Christo的博客

原创 visionTransformer window平台下报错

【代码】visionTransformer window平台下报错。

原创 CVPR2024 : DeDoDe: Detect, Don’t Describe — Describe, Don’t Detect for Local Feature Matching论文阅读

总的来说，DeDoDe算法在提高关键点检测的一致性和特征匹配性能方面做出了显著的贡献，但也存在一些局限性，特别是在泛化能力和超参数调整方面。：DeDoDe通过直接从大规模结构从运动（SfM）重建中学习，提高了关键点的3D一致性，这对于3D重建和特征匹配非常重要。：由于DeDoDe在特定数据集（如MegaDepth）上训练，它在非直立图像或大旋转角度上的表现可能不是最优的。：虽然DeDoDe在性能上取得了提升，但它的实现和训练过程相对复杂，需要仔细设计训练目标和损失函数。

原创 Clustering and Projected Clustering with Adaptive Neighbors 论文阅读

同时学习相似性和聚类结构：CAN和PCAN算法不仅学习数据的相似性矩阵，还同时确定聚类结构，这有助于获得更准确的聚类结果。自适应邻居分配：算法通过基于局部距离的自适应邻居分配机制，为每个数据点学习最优的邻居，这有助于更好地捕捉数据的局部结构。

原创 Dimension Reduction for Non-Gaussian Data by Adaptive Discriminative Analysis 论文阅读

总体来说，ADA作为一种新的降维方法，在处理高维非高斯数据方面展现出了显著的优势，尤其是在保留局部结构和提高判别能力方面。然而，为了更广泛地应用ADA，未来的工作可能需要解决参数选择的问题，并在更多实际应用场景中验证其有效性。：ADA通过自适应方法选择邻居并同时测量样本的重要性，能够找到更加稳健和判别性的子空间，从而提高了对噪声数据的鲁棒性。：ADA提供了一个统一的框架，可以视为许多传统方法的特例，这为理解这些方法之间的关系提供了新的视角。

原创 TripoSR: Fast 3D Object Reconstruction from a Single Image 论文阅读

模型的主要参数，如变换器的层数、三平面的维度、NeRF模型的具体细节和主要训练配置，在表1中详细说明。TripoSR的算法流程结合了先进的数据处理、模型设计和训练技术，使其能够在不到0.5秒的时间内从单张图像中快速生成详细的3D网格。总体而言，TripoSR是一个强大的3D重建工具，它在速度和质量上都表现出色，但也需要考虑到其对计算资源的需求和在处理极端复杂场景时可能遇到的挑战。：通过精心策划的训练数据集和多样化的数据渲染技术，TripoSR提高了模型的泛化能力和对真实世界图像的适应性。

原创 FMix: Enhancing Mixed Sample Data Augmentation 论文阅读

使用生成的二进制掩码对数据集中的图像进行混合。具体来说，对于两个独立的随机变量X1和X2（代表数据集中的两个样本），使用掩码m进行元素级别的乘法操作，然后根据混合系数λ进行加权求和，得到增强后的样本。将上述灰度图像通过一个阈值操作转换为二进制掩码。这个阈值是根据给定的混合系数λ来设置的，以确保掩码的平均值为λ。这意味着在二进制掩码中，像素值根据其在灰度图像中的强度被设置为0或1。这可以通过对复数 随机变量进行低通滤波来实现，其中滤波器的衰减功率由参数δ控制。这一步骤生成了一个灰度图像。

原创 Simple Copy-Paste is a Strong Data Augmentation Method for Instance Segmentation 论文阅读

在这种方法中，首先在标注数据上训练一个模型，然后在未标注的数据上生成伪标签，将真实标注的实例粘贴到伪标注和标注数据中，并在这个新数据集上训练模型。数据高效：该方法能够提高模型的数据效率，使得在较少的训练数据上也能达到良好的性能，这对于数据稀缺的情况尤其有价值。根据需要调整粘贴后的目标图像中的标注信息，例如移除完全遮挡的对象，并更新部分遮挡对象的掩码和边界框。简单有效：复制粘贴增强方法简单直观，通过随机粘贴图像中的对象到其他图像上，有效提高了模型的性能。

