- 博客(426)
- 资源 (9)
- 收藏
- 关注
RSS订阅原创 Could not load the Qt platform plugin “xcb“ in ... even though it was found.
【代码】Could not load the Qt platform plugin “xcb“ in ... even though it was found.
2024-04-19 20:16:24
61
原创 leetcode 19. 删除链表的倒数第 N 个结点（c++）
leetcode 19. 删除链表的倒数第 N 个结点常规解法：双指针与栈，两种解法。
2023-05-06 21:00:43
135
1
原创 机器学习之SVM
墙高基下，虽得必失。 ——范晔SVM即支持向量机是二分类的算法，但应用范围不局限于二分类问题。对于输入数据集{(xn,yn)}n=1N\{({x^{n},y^{n}})\}_{n=1}^N{(xn,yn)}n=1N,yn∈{−1,1}y^n \in \{-1,1\}yn∈{−1,1},需要找到决策平面或者超平面进行两类样本分离，该超平面满足wTx+b=0w^Tx+b=0wTx+b=0，两类样本分别满足yn(wTx+b)>0y^n(w^Tx+b)>0yn
2023-01-31 17:07:26
337
原创 机器学习之线性模型
线性模型非常常见，但详细了解其中原理是必要的。一般将样本特征进行线性组合达到预测的目标，如表达式yfX;Wby=f(X;W)+byfX;Wb,其中XXX为输入的样本数据，WWW为权重系数，bbb为偏置系数。如对于图片样本，一种处理方式为将图片像素矩阵转化为维度向量，如Xx1x2xnWw1w2wmbb1b2bnXx1x2...xnWw1w2...wmbb1b2。
2023-01-31 11:09:02
434
原创 机器学习之参数学习
参数估计的方法包括经验风险最小化、结构风险最小化、最大似然估计、最大后验估计。参数估计用于学习模型参数，以达到最优的目的，如线性回归的模型参数。
2023-01-30 16:13:05
879
原创 目标检测之YOLOv5算法分析
YOLOv5共有5个版本的网络模型及其权重文件，即。（下图来自github上yolov5官方开源项目的性能截图）其中n,s,m,l,x网络模型结构如出一辙，差异在参数上。另外的n6,s6,m6,l6,x6模型是对于更大分辨率图片检测。
2022-12-27 10:53:34
1512
原创 目标检测之YOLOv2算法分析
第三行为负责检测物体的anchor进行该计算：其中的三个表达式分别为真实框与预测框的定位误差，真实框与anchor的IOU值和预测框置信度的误差，真实框的类别与预测框的类别误差。第二行为判断是否是前12800次迭代，是则优化anchor与预测框的位置信息，使每一个anchor确定不同的自身作用，模型稳定。，将高分辨率的特征图与低分辨率的特征图融合在一起，实现多尺度的检测效果，启发于SSD检测。个响应值求均值，标准差，然后标准化，对标准化的结果乘。图中通道数变为4倍，大小为原来的1/4，
2022-12-24 22:35:24
599
原创 目标检测之YOLOv1算法分析
30维张量包括20个对象的概率，2个bounding box的置信度及其位置（一个bounding box位置信息需要四个值，两个bounding box总需要8个值）那么两个框IOU交并比，谁大就由谁负责预测一个对象，并且。2个bounding box的置信度，其中置信度=p(exist_objects) * 该预测的bounding box与该对象的真实边框的IOU值。两个bounding box的置信度分别于20个类别的概率相乘，可得到分在在两个bounding box中的每一类的概率。
2022-12-24 16:32:46
656
原创 目标检测之Faster RCNN分析
滑动窗口，每一个位置得到一个256维向量（不唯一，此处backbone输出的深度为256），然后经过全连接层，得到分类的2k个分数（对应右侧指向的k个anchor，每个anchor两个参数描述前景概率与后景概率），与位置框回归的4k个参数。在上图中，从feature map层来看，有两个指向上层的箭头，其中左侧指向Region Proposal Network的即为RPN结构，右侧指向Roi pooling与fast rcnn保持一致。在原图上的anchor，每个位置有9个不同大小，三种面积{
2022-12-24 13:49:18
809
原创 目标检测之 RCNN-Bounding-box 回归分析
RCNN进行目标检测时，采取候选区域算法，得到2000个候选区域，并依次放入CNN中进行特征提取预测类别与位置。
2022-12-23 20:59:08
635
原创 Windows编程技术之资源释放
