tcltyan的博客

原创 Rethinking Pre-training and Self-training论文阅读笔记：关于预训练和自训练的炼丹心法

这篇文章提出了著名的NAS-FPN-EfficientNet-L2骨干网络架构。作为PASCAL VOC 2012语义分割数据集上的SOTA模型，它在single-scale inference的设置下达到了test集的90.5% mIOU，可谓性能强劲。虽然提出了SOTA模型，但这篇文章最主要的贡献还是对预训练和自训练在目标检测和语义分割两个下游任务的深入讨论。 总的来说，文章在Kaiming He的Rethinking ImageNet Pre-training基础上做了很多进一步的实验...

原创 2021远程访问有跳板机的Linux服务器的Jupyter Notebook/Lab及使用虚拟环境

一般而言，需要通过跳板机连接的远程服务器和跳板机本身处在同一个内网当中，本文主要介绍如何在外网访问带跳板机的目标服务器的Jupyter，即本地机->跳板机->服务器的二次转发访问下使用服务器的Jupyter在本地浏览器进行交互式编程。使用xshell等远程连接工具，先建立本地机与跳板机之间的连接访问，再建立SSH隧道访问目标服务器的访问，此时一般需要使用本地机的某个端口侦听目标服务器的22端口。 通过第一步的配置，我们先实现了本地机对目标服务器的远程访问，接着进行jupyter的安装与.

原创 Xshell配置：在本地查看带跳板机的服务器上的tensorboard可视化结果

如果想要在本地机查看带跳板机的服务器上面的tensorboard结果，需要通过xshell建立两个隧道连接，一个用于实际的远程调试，另一个用于侦听服务器的6006端口，查看tensorboard的可视化内容。第一步：先在xshell上新建会话，并连接到跳板机，跳板机用于充当本地机与服务器之间的通讯中转站。第二步：通过xshell建立隧道，把本地机的某个端口与远程服务器的某个端口映射绑定在一起，这一个隧道连接用于我们连接服务器，方便远程调试，具体如下图所示：源主机ip地址填入127.0.0.

原创 弱监督语义分割模型MCIS：Mining Cross-Image Sementics for Weakly Supervised Semantic Segmentation论文解读

MCIS是ECCV2020的一篇文章，它比较少见地讨论了利用inter-image information去做弱监督语义分割。文章在工作的motivation处指出，当前图像级标签监督下的语义分割大多数都在挖掘intra-image information上面下功夫，主要的研究思路集中在怎样用图像级标签和分类网络去找更多、更好的上下文信息，但却完全忽略了不同照片之间的的信息关联。如原文图1所示，(a)部分展示了传统分类网络的训练以及产生目标定位图的简单框架，即训练时完全按照标准的分类网络训练方式，推理产

原创 半监督分割模型Semi-supervised Semantic Segmentation via Strong-weak Dual-branch Network论文阅读笔记

这篇文章比较少见地讨论了weakly-and-semi-supervised setting下的混合标签训练问题，即如何高效地把少量精确标签和大量粗糙标签混合起来，训练出性能更高的语义分割网络。文章作者发现，现有的weakly-and-semi-supervised semantic segmentation网络采取同等的方法对待与处理strong label和weak label来训练一个single-branch network，这样做的后果是训练出来的网络性能比仅仅采用strong label时还要差

原创 PASCAL VOC 2012调色板color map生成源代码分析

在PASCAL VOC 2012图像分割数据集的分割标签图片是取值为0~255的灰度图片，为了可视化，需要对每一个标签索引分配相应的rgb分量，从而使得原始的标签分割图片转化为上色后的彩色分割图片。根据VOC数据集的color map生成代码，我们可以知道，主要利用的思想是把每个label index和rgb分量看做一个字节/8位2进制数，然后不断地把最低的三位比特从高到低地放入rbg分量并对label index移位。def bitget(byteval, idx): return (b.

