05 2018 档案
摘要：１、转变视频分辨率： ffmpeg -i input.MP4 -strict -2 -s 1280x720 out.mp4 ffmpeg -i input.MP4 -s 1280x720 out.mp4 2、剪切视频： ffmpeg -ss 18 -t 62 -accurate_seek -i tw
阅读全文
摘要：１、Opencv中cvScalar是CV_RGB的宏，cvScalar的储存顺序是B-G-R，而CV_RGB的储存顺序是R-G-B
阅读全文
摘要：１、c++版本，第一个参数为待分割的字符串 ， 第二个参数为分割字符串 std::vector<std::string> split(const std::string& s, const std::string& delim) { std::vector<std::string> elems; s
阅读全文
摘要：深度学习包括训练和测试阶段： 训练：把原料（训练数据），按照丹方（比如yolo网络结构），倒进丹炉（tf 或者caffe框架），使用三味真火（CPU或者GPU），提炼出丹药（模型参数）的过程。 测试：就是把测试数据用模型参数按照上面炼丹的过程走一遍。
阅读全文
摘要：YOLO 在卷积层之后使用了 DarkNet 来做特征检测。 然而，它并没有使用多尺度特征图来做独立的检测。相反，它将特征图部分平滑化，并将其和另一个较低分辨率的特征图拼接。例如，YOLO 将一个 28 × 28 × 512 的层重塑为 14 × 14 × 2048，然后将它和 14 × 14 ×1
阅读全文
摘要：SSD 是使用 VGG19 网络作为特征提取器（和 Faster R-CNN 中使用的 CNN 一样）的单次检测器。我们在该网络之后添加自定义卷积层（蓝色），并使用卷积核（绿色）执行预测。 同时对类别和位置执行单次预测。 然而，卷积层降低了空间维度和分辨率。因此上述模型仅可以检测较大的目标。为了解决
阅读全文
摘要：在 Faster R-CNN 中，检测器使用了多个全连接层进行预测。如果有 2000 个 ROI，那么成本非常高。 R-FCN 通过减少每个 ROI 所需的工作量实现加速。上面基于区域的特征图与 ROI 是独立的，可以在每个 ROI 之外单独计算。剩下的工作就比较简单了，因此 R-FCN 的速度比
阅读全文
摘要：使用候选区域方法（region proposal method）创建目标检测的感兴趣区域（ROI）。在选择性搜索（selective search，SS）中，首先将每个像素作为一组。然后，计算每一组的纹理，并将两个最接近的组结合起来。但是为了避免单个区域吞噬其他区域，首先对较小的组进行分组。继续合并
阅读全文
摘要：１Ｘ１卷积层的作用： 1.实现跨通道的交互和信息整合.2.进行卷积核通道数的降维和升维.3.就是可以在保持feature map 尺寸不变（即不损失分辨率）的前提下大幅增加非线性特性，把网络做得很deep. 参考网址： https://www.zhihu.com/question/56024942
阅读全文
摘要：１、应用场景及常用网络结构 目标检测：Ｒ－ＣＮＮ系列、ＹＯＬＯ系列、ＳＳＤ系列、ＲＦＣＮ 场景图像分割：ＦＣＮ、Ｕ－ＮＥＴ、Segnet 实例分割：ＭＡＳＫ－ＲＣＮＮ ２、平台 Ｔensorflow \Caffe\Pytorch 3、分析工具 ｐｙｔｈｏｎ及相应的依赖库 ｎｕｍｐｙ ｐａｎｄａｓ ｍ
阅读全文
摘要：持续更新... 机器学习 深度学习 计算机视觉 资料汇总： https://blog.csdn.net/u014114990/article/details/51006426 yolo相关： python 计算mAP及意义https://blog.csdn.net/qq_26898461/artic
阅读全文
摘要：激活层： 激活函数其中一个重要的作用是加入非线性因素的，将特征映射到高维的非线性区间进行解释，解决线性模型所不能解决的问题 ｐｏｏｌｉｎｇ层： 1. invariance(不变性)，这种不变性包括translation(平移)，rotation(旋转)，scale(尺度)2. 保留主要的特征同时减少
