摘要：
透视变换的原理可以参看这篇博客，讲得相当好了 https://blog.csdn.net/guduruyu/article/details/72518340 唯一有一点问题是，博客中提到的透视变换公式： 与cv2中的不完全对应，cv2中的公式实际上是 其实原理上是一样的，但是这关系到输入数据的格式 阅读全文
2021年1月7日
2020年12月3日
摘要：
1.现在的python通常使用argparse来传参，可以在运行python文件时对超参数的值进行改变，可以不用改变代码，也可以多组参数同时测试。 但是如果要对大量超参数进行尝试（炼丹）时，手动输入似乎力有不逮。因此shell脚本就有用武之地。 可以用一个循环将所有超参数依次输入。 for((i=1 阅读全文
2020年11月9日
摘要：
1.win路径在python中“\”会被识别成转义符，不太聪明的亚子 在字符串引号外面加上“r”即可。 如： root = r'H:\train\rgbr\real\RGB_001.jpg' 就可以识别路径了。 阅读全文
2020年10月24日
摘要：
是 https://blog.csdn.net/AAAAshin/article/details/106793101#comments_13207070 中的第3种方法 也就是https://github.com/xwjabc/hed中使用的 （评价指标可以参考：https://blog.csdn. 阅读全文
2020年9月20日
摘要：
1.xshell连接centos，一段时间自动断开链接 报错：Socket error Event: 32 Error: 10053.Connection closing...Socket close. Connection closed by foreign host. xshell过一段时间没有 阅读全文
2020年9月19日
摘要：
1.测试时不需要梯度： with torch.no_grad(): out = net(input) 2.可视化网络生成的图片（整个batch） from torchvision.utils import save_image out = net(input) save_image(out,'./a 阅读全文
2020年9月13日
摘要：
Deeplab v1: 1.条件随机场（CRF）的作用：CNN经过多层卷积，获取足够多的语义信息，有平移不变性，重复池化和下采样导致分辨率大幅下降，位置信息丢失难以恢复，导致最后定位不准，CRF可以解决这个问题(RCF在测试时用，不参与训练时的反向传播) 2.deepLab v1创新点：引入空洞卷积 阅读全文
2020年9月2日
摘要：
首先指定GPU： 两种方法：1.在命令行指定：CUDA_VISIBLE_DEVICES=3,0,1,2 python main.py 也就是在普通的python main.py 命令前加 CUDA_VISIBLE_DEVICES=gpu编号 注意：等号两边不能有多余的空格 2.在main.py最前面 阅读全文
2020年8月5日
摘要：
这四个指标是对你预测结果而言。无论是对错与正负，都是指你的预测结果 真值不用你来评价，肯定都是对的 所以TP是指，预测结果是对的，预测值为正样本。 阅读全文
2020年7月20日
摘要：
pytorch可视化工具也不少，但是使用门槛比较高：配置麻烦，使用麻烦，还需要FQ，实力劝退一波。今天发现一个可视化神器 netron，与大家分享一下 这款可视化工具支持多种方式安装（exe是小白最爱），不需要在网络代码中做任何更改。 使用方法： 1.安装netron：https://github. 阅读全文
