2019年4月15日
RCNN的流程
摘要： 步骤一： 找到一个CNN分类模型 步骤二： 对于这个模型修改最后的分类层，为21类，去掉最后一个全连接层 步骤三： 根据选择性搜索提取图像的候选区域（框） 对于候选框修改大小以适应CNN输入，然后得出feature map即为提取到的特征 步骤四： 训练SVM分类器，对特定敏感区域进行分类，每个类别 阅读全文
posted @ 2019-04-15 17:02 you-wh 阅读(753) 评论(0) 推荐(0) 编辑
pytorch快速加载预训练模型参数的方式
摘要： pytorch快速加载预训练模型参数的方式 针对的预训练模型是通用的模型，也可以是自定义模型，大多是vgg16 , resnet50 , resnet101 , 等，从官网加载太慢 直接修改源码，改为本地地址 1.直接使用默认程序里的下载方式，往往比较慢； 2.通过修改源代码，使得模型加载已经下载好 阅读全文
posted @ 2019-04-15 17:02 you-wh 阅读(5312) 评论(0) 推荐(1) 编辑
从语义分割模型得到彩色的分割图过程
摘要： 将训练好的语义分割模型保存下来,重新加载之后 通过这一个操作得到标签; 绘图的主函数在下面: 阅读全文
posted @ 2019-04-15 15:58 you-wh 阅读(2511) 评论(0) 推荐(0) 编辑
2019年4月14日
PSPnet模型结构及实现代码
摘要： 该模块融合了4种不同金字塔尺度的特征，第一行红色是最粗糙的特征–全局池化生成单个bin输出，后面三行是不同尺度的池化特征。 为了保证全局特征的权重，如果金字塔共有N个级别，则在每个级别后使用1×1 1×11×1的卷积将对于级别通道降为原本的1/N。再通过双线性插值获得未池化前的大小，最终concat 阅读全文
posted @ 2019-04-14 11:01 you-wh 阅读(6697) 评论(4) 推荐(4) 编辑
2019年4月4日
SPP空间金字塔池化技术的直观理解
摘要： 空间金字塔池化技术， 厉害之处，在于使得我们构建的网络，可以输入任意大小的图片，不需要经过裁剪缩放等操作。 是后续许多金字塔技术（psp,aspp等）的起源，主要的目的都是为了获取场景语境信息，获取上下文的联系。 如图所示，对于选择的不同大小的区域对应到卷积之后的特征图上，得到的也是大小不一致的特征 阅读全文
posted @ 2019-04-04 16:26 you-wh 阅读(4860) 评论(0) 推荐(2) 编辑
2019年3月28日
运行pytorch代码遇到的error解决办法
摘要： 1.no CUDA-capable device is detected 首先考虑的是cuda的驱动问题，查看gpu显示是否正常，然后更新最新的cuda驱动； 第二个考虑的是cuda设备的默认参数是否修改，平常一块显卡的设置是0，多块可能会修改此参数： CUDA_VISIBLE_DEVICES="3 阅读全文
posted @ 2019-03-28 16:40 you-wh 阅读(2570) 评论(0) 推荐(0) 编辑
2019年3月27日
Deeplab v3+中的骨干模型resnet（加入atrous)的源码解析，以及普通resnet整个结构的构建过程
摘要： 加入带洞卷积的resnet结构的构建，以及普通resnet如何通过模块的组合来堆砌深层卷积网络。 第一段代码为deeplab v3+(pytorch版本）中的基本模型改进版resnet的构建过程， 第二段代码为model的全部结构图示，以文字的方式表示，forward过程并未显示其中 打印出的mod 阅读全文
posted @ 2019-03-27 16:57 you-wh 阅读(2657) 评论(0) 推荐(0) 编辑
pytorch预训练模型的下载地址以及解决下载速度慢的方法
摘要： pytorch快速加载预训练模型参数的方式 https://github.com/pytorch/vision/tree/master/torchvision/models 常用预训练模型在这里面 总结下各种模型的下载地址： 1 Resnet: 2 3 model_urls = { 4 'resne 阅读全文
posted @ 2019-03-27 10:09 you-wh 阅读(46315) 评论(17) 推荐(3) 编辑
2019年3月21日
torch随机数 manual_seed
摘要： 按上面来得到的随机数不同，加上注释就会得到相同的随机数。 阅读全文
posted @ 2019-03-21 11:35 you-wh 阅读(3740) 评论(1) 推荐(0) 编辑
BN多卡同步进行
摘要： 为什么不进行多卡同步? BatchNorm的实现都是只考虑了single gpu。也就是说BN使用的均值和标准差是单个gpu算的，相当于缩小了mini－batch size。至于为什么这样实现，1）因为没有sync的需求，因为对于大多数vision问题，单gpu上的mini-batch已经够大了，完 阅读全文
posted @ 2019-03-21 11:28 you-wh 阅读(1121) 评论(0) 推荐(0) 编辑
Fork me on GitHub