Github_Yue-CSDN博客

原创网络编程学习1（实现一个简单的socket通信）

socket通信实现及原理1.基本原理2.代码实践1.基本原理socket即为套接字，在TCP/IP协议中，“IP地址+TCP或UDP端口号”唯一的标识网络通讯中的一个进程，“IP地址+TCP或UDP端口号”就为socket。在TCP协议中，建立连接的两个进程（客户端和服务器）各自有一个socket来标识，则这两个socket组成的socket pair就唯一标识一个连接。socket本身就有“插座”的意思，因此用来形容网络连接的一对一关系，为TCP/IP协议设计的应用层编程接口称为socket

2022-04-17 21:04:44 2997

原创深入理解安卓卷1学习之第一章，深入理解JNI

Java世界的虚拟机是用Native语言编写的，而虚拟机又运行在具体的平台上。有了JNI技术，就可以实现屏蔽不同操作系统平台，实现Java的平台无关性。JNIEnv是一个与线程相关的代表JNI环境的结构体，下图展示了其内部结构。JNIEnv提供了JNI的许多系统函数，通过这些函数可以做到调用Java函数以及操作jobject对象等许多事情。其中，第一个参数JavaVM是虚拟机在JNI层的代表，不论进程中有多少线程，JavaVM独此一份，在任何地方都可以使用它。

2022-04-11 19:05:15 356

原创 Distilling Object Detectors with Fine-grained Feature Imitation论文解读

论文链接文章目录1.简介2.方法1.简介对于以往应用于知识蒸馏的目标检测存在两种方法。第一种来自于论文FitNets: Hints for Thin Deep Nets，是一种基于特征模仿的方法，单纯基于特征模仿的方法，论文中表述为Hint learning的方法会导致性能下降，因为检测模型不同于分类模型，检测模型的检测器更关注实际目标所覆盖的局部区域，而分类模型更专注于全局的纹理。因此，使用特征模仿的方法会导致引入检测模型原本不需关注区域的噪声，从而导致检测性能下降。整体框架如图1所示：对于上

2021-11-29 11:36:27 1594

转载神经网络的知识蒸馏（Distilling the Knowledge in Neural Network）

文章目录1. 背景2.理论依据1. 教师学生模型2.知识蒸馏关键点3. softmax函数3. 知识蒸馏的具体方法1.通用的知识蒸馏方法2. 关于温度T的讨论论文链接原博客参考：链接1. 背景在训练过程中，我们需要使用复杂的模型，大量的计算资源，以便从非常大、高度冗余的数据集中提取出信息。在实验中，效果最好的模型往往规模很大，甚至由多个模型集成得到。而大模型不方便部署到服务中去，常见的瓶颈如下:（1）推理速度慢（2）对资源部署的要求高因此，模型压缩（在保证性能的前提下减少模型的参数量）成为了一

2021-10-10 19:49:52 1284 1

原创华为2021年7月笔试题目C++

文章目录第一题：第一题：题目描述：有一个M*N的蜂巢：如下图，沿着左上角第一个正六边形右下边拓展N列，正下边拓展M行，现在被油污污染了一部分，将被污染的部分切除后剩余部分被分割成几片？输入描述：M*N大小的char二维数组（每行都是N列），字符只能是’C’（clean干净的蜂巢）或者’P’（Pollution污染的蜂巢），不存在其他字串输入。取值范围0<M,N<1200输入格式：MN蜂巢第一行…蜂巢第M行输出格式：剩余的蜂巢有几片示例：输入：23P P CC

2021-07-28 09:42:47 1028

转载哈弗曼树详细讲解

注：此博文为转载。哈夫曼树（最优二叉树）百度百科：https://baike.baidu.com/item/%E5%93%88%E5%A4%AB%E6%9B%BC%E6%A0%91/2305769?fr=aladdin 一. 目的：找出存放一串字符所需的最少的二进制编码二. 构造方法：首先统计出每种字符出现的频率！（也可以是概率）//权值 ---------------------------

2021-07-25 15:46:10 379

原创 Improving Semantic Segmentation via Self-Training论文理解

文章目录主要贡献点方法（1）使用无标注的数据进行自训练（2）质心采样对抗类别不平衡（3）对于大型扩展数据集的快速训练方法主要贡献点介绍了一个用于语义分割的自训练框架，其能够正确处理带噪声的像素级别的半监督标签提出了一种训练方法，其能够适应训练过程中图像的分辨率，在不损失模型精确度的情况下加速性能用所提出的方法在cityscapes, camvid和kitti数据集上面都做了实验，实验过程只使用了少量的标注在不同语义种类的跨域泛化任务上面验证了自训练的有效性方法（1）使用无标注的数据进行自训

2021-07-14 16:13:48 477

原创 Transformer学习总结二

这一总结主要是基于上一个对transformer的理解，对复旦大学这篇论文https://arxiv.org/pdf/2012.15840.pdf的个人解读。1.segmentation transformer整体结构：图1：（a）首先将图像分割为固定尺寸的块（patches），对所有块进行线性标记，并加入位置标记，将其结果序列喂入标准的transformer编码器。为了进行逐像素的分割，我们介绍了不同的解码器设计：(b)渐进式上采样（SETR-PUP）©多级特征聚合（SETR-MLA）将

2021-06-23 18:09:58 337

原创 Transformer学习总结一

Transformer的基本原理1.transforemr整体结构比如在机器翻译中需要将法语翻译为英语探究transformer的内部，可以分为encoder和decoder两部分再展开一点，Encoder由很多(6个)结构一样的Encoder堆叠(stack)而成，Decoder也是一样。如下图所示。注意：每一个Encoder的输入是下一层Encoder输出，最底层Encoder的输入是原始的输入(法语句子)；Decoder也是类似，但是最后一层Encoder的输出会输入给每一个Decoder

2021-06-23 11:04:14 320

原创使用pybind11实现python调用c++实现的opencv代码

最近用c++的opencv实现了一个算法，但是要导入到python里面做训练处理，看了网上的教程感觉都不全面，自己摸索了一个晚上终于调通了，现在总结一下。1. 安装pybind11先pip安装一波：pip3 install pybind11首先创建个工程目录test_pybind，在自己的工程目录下面从pybind11上面下载源码：git clone https://github.com/pybind/pybind11然后使用cmake编译工程准备使用cd pybind11mkdir b

2021-04-02 11:49:24 1727 1

原创 python3.7 安装pydensecrf

所创建的虚拟环境是python3.7的环境，使用pip安装pydensecrf的时候发现总是出错。后来解决的方法：// An highlighted blockpip install git+https://github.com/lucasb-eyer/pydensecrf.git

2021-01-21 00:19:16 1160 7

转载 darkflow测试训练生成pb文件

转载自：http://m.blog.csdn.net/u011961856/article/details/765826...

2019-07-16 15:10:47 225

原创在Android Studio中直接上传工程到git

① 创建仓库VCS --> Import into version control --> Create Git Repository选定要上传的工程文件夹之后，Android Studio中所有的工程文件都变红了。like this：② 在Project节点观看工程结构，右击工程根目录，Git --> Add可以看到工程文件都变成绿色的（原来是红色的），画风如下：...

2019-07-15 17:41:09 310 1

qq_35778890的博客