原创 Learning Feature Sparse Principal Subspace 论文阅读

这是因为在低秩情况下，可以直接通过选择A中最大的k个特征值对应的特征向量来构建W，从而得到一个最优的稀疏主子空间。在每次迭代中，算法首先使用当前估计的W来构建代理矩阵Pt。这个代理矩阵Pt是通过AWt(WtAWt)†WtA（其中Wt是当前迭代的W）来计算的，它是一个低秩矩阵，其秩不超过m。这些特征向量构成了一个矩阵V，然后通过V与一个选择矩阵S相乘得到最终的W，其中S是根据特征值的大小选择特定行的矩阵。然后，算法使用Algorithm 1来解决代理矩阵Pt的FSPCA问题，得到新的Wt+1。

原创 meanshift论文学习

上式表明了均值漂移与核函数之间的关系。测试图像为800*800。

原创 python 报错问题汇总

重启pycharm。

原创 Guided Filter算法详解

参考1。

原创 Grid数据增强算法

【代码】Grid数据增强算法。

原创 setattr(self, k, getattr(det, k))函数详解

【代码】setattr(self, k, getattr(det, k))函数详解。

原创 retinaNet FocalLoss源码详解

【代码】retinaNet FocalLoss源码详解。

原创 深度学习计算iou代码深度剖析

【代码】深度学习计算iou代码深度剖析。

原创 深度学习中的梯度下降法

原创 拉普拉斯变换，傅里叶变换以及Z变化之间的关系

1 拉普拉斯变换与傅里叶变换的关系2 Z变换

原创 FPN网络的实现原理详解

FPN网络是一种常见的特征融合模块，在很多模型中都有运用，今天我们就结合代码和论文详细的搞清楚它到底是怎么一回事。

原创 Linux 复制或者移动超过20k文件的命令

Linux 复制超过20k文件的命令

原创 根据xml可视化目标框

根据xml可视化目标框

原创 将一个总的训练json文件转为单个xml文件

将一个总的训练json文件转为单个xml文件

原创 paddledetection yolo格式数据转换

paddledetection yolo格式数据转换

原创 基于PaddleDetection fairmot目标跟踪 C++ 部署

基于PaddleDetection fairmot C++ 部署

原创 使用paddleDetection框架进行模型训练以及部署

使用paddleDetection框架进行模型训练以及部署

原创 windows 平台下部署openpose

windows 平台下部署封装openpose

原创 PaddleDetection C++部署封装过程

PaddleDetection C++部署封装过程

原创 paddle 目标检测C++部署流程

paddle 目标检测C++部署流程

原创 windows平台下vector search算法caiss部署

windows平台下vector search算法caiss部署

原创 C++ 部署Paddle通用型的目标检测算法

C++ 部署Paddle通用型的目标检测算法

原创 yolov5-obb 旋转目标检测从训练到部署

yolov5-obb 旋转目标检测从训练到部署

原创 python 批量将视频转为图片

python 批量将视频转为图片

原创 D2-Net: A Trainable CNN for Joint Description and Detection of Local Features精读

D2-Net: A Trainable CNN for Joint Description and Detection of Local Features精读

原创 Patch2Pix: Epipolar-Guided Pixel-Level Correspondences

Patch2Pix: Epipolar-Guided Pixel-Level Correspondences

转载 在win10和C++环境下使用tensorrt在一个或多个GPU同时加载多个模型

在win10和C++环境下使用tensorrt在一个或多个GPU同时加载多个模型

原创 ubuntu下将类封装成.so文件并调用详细过程

ubuntu下将类封装成.so文件并调用详细过程

原创 深度解析yolov5-v6源码

深度解析yolov5-v6源码

原创 深度学习中的损失函数

深度学习中的损失函数

原创 pytorch torch.stack()函数的理解

pytorch torch.stack()函数的理解

原创 3步搞定yolov5源码 改进之SKAttention注意力机制

yolov5 改进之SKAttention

原创 将openpose中的结果keypoint string转为float 数组

将openpose中的结果keypoint string转为float 数组