原创 Python相对引用报错ImportError: attempted relative import with no known parent package的处理方法

报错信息 ImportError: attempted relative import with no known parent package报错信息的意思是尝试使用相对路劲导入但找不到已知的父级包。一般来说，当你尝试在一个能够运行的.py文件内使用相对路径导入，就会发生此报错。报错的原因在于，python的相对路径导入实际上需要借助当前文件的父级包路径来实现，即通过判断一个.py文件的__name__和__package__属性来得到关于父级包的信息，当在一个能够运行的.py应用文件中，有：i

原创 远程linux/ubuntu服务器后台不间断运行py文件/sh脚本

在远程服务器上运行一些时间周期很长的程序时，我们通常希望程序能够在服务器的后台保持不间断的运行并打印日志信息到某个日志文件，直至程序运行结束。下面介绍了在linux/ubuntu系统内怎样使.py文件或sh脚本在后台保持不间断的运行，并将我们希望看到的日志信息保存在文本文件中。nohup:使得程序不会被中断信号所干扰，当本地机断开与远程服务器的连接后仍然能保持程序运行。&:加在命令行末尾时起到使程序后台运行的作用2>&1:重定向命令，2表示错误输出，1表示标准输出，使用.

原创 ValueError: Object arrays cannot be loaded when allow_pickle=False解决方法

该错误是由于numpy在加载大量数据时需要判定allow_pickle而导致的，找到对应的np.load(path),将其修改为np.load(path, allow_pickle=True)

原创 version GLIBCXX_3.4.21 not defined in file libstdc++.so.6 with link time reference解决方法

在import scipy时出现报错信息：ImportError: /home/xxxxx/anaconda3/lib/python3.7/site-packages/kiwisolver.cpython-37m-x86_64-linux-gnu.so: symbol _ZTVNSt7__cxx1118basic_stringstreamIcSt11char_traitsIcESaIcEEE, version GLIBCXX_3.4.21 not defined in file libstdc++.so

原创 PseudoSeg: Designing Pseudo Labels for Semantic Segmentation阅读笔记

原文链接:https://arxiv.org/abs/2010.09713 PseudoSeg比较少见地采用了将pixel-level label和image-level label结合在一起的设定，即weakly-and-semi-supervised setting。 PseudoSeg主要的设计目的是改善现有半监督、弱监督方法产生的伪标签质量较差的情况。PseudoSeg的设计融合了半监督学习的一致性损失以及弱监督学习的CAM方法。总的来说，在假定有少量pixel-level labeled .

原创 半监督语义分割网络 Adversarial Learning for Semi-Supervised Semantic Segmentation论文阅读笔记

ALSS是半监督语义分割领域最早的文章之一，文章的动机仍然是ease the heavy human efforts of labeling pixel-level annotations。与弱监督领域通常采用的分类级标签数据和分类级损失函数不同，半监督学习更强调少量有标签数据与大量无标签数据的结合，其核心在于如何通过有标签数据更好地挖掘无标签数据的监督信息，从而达到提升模型性能而降低人力支出的目的。 ALSS提出采用对抗学习的方法，通过借鉴对抗生成网络里面的generator...

原创 视频目标分割数据集DAVIS(Denly-Annotated VIdeo Segmentation)解读

DAVIS(Densely-Annotated VIdeo Segmentation)数据集是视频目标分割(VOS)任务中最重要的数据集之一。从2017年开始，DAVIS官方团队每年都会举办“DAVIS Challenge on Video Object Segmentation”竞赛且发表相关的主题论文，目前为止共有三个版本的公开数据集：DAVIS 2016, DAVIS 2017以及DAVIS 2017 Unsupervised。DAVIS 2016是面向目标级分割的VOS数据集，它的标注都是只区...