为了简化程序文件多且杂，可将部分文件如dll文件、资源文件（文本文件、图片文件等）等作为资源插入到程序中。等程序运行时，再在本地生成资源文件或者释放到本地。如果进行了上述操作，只需要将程序在编译后，只需要一个exe文件即可正常运行，运行.exe文件后，本地会自动生成需要的资源文件。
2022-11-04 08:57:51
248
原创 Windows编程技术之运行单一实例
一个程序在windows上是否存在多个运行实例，可根据访问进程列表、枚举程序窗口、共享全局变量、系统命名互斥对象进行判断。此处详述最后一种方法。
2022-11-03 19:47:46
558
原创 Linux环境下使用docker创建容器问题
在linux服务器上，使用docker建立容器时，若服务器上已经具备gpu环境，使用创建容器指令时，查看gpu情况，就会成功输出配置及运行情况，如图。docker容器创建成功之后，使用。常用的一种创建容器的指令格式。可自行替换成需要的镜像。
2022-10-02 15:47:49
611
原创 python 图片压缩
常常上传照片需要指定大小范围，并且找不到好的压缩软件，那么简单用opencv处理即可，当然如果要获取高质量的压缩，可以在此基础进行扩展。opencv-python处理图片，常用代码记录。
2022-09-01 20:15:10
1017
原创 关于卡尔曼滤波的协方差和级联匹配如何影响deepsort的跟踪效果的考虑
我们知道deepsort的实现中用到了卡尔曼滤波的思想，用于预测运动的轨迹，即实时跟踪物体。从卡尔曼滤波的五个公式来看，其中涉及到三个协方差矩阵，分别是P,Q,R.那么这三个协方差的值是如何影响跟踪效果呢？根据实现的原理，协方差P、Q、R是二维矩阵。 那么协方差P用来表示预测的状态向量与真实期望值mean之间偏差。那么协方差P越大，表明预测的结果与真实值有较大的偏差，即估计值的可信度较低；协方差越小，表明预测的结果与真实值较为靠近，即估计值的可信度较高。在deepsort的实现中，如下图，协方
2022-07-18 00:00:00
1425
4
原创 Deepsort工作原理分析
Deepsort工作原理分析源码解析deepsort源码解读一deepsort源码解读二deepsort源码解读三deepsort源码解读四deepsort源码解读五deepsort源码解读六deepsort源码解读七（1）卡尔曼滤波功能是根据系统以前的数据预测系统下一步的操作。如卡尔曼滤波在deepsort中主要功能是基于前一帧图片中的检测框（可能存在很多，假设其中一个检测框为A），预测检测框A在当前这一帧中的位置。（2）在系统开始运行时，不存在前一帧，那么为了实现卡尔曼滤波的功能，程序会把
2022-07-01 22:50:07
2716
3
原创 Opencv之谱残差显著性检测
学习资料参考：张平.《OpenCV算法精解：基于Python与C++》.[Z].北京.电子工业出版社.2017.前言在使用谱残差进行显著性检测之前，我们需要理解两个概念，分别是幅度谱和相位谱。幅度谱和相位谱是将图片进行傅里叶正向变换之后得到的结果。幅度谱表示的是每个正弦波的最大幅度值，相位谱表示的是每个正弦波的相位（当然需要选定一个基点）。原理图像的傅里叶变换是由幅度谱和相位谱表示的，即通过幅度谱和相位谱可以还原图像。而显著性检测就是通过调整幅度谱和相位谱显示显著目标。操作步骤计
2022-05-15 20:47:35
1474
1
原创 Opencv之基于梯度的霍夫圆的检测
学习资料参考：张平.《OpenCV算法精解：基于Python与C++》.[Z].北京.电子工业出版社.2017.前言标准霍夫圆的检测比较简单，与霍夫直线检测类似，此处不再提及。原理如下图所示：其中蓝色部分就是该点的梯度，也就是点在圆上的切线。做切线的垂直方向直线，得到如下所示：其中紫色的点，即为法线的交点。现在，我们只知道部分点和该点的梯度方向，如下图所示：现在的任务就是找到哪些点是位于同一个圆上。按照上述的方法，我们做出每个点的梯度方向的法线，可得到如下所示：根据上图可
2022-05-12 16:47:44
789
原创 Opencv之霍夫直线检测
学习资料参考：张平.《OpenCV算法精解：基于Python与C++》.[Z].北京.电子工业出版社.2017.原理直线在计算机图形中一般表示与我们在数学教材中有所不同，此处的y轴方向是向下的。那么象限的位置是顺时针计数的。上图中标注了四个参数，分别是直线与x轴正向的夹角φ\varphiφ，直线到原点的距离ϱ\varrhoϱ,ϱ\varrhoϱ所在直线与x轴的夹角ϑ\varthetaϑ,直线的截距bbb.类似的第二象限的直线为下图所示，三四象限类似，此处不列举。直线的数学表达
2022-05-12 14:34:32
2585
3
北邮计算机体系结构实验报告2021版本
2022-06-01
数据通路报告.docx
2020-07-16
缓冲区溢出攻击详细讲解.docx
2020-04-12
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人