欧西特-CSDN博客

原创 HWDB-1.1 手写汉字CNN识别模型训练

数据集使用CASIA-HWDB1.1进行训练和测试，训练集和测试集按照4:1划分，测试集235200张，训练集940800张，共计1,176,000张图像。该数据集由300个人手写而成，其中包含171个阿拉伯数字和特殊符号，3755类GB2312-80 level-1汉字。http://www.nlpr.ia.ac.cn/databases/handwriting/Download.html样例图...

2018-06-07 12:16:42 16523 13

原创利用Tensorflow-slim Finetuning分类网流程及C++预测

利用Tensorflow-slim Finetuning分类网流程及C++预测安装tensorflow及TF-slim库 https://github.com/tensorflow/tensorflow https://github.com/tensorflow/models/tree/master/research/slim将自己的训练数据转换成TF-records 切换到TF-sli

2017-10-25 15:24:59 1419

原创 Caffe分类网训练流程

caffe分类网训练流程1. 数据准备1.1 将不同类别图像分别置于相应文件夹下1.2 将数据集划分为训练集和测试集，脚本如下：import os.pathimport osimport shutilrootpath = "/home/wz/Desktop/safety_belt/merged/"saveDir = "/home/wz/Desktop/safety_belt/caffedata

2017-10-15 14:49:56 500

原创 PyQt5编写简单界面

PyQt5编写简单界面环境配置Requirements:PythonPyQt5(Python和PyQt5可以通过anaconda傻瓜式安装)QtCreatorQtCreator界面设计step1: 新建Qt界面设计器项目step2: 设计界面step3: 将ui文件转换成肮脏的py文件pyuic5 mainwindow.ui > mainwindow_ui.py转换后的文件其实就是用pyth

2017-10-11 16:16:39 5139

原创 linux C++获取目录下文件列表

好像经常用到，那就记下来吧#include <stdio.h>#include <stdlib.h>#include <string.h>#include <dirent.h>#include <unistd.h>std::vector<std::string> readFileList(char *basePath){ std::vector<std::string> resu

2017-10-11 12:54:07 3874

原创 Face recognition-Loss Functions

Face rescognition-Loss Functionssoftmax(Deepface-oxford，DeepID系列)每个人为一类，总共n+1类。收敛后的网络可以用于提取待测试集合的人脸特征，再在该特征基础上训练分类器（SVM、联合贝叶斯、knn等）, 缺陷是区分力度不够，受限于close-set，对于open-set的泛化性不够。一般的解决办法如deepid是网络只用作提取特征，后续再

2017-10-09 11:13:09 909

原创 ROS导航之base_local_planner

局部规划模块的设计思路为，根据机器人当前位置（由costmapros提供）和速度（通过订阅odom消息提供），在速度和加速度以及模拟前进时间的限制下进行速度采样，并假设在此速度下行进模拟时长（sim_time）的时间。然后根据时间间隔计算每一步的位置，根据经历位置的损失值之和计算轨迹的损失值。关于损失值的计算，局部规划模块使用了三张图来保存损失值信息，对应三种类型的损失值，分别是pathg

2017-07-08 20:24:16 1900

原创 ROS导航包之costmap_2d

Costmap2DROS类主要作用是完成对Costmap2D类的ROS接口包装，提供包括机器人在地图中的位置查询，机器人脚印（footprint）在地图中的位置查询；地图的更新和停止接口；提供Costmap2D的访问接口，通过它可以方便地访问地图数据信息。关键函数接口：Costmap2DROS(std::string name, tf::TransformListener& tf);boo

2017-07-08 16:58:32 3313

原创 ROS导航包navigation stack中关键包的作用

nav_core该包定义了整个导航系统关键包的接口函数，包括base_global_planner, base_local_planner以及recovery_behavior的接口。里面的函数全是虚函数，所以该包只是起到规范接口的作用，真正功能的实现在相应的包当中。global_planner和navfn这两个包干的事情是一样的，都是为实现目标点与当前点之间的全局路径规划，内部都有Dijkstr

