Vodka_Lou的博客

原创 Attention机制的本质思想理解

Transformer中的Attention机制本质思想理解

原创 如何给图片添加泊松(poisson)噪声（附Python代码）

问题背景：在做噪声添加实验时，需要给图像添加Poisson噪声，下文提供添加泊松噪声的代码：什么是泊松噪声：在RAW格式图像中，经常出现高斯噪声和散粒噪声。高斯噪声与光线的强弱无关，也就是说无论图像的像素值是多少，噪声的平均水平不变。另外一种是散粒噪声，其符合泊松分布，因此也叫泊松噪声，泊松噪声的强度会随着光线变强而变大，也就是说图像的像素值越大，泊松噪声出现的频率也越大。泊松噪声产生原理：光源发出的光子照射在CMOS上，从而形成一个可见的光点。CMOS在有些时候可能无法接收所有的光子，或者有时候接

原创 如何批量修改标注文件xml中的信息

项目场景：在做目标检测时，重新进行标注会耗费大量的时间，如果能够批量对xml中的信息进行修改，那么将会节省大量的时间，接下来将详细介绍如何修改标注文件xml中的相关信息。问题描述：例如：当我有一批标注好的xml文件，文件格式如下图所示：<?xml version='1.0' encoding='us-ascii'?><annotation> <folder>VOC2012</folder> <filename>x0y1115.p

原创 Tkinter GUI设计中文文档

Tkinter GUI 中文文档毕业设计，整理了一些与GUI相关的资料，希望对同学们毕业有帮助提示：觉得有用请点赞收藏哦~文章目录Tkinter GUI 中文文档前言一、常用控件二、使用步骤1.引入库2.读入数据总结前言图形用户界面（Graphical User Interface，简称 GUI，又称图形用户接口），用户通过使用鼠标等输入设备操控屏幕上的图标或菜单选项，以选择命令，调用文件、启动程序或执行其他一些日常任务，在图形用户界面中，用户看到和操作的都是图形对象。一个简单的图形用户界面

转载 K-means 代码(python)

要求：随机生成x,y均在[0,10]范围内的10个点，k=2,训练一个简单的k-means模型。K均值算法步骤如下：1.在训练样本点中随机初始化[0,10]范围内的k个样本点作为k个簇各自的中心；2.遍历一遍所有样本点，将每一个样本点分配到最近的簇中心，得到clusterDict。clusterDict的键为centroidList的下标，键值为属于该类的所有样本点。3.计算第一次聚类迭代得到的结果的代价函数，即每一个样本点到其簇中心的距离的平方和newVar。令oldVar = -14.开始迭

原创 axis=0 axis=1 axis=2 在numpy中的区别

背景：在图像数据处理的过程中，处理的数据大多是矩阵或者多维数组。同时，对多维数组或者矩阵的操作有多种可能，为了帮助实现对数组或矩阵各种各样的功能，就有了axis这一参数。样例：1 随机创建一个三维数据：import numpy as np# 创建从0到15的矩阵：深度为2,4行2列(reshape的第一个参数为深度，其次是行，最后是列)arr = np.arange(16).reshape(2,4,2) 打印所创建的矩阵：[[[ 0, 1], [ 2, 3], [ 4,

原创 目标检测评价指标（一文看懂）

目标检测评价指标之——Precision，Recall，IOU，AP，mAP看了一些介绍目标检测评价指标的文章，在此做一个小总结，供大家参考。文章目录目标检测评价指标之——Precision，Recall，IOU，AP，mAP一、置信度是什么？二、IOU与TP、FP、FN三、Precision、Recall、AP和mAP1.Precision2.Recall3.AP值和PR曲线4.mAP值总结一、置信度是什么？不是在讲目标检测评价指标吗？怎么又在说置信度了？博主莫不是在逗我们玩？不看了，下一篇

原创 cuda()的作用

文章目录前言一、cuda()函数的作用二、cuda()的用法1.引入库2.读入数据总结前言使用Pytorch框架时，会看到某个变量后面加上如a.cuda()，那么cuda()的作用是什么呢？一、cuda()函数的作用在pytorch中，即使是有GPU的机器，它也不会自动使用GPU，而是需要在程序中显示指定。调用model.cuda()，可以将模型加载到GPU上去。这种方法不被提倡，而建议使用model.to(device)的方式，这样可以显示指定需要使用的计算资源，特别是有多个GPU的情况下。.

