- 博客(124)
- 收藏
- 关注
原创 安装mmcv-full报错:<command-line>: fatal error: /usr/local/cuda/include/stdc-predef.h: Permission denied
mmcv-full安装常见报错
2024-03-19 17:28:52 361
原创 TensorRT报错pycuda._driver.LogicError: explicit_context_dependent failed: invalid device context
pycuda._driver.LogicError: explicit_context_dependent failed: invalid device context - no currently active context?
2024-02-26 16:53:10 407
原创 【huggingface】【pytorch-image-models】timm框架中使用albumentations库数据增广
【huggingface】【pytorch-image-models】timm框架中使用albumentations库数据增广
2024-01-09 19:23:26 1094
原创 【huggingface】【pytorch-image-models】导入模型报错:ConnectionResetError: [Errno 104] Connection reset by peer
导入模型报错:ConnectionResetError: [Errno 104] Connection reset by peer
2023-12-29 11:15:43 618
原创 自动数据增广论文笔记 | AutoAugment: Learning Augmentation Strategies from Data
谷歌大脑出品 | AutoAugment自动数据增广+timm包实践分析
2023-12-07 18:33:39 672
原创 linux上报错:Could not create share link. Please check your internet connection or our status page
联网问题报错
2023-10-23 15:03:54 3493 9
原创 多标签分类论文笔记 | CAUSALITY COMPENSATED ATTENTION FOR CONTEXTUAL BIASED VISUAL RECOGNITION
视觉注意并不总是捕捉到稳健预测所需的基本对象表示。注意模块不仅倾向于强调目标对象,还倾向于强调模块认为对训练有帮助的共同发生的上下文。这个问题的根源在于环境的混淆效应,导致物体和预测之间不正确的因果关系,而视觉注意力又进一步加剧了这种情况。为了学习对上下文偏见具有鲁棒性的因果对象特征,我们提出了一种新的视觉识别注意模块——介入双重注意(IDA)。具体来说,IDA采用了具有多个采样干预的两个注意层,以补偿对混杂上下文的注意。请注意,我们的方法与模型无关,因此可以在各种backbone上实现。
2023-10-16 15:45:31 155
原创 多标签分类论文笔记 | (含代码复现,巨坑总结)Combining Metric Learning and Attention Heads...(MLD-TResNet-L-AAM/GAT+AAM)
多标签图像分类允许从给定图像中预测一组标签。与每个图像只分配一个标签的多类分类不同,这种设置适用于更广泛的应用程序。在这项工作中,我们回顾了两种流行的多标签分类方法:基于transformer的分类头和标签关系信息图处理分支。尽管基于transformer的分类头被认为比基于图的分支获得更好的结果,但我们认为,通过适当的训练策略,基于图的方法可以显示出很小的精度下降,同时在推理上花费更少的计算资源。在我们的训练策略中,我们引入了度量学习修正,而不是非对称损失(ASL),这是多标签分类的公认标准。
2023-10-13 16:31:22 2151 4
原创 多标签分类论文笔记 | ML-Decoder: Scalable and Versatile Classification Head
多标签分类论文精读笔记之ML-Decoder: Scalable and Versatile Classification Head
2023-10-12 16:15:12 1994 1
原创 在ubuntu18.04上编译C++版本jsoncpp/opencv/onnxruntime且如何配置CMakelist把他们用起来~
这篇文章背景是笔者在ubuntu上编译C++代码,依赖一些包,然后需要编译并配置到CMakelist做的笔记。主要也是一直不太懂CMakellist,做个笔记以防忘记,也给读者提供一站式的参考,可能您需要的不是这几个包,但大同小异,再带上cmakelist加持,最后提供可视化远程调试教程,可以把C++玩的飞起。这篇文章将有以下内容:1. 安装编译一系列工具;2. 编译opencv;3. 编译jsoncpp;4. 编译onnxruntime;5. CMakelist配置;6. Clion远程调试C++
2023-09-13 19:30:42 2688 2
原创 基于VS平台编译带Cuda的OpenCV(内含版本以及整套方案含泪总结)
opencv4.7.0+cuda11.8+vs2019+win11+RTX3050
2023-09-08 19:17:59 540
原创 3D异常检测论文笔记 | Shape-Guided Dual-Memory Learning for 3D Anomaly Detection
我们提出了一个形状引导的专家学习框架来解决无监督的三维异常检测问题。我们的方法是建立在两个专门的专家模型的有效性和他们的协同从颜色和形状模态定位异常区域。第一个专家利用几何信息通过对局部形状周围的隐式距离场建模来探测三维结构异常。第二个专家考虑与第一个专家相关联的二维RGB特征来识别局部形状上的颜色外观不规则性。我们使用两位专家从无异常的训练样本中构建双记忆库,并进行形状引导推理以查明测试样本中的缺陷。
