滑动窗口里的图像特征，通过级联分类器对滑窗进...

原创 einsum:深度学习中的爱因斯坦求和约定

1.爱因斯坦求和约定PyTorch/TensorFlow中那些计算点积、外积、转置、矩阵-向量乘法、矩阵-矩阵乘法的函数名字和签名很费劲，那么einsum记法就是我们的救星。einsum记法是一个表达以上这些运算，包括复杂张量运算在内的优雅方式，基本上，可以把einsum看成一种领域特定语言。一旦你理解并能利用einsum，除了不用记忆和频繁查找特定库函数这个好处以外，你还能够更迅速地编写更加...

原创 word字号对应

字号‘八号’对应磅值5字号‘七号’对应磅值5.5字号‘小六’对应磅值6.5字号‘六号’对应磅值7.5字号‘小五’对应磅值9字号‘五号’对应磅值10.5字号‘小四’对应磅值12字号‘四号’对应磅值14字号‘小三’对应磅值15字号‘三号’对应磅值16字号‘小二’对应磅值18字号‘二号’对应磅值22字号‘小一’对应磅值24字号‘一号’对应磅值26字号‘小初’对应磅值36字号...

原创 Global Average Pooling

转：https://blog.csdn.net/weixin_33982670/article/details/88156274GAP (Global Average Pooling)可用于模型微调,在做图像分类比赛时效果较好.最早在<<Network In Network>>中提出.在常见的卷积神经网络中,全连接层之前的卷积层负责对图像进行特征提取,在获取特征后,...

原创 Gradient Harmonizing Mechanism

目标检测方法分为两大阵营，一类是以Faster RCNN为代表的两阶段检测的方法，一类是以SSD为代表的单阶段检测方法。两阶段方法在检测精度更出色，单阶段检测方法的Pipline则更简洁，速度更快，但是精度不如两阶段检测方法，一个原因是单阶段的检测方法受限于正负样本和简单困难样本的不均衡问题，导致训练效果不佳。为了解决这种不均衡的问题，有研究者提出了在线困难样本挖掘的方法(OHEM)，但是这个...

转载 希腊字母表及其读音与意义

最近发现当年高中烂熟于心的公司符号很多都忘记了，转载一篇希腊字母，用于阅读。http://www.cnblogs.com/lookof/articles/1291076.html最近由于备研的关系，重温了当时令人头疼的数学。当中看到了不少希腊字母（什么“阿尔法”了“贝塔”了等等），发音不少都忘记了，可想背公式时如鲠在喉的滋味。特在网上搜集一篇这样的专文，收藏之以备不时之需。希腊字...

原创 深度学习 图像预处理

参考：https://blog.csdn.net/weixin_36612847/article/details/80900181vgg 预处理输入图片 height, widthRESIZE_SIDE_MIN = 256RESIZE_SIDE_MAX = 512R_MEAN = 123.68G_MEAN = 116.78B_MEAN = 103.94（该数字由数据集计算而来）...

转载 2019CVPR Feature Selective Anchor-Free Module for Single-Shot Object Detection

转载自：https://blog.csdn.net/u014119694/article/details/88428707参考:https://zhuanlan.zhihu.com/p/58782838https://zhuanlan.zhihu.com/p/58508985提出了一种简单有效的单镜头目标探测器的特征选择无锚(FSAF)模块。它可以插入具有特征金字塔结构的单热探测器。F...

原创 Region Proposal by Guided Anchoring

Region Proposal by Guided Anchoring相关链接论文地址：https://arxiv.org/abs/1901.03278概述众所周知，anchor策略是目标检测领域的基石。很多目标检测算法的高精度检测都依赖于密集的anchor策略，也就是在空间域上以预设的尺度和宽高比做均匀采样。但是，由于anchor策略产生大量冗余的anchor box，生成数目巨...

原创 Focal Loss for Dense Object Detection

转载自：http://www.cnblogs.com/king-lps/p/9497836.html1. 总述Focal loss主要是为了解决one-stage目标检测中正负样本比例严重失衡的问题。该损失函数降低了大量简单负样本在训练中所占的权重，也可理解为一种困难样本挖掘。2. 损失函数形式Focal loss是在交叉熵（Cross Entropy， CE）损失函数基础上...