原创 海康威视实习（已完结）

海康威视实习日志  这是我上研究生以来第一次实习，在实习之前，面试了几家公司，有被虐的很惨的，也有和面试官聊得挺好的。总之非常感谢我现在所在公司的面试官，让我能够待在海康，让我能够从事和算法相关的工作，能够和很厉害的人一起工作学习，也算是满足了我对算法的热爱了。接下来我将会记录我实习过程中的点点滴滴，我本人其实挺喜欢记录生活的，这一次就用CSDN这个平台来记录一下，希望有同事看到这篇博客不要拆穿我，啊~~~我爱这个世界，所以世界请你也爱我多一点点吧~文章目录海康威视实习日志前言2021年5月7日 晴

原创 L1正则化和L2正则化的区别

文章目录前言一、L1和L2正则化是什么？二、区别三、其他问题前言在防止过拟合的方法中有L1正则化和L2正则化，那么这两者有什么区别呢？一、L1和L2正则化是什么？L1和L2是正则化项，又叫做惩罚项，是为了限制模型的参数，防止模型过拟合而加在损失函数后面的一项。二、区别L1是模型各个参数的绝对值之和。L2是模型各个参数的平方和的开方值。L1会趋向于产生少量的特征，而其他的特征都是0。因为最优的参数值很大概率出现在坐标轴上，这样就会导致某一维的权重为0 ，产生稀疏权重矩阵L2会选..

原创 IOU计算Python代码实现

文章目录一、目标检测中的IOU代码实现二、代码总结一、目标检测中的IOU代码实现目标检测中会用IOU大小的值来衡量检测结果与准确结果之间的差距，IOU的计算公式：IOU=A∩B/A∪B，式中A，B为检测结果和准确结果（groundtruth）检测框的面积大小。二、代码代码如下（示例）：def compute_iou(rec_1,rec_2): ''' rec_1:左上角(rec_1[0],rec_1[1]) 右下角：(rec_1[2],rec_1[3]) r.

原创 Win10系统搭建mmdetection框架

背景：做目标检测常用的框架可以mmdetection，但是官方的mmdetection框架是基于Ubuntu系统的，以下提供Window10系统安装mmdetection框架的解决方案。（首先感谢一下‘小鸡炖技术’B站UP主）步骤：【1】首先安装Visual Studio 2015：[安装地址](https://my.visualstudio.com/Downloads?q=visual%20studio%202015&wt.mc_id=o~msft~vscom~older-downl

转载 空间注意力机制和通道注意力机制详解

Attention机制在近几年来在图像，自然语言处理等领域中都取得了重要的突破，被证明有益于提高模型的性能。 Attention机制本身也是符合人脑和人眼的感知机制，这次我们主要以计算机视觉领域为例，讲述Attention机制的原理，应用以及模型的发展。 何为Attention机制？ 所谓Attention机制，便是聚焦于局部信...

原创 深度学习调参技巧

文章目录前言一些大的注意事项总结前言深度学习调参有哪些技巧？一些大的注意事项1. 刚开始, 先上小规模数据, 模型往大了放, 只要不爆显存, 能用256个filter你就别用128个. 直接奔着过拟合去. 没错, 就是训练过拟合网络, 连测试集验证集这些都可以不用.为什么?你要验证自己的训练脚本的流程对不对. 这一步小数据量, 生成速度快, 但是所有的脚本都是和未来大规模训练一致的(除了少跑点循环)；如果小数据量下, 你这么粗暴的大网络奔着过拟合去都没效果. 那么, 你要开始反思自己了,.

原创 为什么二阶段(two-stage)目标检测算法比一阶段(one-stage)目标检测算法精度高

问题场景：目标检测算法大致可分为两阶段（two stage）目标检测算法和一阶段（one stage）目标检测算法，在没有过多的tricks的情况下，两阶段的目标检测算法的检测精度是要比一阶段的目标检测算法精度高的。原因分析：其实我认为主要原因有以下几点：1.正负样本的不均衡性   这一点想必大家在做目标检测实验的时候深有体会，当某一类别的样本数特别多的时候，训练出来的网络对该类的检测精度往往会比较高。而当某一类的训练样本数较少的时候，模型对该类目标的检测精度就会有所下降，这就是所谓样本的不均

原创 RoI pooling和 RoI Align的区别

ROI Pooling 和ROI Align：两种计算归根结底都是池化步骤两者的区别两者的计算过程如下图所示：

原创 Tensorflow框架无法调用GPU而使用CPU计算的解决方法

问题：      错误提示：Cannot dlopen some GPU libraries.Please make sure the missing libraries. Please make sure the missing libraries mentioned above are installed properly if you would like to use…Skipping registering GPU devices…一、解决方法：  我用的是tensorflow无法

原创 1×1卷积核的作用

问题：  平时论文里经常会看到在网络里面加入1×1的卷积核，那么1×1卷积到底有什么用？其实1×1卷积与其他卷积没有什么不同，实际上就是一个简单的线性叠加。它具有和其它卷积核类似的作用，以下将详细列举。  关键词：1×1卷积 一、实现跨通道的信息交互和整合：  如何理解跨通道的信息交互和整合呢？首先还得从三维卷积的计算开始。  如图所示，蓝色部分是一个7×7×n（维数）的Feature map，黄色块为3×3×3的卷积核，将卷积核对应到蓝色特征中可以得到一个红色阴影区域，举个具体的例子：

原创 神经网络反向传播推导（实例）

原创 Pycharm出现ImportError或DLL load failed(CuPy is not correctly installed)

