U_C

摘要： １、 cv::Mat get_merage_image(cv::Mat cur_frame) { cv::Mat image_one=cur_frame; cv::Mat image_two=cur_frame; //创建连接后存入的图像，两幅图像按左右排列，所以列数+1 cv::Mat img_m 阅读全文

摘要： １、更新出现Could not get lock /var/lib/apt/lists/lock问题解决方法： 首先输入命令：sudo rm /var/lib/apt/lists/* -vf 执行完成后，再输入命令：sudo apt-get update就可以更新了 ２、sublime-text-3 阅读全文

摘要： 重新安装opencv3.4.0 参考安装博客： opencv 安装版本测试：pkg-config --modversion opencv https://blog.csdn.net/cocoaqin/article/details/78163171 卸载opencv的方式：进入opencv源码bui 阅读全文

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