2023-09-06 23:48:22 1202
原创 从裸机开始安装ubuntu系统到安装NVIDIA驱动(包含ubuntu安装cuda)
不一样的是,安装好了之后,调为安全模式,然后在ubuntu系统进入的界面,选ubuntu不按Enter,也是按e,然后按照他的操作即可。“找到 quiet splash,删除 “$vt_handoff”,在后面添加 nomodeset,注意中间有个空格,然后按F10启动系统,就可以进入桌面了”spm=1001.2014.3001.5501。比较容易,也可参考:https://anandzhang.com/posts/linux/1。两个步骤,安装ssh,见参考1,配置ssh,见参考2。
2023-09-06 16:44:09 520
原创 异常检测 | CFA: Coupled-hypersphere-based Feature Adaptation for Target-Oriented Anomaly Localization
长期以来,异常定位在工业中得到了广泛的应用。以前的研究主要集中在逼近正态特征的分布,而不适应目标数据集。然而,由于异常定位需要精确区分正常和异常特征,缺乏适应可能会使异常特征的正常程度被高估。因此,我们提出了基于耦合超球的特征适应(CFA),它使用适应目标数据集的特征来实现复杂的异常定位。CFA包括(1)一个可学习的补丁描述符,它可以学习和嵌入面向目标的特征;(2)独立于目标数据集大小的可扩展内存库。
2023-08-26 19:04:40 777 2
原创 异常检测 | EfficientAD: Accurate Visual Anomaly Detection at Millisecond-Level Latencies 毫秒级延迟的精准视觉异常检测
摘要:检测图像中的异常是一项重要的任务,特别是在实时计算机视觉应用中。在这个工作中,我们关注计算效率并提出处理图像的轻量级特征提取器在现代GPU上不到一毫秒。然后我们使用学生-教师方法检测异常特征。我们训练一个学生网络来预测所提取的特征正常的,即无异常的训练图像。在测试时检测异常是由于学生无法预测其特征。我们提出了一种训练损失,阻碍学生模仿教师特征提取器超出正常图像。它使我们大大降低了学生-教师模型的计算成本,同时提高了异常特征的检测。
2023-08-26 17:46:38 2431
原创 python并行操作(基于concurrent.futures.ThreadPoolExecutor)
python版本的并行运行,极致使用CPU
2023-08-25 17:28:30 242
原创 Anomalib:异常检测的深度学习库 -- 应用Anomalib训练自己的图片
其他参考资料:https://paperswithcode.com/paper/efficientad-accurate-visual-anomaly-detection。Github链接:https://github.com/openvinotoolkit/anomalib/blob/main/README.md。论文链接:https://arxiv.org/pdf/2202.08341v1.pdf。要训练自己的数据集,首先要知道原本数据集的格式。
2023-08-24 18:41:21 1474
原创 opencv常用API记录(C++版)
需要注意的是,在多线程环境下,确保线程安全,避免竞态条件和数据共享问题。函数可以更有效地利用多核 CPU 来处理图像,但也要确保你的操作是线程安全的。需要注意的是,并行处理的粒度要适当,避免过细的任务划分造成额外的线程开销。函数适用于并行处理单一循环范围,如果你想要并行处理双重循环并优化内层循环,可以将内层循环拆分成更小的任务单元,然后使用。是 OpenCV 库中的一个类,用于表示矩形区域的坐标和大小。对象上提取或复制一个新的矩形区域,并将该区域作为一个新的。的含义是根据给定的矩形区域,在原始。
2023-08-17 18:00:23 756
原创 Visual Studio (VS) 操作小技巧(持续更新)
每个新的主要版本都会增加一个新的编号。在这些子文件夹中,你可能会找到关于编译器、调试器、项目配置等的设置和数据,这些都是与特定版本的 Visual Studio 相关的。每个工程只能有一个main函数,若要测试多个可以main1 main2 来屏蔽其他的main函数,且每次调试前都要 alt+b c 来清理解决方案。请注意,如果你在不同版本的 Visual Studio 之间切换或共享项目,你可能需要注意这些。子文件夹是用来保存项目和解决方案特定的设置和数据的。取消注释:Ctrl+K,Ctrl+U。
2023-08-17 17:23:36 930
原创 C++基本操作笔记
在C++中,数组指针本身并不包含有关指向的数组大小的信息。数组指针只是一个指向数组首元素的指针,它并不存储数组的大小。因此,你需要在某种方式下记录数组的大小,以便在使用数组指针时知道数组的大小。是的,你可以按照你所描述的方式,一次从连续的内存中取出5个值进行复制。在C++中,你可以使用多种方式来查看变量的类型,这些方式有助于你了解变量的数据类型。不管你选择哪种方式,都应该确保在使用数组指针时,你可以在不引发问题的情况下获取数组的大小。次,在每次循环中,根据当前循环变量的值,创建一个临时。
2023-08-17 17:10:04 176
原创 用python绘制CDF图
参数用于指定在图上绘制数据点的标识符。这些标识符可以帮助你在图中更清晰地标记数据点的位置。函数中使用这些标识符来改变数据点的外观。分别是你要绘制的数据的X和Y值。根据需要,你可以选择不同的标识符来突出显示数据点。
2023-08-15 11:51:29 680
异常检测模型快速训练窗口可视化插件
2024-04-06
TA创建的收藏夹 TA关注的收藏夹
TA关注的人