项目场景：可能很多人和我一样，import某个库之后，出现了importError：的错误或者是DLL load failed：举个例子： File "***\Anaconda3\lib\site-packages\spyder\utils\site\sitecustomize.py", line 705, in runfile execfile(filename, namespace) File "***\Anaconda3\lib\site-packages\spyder\utils

原创 用Python绘制Heatmap

本文内容为基于python的heatmap的绘制与渲染文章目录前言一、Heatmap是什么？二、使用步骤1.引入库2.代码总结前言在写论文时，看到大佬们的文章中精美的图表。却不知道如何进行绘制，本文提供了一种heatmap的绘制方式。一、Heatmap是什么？Heatmap中文称为热点图，热点图是通过使用不同的标志将图或页面上的区域按照受关注程度的不同加以标注并呈现的一种分析手段，标注的手段一般采用颜色的深浅、点的疏密以及呈现比重的形式，因此使用热点图，你可以把感兴趣区域更直观的表现出来。如

原创 Win10多用户远程桌面连接

Win10远程桌面连接破解实验室的服务器需要多人同时登入，但是习惯了Win10操作系统的我们不想使用Win sever，因此我们在网上找到了能够成功破解Win 10 远程破解的方法。之前请人破解了远程多用户登入的功能，要了一大笔破解费，现在我把我成功破解的过程记录下来，供大家交流学习。提示：写完文章后，目录可以自动生成，如何生成可参考右边的帮助文档文章目录Win10远程桌面连接破解方法原理一、使用步骤1.下载RDPWrap-v1.6.22.解压得到如下文件夹3.用管理员身份运行install文件4.

原创 深度学习out of memory解决方案

遇到的问题：当服务器有两张显卡的时候，多人使用电脑跑程序可能会使一张显卡的内存不够用。如何调用另外一张显卡，下面提供了解决方案。关键词：服务器 out of memory 多GPU 问题描述：跑程序时候出现 out of memory字样原因分析：程序运行的数据内存超过了显卡专用GPU内存，导致内存溢出报错。解决方案：import osos.environ["CUDA_VISIBLE_DEVICES"] = "1"在程序首行加上上述命令，指定程序在哪个显卡上进行运行。我这

原创 loss与val loss的关系

  首先我们先谈谈loss和val loss 的区别：  loss：训练集整体的损失值。  val loss：验证集（测试集）整体的损失值。  一般来说，我们在训练的一个模型的时候，我们都会把一个样本划分成训练集和验证集。如果我们按照训练集和测试集9:1的比例来划分，那么当我们在训练模型计算出来的loss值就会分为训练集总体loss以及测试集val loss。两者之间有大致如下的关系：  当loss下降，val_loss下降：训练正常，最好情况。  当loss下降，val_loss稳定：网络过拟合

原创 Win10+Anaconda+Tensorflow-gpu+目标识别

简介：  本文主要介绍如何在Win10系统上利用Anaconda安装Tensorflow框架。并在此搭建好的环境上运行Darknet53+yoloV3的深度学习框架。对VOC数据集进行一个训练以及最终的预测。因为第一次接触深度学习框架方面的知识，所以本文会非常详细的介绍我在搭建环境时候遇到的问题以及解决方案。现在我们开始吧！一、环境的搭建  很多同学一开始接触深度学习，就会从Github上寻...

原创 SIFT算法详解（附Matlab代码）

SIFT算法的详细解释在[博文](https://www.cnblogs.com/wangguchangqing/p/4853263.html) 有着详细的介绍。（已经写的非常详细了）下文给出SIFT特征提取的代码下载链接：https://pan.baidu.com/s/1c_NULsDrF3nH6xTmC1cY2Q提取码：j5i5...

原创 基于图像处理的印刷品缺陷质量检测（相关论文）

在工业上，产品的缺陷检测技术是一项非常重要的技术。而基于图像处理的缺陷检测技术是缺陷检测中的一个热门。下面是我在假期读的一些文章，总结如下：[1] Shankar N G , Ravi N , Zhong Z W . A real-time print-defect detection system for web offset printing[J]. Measurement, 2009, ...

原创 关于Window10系统在Python上安装Imagemagick遇到的问题及解决方案

网络上有很多关于Imagemagick软件安装的教程，但多数是基于Linux系统的安装教程。本文将安装过程中可能存在的问题进行详细介绍并解决。首先在Python上安装wand库pip install wand其次下载Imagemagick安装包，安装包下载地址为：http://legacy.imagemagick.org/script/binary-releases.php#window...

原创 常见图像退化问题分析及其复原技术（一）

赵庆鹏. 常见图像退化问题分析及其复原技术研究[D].北京邮电大学,2008.上图是图像畸变复原的整体框架，本文将对曲面畸变进行描述，并用matlab进行复现。我所选取的图片无明显的透视变换，所以只需在图片上进行曲面畸变的复原即可。首先读取图片：I = imread('001.jpg'); %基准图像J = imread('002.jpg'); ...