原创 弱监督语义分割模型--AE-PSL论文阅读笔记

AE-PSL是文章所提出的两种主要方法，Adversarial Erasing和Prohibitive Segmentation Learning的简称，这两种方法共同组成了作者所提出的基于对抗擦除、在线辅助学习的Image-level弱监督语义分割模型。文章的motivation仍然是解决CAM网络仅对小面积且稀疏的显著区域产生响应的问题。作者注意到，既然CAM网络挖掘物体最显著区域的能力那么强，那么如果采用迭代的思想，将CAM网络每一次挖掘到的图片最显著区域擦除掉，再将擦除后的图片输入CAM网络，那

原创 DeepLabv3+ vis.py 运行报错new_height_const = size_const_as_shape.dims[0].value TypeError: ‘NoneType‘

根据Github Issues上的讨论，主要的原因是tensorflow1.1x版本中tf.image.resize(原代码中使用tf.image.resize_images,但已被弃用，因此改为tf.image.resize)对图片height与width的获取部分有问题，即在所处环境中找到：\lib\python3.7\site-packages\tensorflow_core\python\ops\image_ops_impl.py，其中 new_height_const = size_c

原创 OCRNet论文阅读笔记

OCRNet是今年新提出的Image Semantic Segmentation网络。整篇论文读下来，最大的感受就是文章内容非常充实，可以看出作者团队在很多个benchmark和baseline都做了大量对比实验，而且论文的思路清晰，创新点比较合理，值得认真品读和借鉴。对于语义分割这种精细的像素级图像分类任务而言，每个像素的上下文信息都是极其重要的。现有的大量基于Context的文章，大致可以分为multi-scale context和relational context两种，DeepLab系列均属于前

原创 DeepLab系列语义分割模型论文阅读笔记

DeepLabv2DeepLabv2是DeepLab系列的早期版本。论文作者注意到，普通的卷积神经网络能够胜任高级别的图片分类任务，然而对于图像语义分割这种精细的像素级分类而言，效果却不是很好。作者认为，阻碍传统DCNN网络进行精细分类的因素有两个：第一个是DCNN网络内部不断重复的卷积和池化操作，这使得网络学习到的特征图的分辨率过低，特征内涵不够丰富；第二个是卷积操作本身的平移不变性，这对于需要高度抽象、模糊特征的图片分类任务而言是有益的，对于需要精确位置信息的语义分割任务却是有害的。针对上述...

原创 Python报错-TypeError: only integer scalar arrays can be converted to a scalar index的处理方法

TypeError: only integer scalar arrays can be converted to a scalar index报错信息直接翻译过来是只有整型标量数组才能转换成标量索引，但是问题一般都不在于你的索引是不是整数，这个报错一般会出现在你想使用一个索引列表去索引另一个列表，即诸如list[indexlist]的形式，此时就会出现此报错。比较简单的解决方法是把你想要索引的列表转换为numpy矩阵，再使用索引列表对其进行索引，即：np.array(list)[indexlist

原创 逻辑回归背后的最大似然估计原理

原创 DFT频谱泄漏的数学分析及不产生泄漏的条件

原创声明：以下内容为本人原创，仅代表个人观点。在实际的数字信号分析中，我们处理的数据都是有限长的离散序列，使用的都是FFT算法实现的DFT分析。实际序列长度的有限性，会产生频谱泄露现象，简而言之就是当分析一个单频信号时，常常会发现在信号的真实谱线周边，产生了许多“假谱线”。在此对DFT频谱分析产生的频谱泄露进行分析。设单频信号频率为f0，采样率为Fs，采样序列长度为Ts，此时可知一个信...

原创 带通采样定理的数学证明及相关推导

带通采样定理是信号采样领域应用广泛的定理，描述为：对带限信号采样时，若其下限频率为fL,上限频率为fH时，所需的采样频率fs满足：2fH/(m+1) ≤ fs ≤ 2fL/m，其中m为整数且满足m≤[ fL/(fH-fL) ],[ ]表示向下取整。特别地，当fH为带宽B=fH-fL的整数倍时，所需采样频率最小值min{fs}=2B；若非整数倍时，设fH=mB+kB,其中k为整数，0<...