阅读全文
摘要：Tesla V100# ARCH= -gencode arch=compute_70,code=[sm_70,compute_70]GTX 1080, GTX 1070, GTX 1060, GTX 1050, GTX 1030, Titan Xp, Tesla P40, Tesla P4# ARC
阅读全文
摘要：1、拿到板子，上电 （1）输入 ls （2）进入NVIDIA-INSTALLER/ （3）再sudo ./installer.sh 账户和密码都是：nvidia （4）sudo reboot 参考博客：https://www.jianshu.com/p/bd84600c886a 2、开始刷机： 参考
阅读全文
摘要：1、安装步骤：（1）Anaconda下载Anaconda 安装包可以到 https://mirrors.tuna.tsinghua.edu.cn/anaconda/archive/ 下载。ps:也可以去官网下载 https://www.anaconda.com/download/（很慢）（2）Ana
阅读全文
摘要：1、kitti数据集（参考博客：https://blog.csdn.net/jesse_mx/article/details/65634482 https://blog.csdn.net/baolinq/article/details/78939192）（1）下载数据集和标签，下载第1个图片集 Do
阅读全文
摘要：速度优化的方向：1、减少输入图片的尺寸， 但是相应的准确率可能会有所下降2、优化darknet工程源代码（去掉一些不必要的运算量或者优化运算过程）3、剪枝和量化yolov3网络（压缩模型 > 减枝可以参考tiny-yolo的过程 ， 量化可能想到的就是定点化可能也需要牺牲精度）4、darknet >
阅读全文
摘要：1、【yolov1】 第一步：将图像划分为S*S的栅格（grid cell），这里分成了7*7的grid cell。栅格的任务是：检测中心落在该栅格中的物体（注意，栅格中心未必与物体的中心重合，这个一定要明确，对后面的理解才不会产生影响）。 第二步：一个grid cell 可以预测B个boundin
阅读全文
摘要：1、ls ls -l |grep "^-" | wc -l 显示当前文件夹文件数量 ls -a 显示隐藏文件 ls -l *.log 查看指定后缀名文件的详细信息 2、查看分区大小及使用情况df -h 3、ubuntu 16.04中 访问服务常用的方式是ssh ， 检查服务器是否可通过ssh访问及解
阅读全文
摘要：darknet是一个较为轻型的完全基于C与CUDA的开源深度学习框架，其主要特点就是容易安装，没有任何依赖项（OpenCV都可以不用），移植性非常好，支持CPU与GPU两种计算方式。1、test源码(泛化过程) (1)test image a(预测):load_network（network.c）
阅读全文
摘要：1、提高深度学习模型识别率的准确率的思考（1）数据增强技术（图像翻转、白化），对训练数据做一些处理增加数据的抗造性能（2）模型改进，尝试多种模型（3）调整学习率首先使用较大的学习率进行训练，观察目标函数值和验证集准确率的收敛曲线，如果目标函数值下降速度和验证集准确率上升速度出现减缓时，减小学习率。循
阅读全文
摘要：Batch Normalization的加速作用体现在两个方面：一是归一化了每层和每维度的scale，所以可以整体使用一个较高的学习率，而不必像以前那样迁就小scale的维度；二是归一化后使得更多的权重分界面落在了数据中，降低了overfit的可能性，因此一些防止overfit但会降低速度的方法，例
阅读全文
摘要：训练网络时，通常先对网络的初始权值按照某种分布进行初始化，如：高斯分布。初始化权值操作对最终网络的性能影响比较大，合适的网络初始权值能够使得损失函数在训练过程中的收敛速度更快，从而获得更好的优化结果。但是按照某类分布随机初始化网络权值时，存在一些不确定因素，并不能保证每一次初始化操作都能使得网络的初
阅读全文