2017-07-08 15:12:24 1908

原创 Cartographer源码阅读

（一）定义的各种坐标系间的关系 1. map_frame = “map”,cartographer中使用的全局坐标系，最好保持默认，否则ROS的Rviz不认识其它的定义，导致无法可视化建图过程。 2. tracking_frame = “base_link”, 机器人中心坐标系，很重要，其它传感器数据都是以这个为基础进行插入的。cartographer_ros里面有个tf_bridge的

2017-06-05 20:49:28 7414 4

原创 MPU6050+Arduino mega2560(dmp-kalman)并发送数据到ROS

1 Arduino IDE安装可以从软件园直接安装，但是版本好像不太新，有些函数可能找不到，可去官网或者论坛中找较新的版本安装；2 硬件装配注意对应引脚的接线方式，引脚旁边有对应的标识，接上对应的口就ok, 网上大部分的接线图都是UNO版本的，所以稍有差别，应当留心。接号线后，可以测试一下是否成功：可先看看这里 3 用mpu6050自带的处理器dmp融合数据代码地址：

2017-05-13 13:07:18 3391

原创 ROS导航-向cost-map中添加超声波障碍图层

两种思路： 1.将超声波反馈信息作为一个新的layer添加到cost-map当中; 2.将超声波数据（ros_msgs/Range）转换为move_base包需要的输入格式（LaserScan或者PointCloud; 这里重点讲解方式一，因为方式二尚未尝试。步骤（以ros_by_example书中第八章例程为基础）： 1 编译range_sensor_layer插件并添加到ROS环境

2017-05-13 11:36:15 10586 24

原创 Qt多线程简单总结

1. QThread两种方式，其一是任何继承QObject的类都有moveToThread的方法，利用该方法可以将当前类（继承QObject）中耗时的操作，移动到新线程执行，避免阻塞主线程。其二是通过继承QThread类，重载其run()函数，当前类中耗时的操作在该函数体中实现，但是要注意的一个问题是，继承自QThread的类的构造函数，也即该类的实体在原线程中，而run函数体则在新线程中执行，所以

2017-02-14 23:46:02 1569 1

原创 Caffe绘制网络结构图

1) sudo apt-get install graphviz 2) sudo pip install pydot 3) cd /your caffe-master path/python 4) python draw_net.py model_define.prototxt image_name.png

2016-12-19 20:18:37 773

原创 Faster-Rcnn中RPN（Region Proposal Network）的理解

卷积后的pool层特征既可以用于类别判别，也可以用于回归BoundingBox，可以这样想，object的外围存在着一个看不见的BoundingBox, 只要人为提供了真值，那么网络就可以学会去调整参数来回归它。这跟利用已有的网络架构提取特征作为自己特定任务领域的初始化参数是一个道理，都是transferlearning的体现。在实际使用中，pool层后增加了一个调整层（convolution,见

2016-12-17 17:30:22 24934 3

原创 Ubantu16.04+CUDA8.0配置

主要参考这里：Ubuntu16.04+cuda8.0+caffe安装教程原料准备： 1. 驱动：去官网找自己对应的显卡驱动并下载，地址：显卡驱动戳这里CUDA包：CUDA下载地址装显卡驱动 1. 要注意的是，装驱动时要先将图形界面关掉，ctr+alt+f1进入命令界面。执行：sudo service lightdm stop 关掉图形界面。 2. 切换到驱动下载目录，运行驱动文件cd y

2016-12-15 10:36:31 1157

原创 RNN構造二進制加法器的tensorflow實現

RNN（循环神经网络）对于序列数据的建模有得天独厚的优势，相比一般的前馈神经网络，它对于历史输入数据具有一定的记忆性，能通过隐变量记录历史信息。本文利用RNN来学习二进制加法的进位规则。异国友人写了一个Python+Numpy的RNN二进制加法器，简单明了，还包括作者对RNN的理解和介绍，非常棒的博客。地址在这里。本文是针对它的tensorflow实现，一方面学习RNN，一方面学习tensorflo

2016-12-12 23:50:17 2296 1

MLlearnerTJ的博客