嗯呢嗯呢的博客

原创 mathtype公式章节编号

如果插入后显示章节符，需要进行隐藏开始->样式->MTEquationSection->修改样式->字体，勾选隐藏。

原创 字符串反转

【代码】字符串反转。

原创 ubuntu更换清华源

（2）重新安装组件：apt install apt-transport-https ca-certificates。（1）将/etc/apt/sources.list中的https改为http, 然后执行apt update；（3）将/etc/apt/sources.list中的http改为https,再次执行apt update。如果执行apt update 报镜像源证书错误。选择你的ubuntu版本。

原创 论文的写作

论文的写作

原创 没有管理员权限报错Error: /lib64/libstdc++.so.6: version `GLIBCXX_3.4.21‘ not found (required by）

没有管理员权限报错Error: /lib64/libstdc++.so.6: version `GLIBCXX_3.4.21' not found (required by）1. 查看：strings libstdc++.so.6 | grep GLIBCXX显示没有GLIBCXX_3.4.21所以会报上述错误。2. 升级这是GCC版本的问题，可以下载一个新版本的GCC即可得到GLIBCXX_3.4.21版本的libstdc++.so.6或者利用由于anaconda中的glib

原创 YOLOX测试-VOC格式

YOLOX测试-VOC格式

原创 YOLOX训练-VOC格式

YOLOX训练-VOC格式

原创 YOLOX训练-COCO格式

将MOT17数据集转为COCO格式。YOLOX接着上一次训练。使用tensorboard可视化。OSError: [WinError 1455]页面文件太小，无法完成操作

原创 win10环境安装torch2trt包

win10环境安装torch2trt包

原创 torch在高版本训练的模型在低版本中使用报错

pttemptedtoreadaPyTorchfilewithversion3,butthemaximumsupportedversionforreadingis2.解决：首先用高版本的torch读入后重新保存。model = torch.load('model_name.pt')torch.save(model, 'save_path', _use_new_zipfile_serialization=False)然后在低版本中读取。torch.lo...

原创 目标检测边界框格式

（1）xywh格式其中xy是边界框的中心点xy坐标，wh分别是图片的宽度，高度（2）xyxy格式其中前两个xy是左上角的xy坐标， 后两个xy则是右下角的xy坐标

原创 安装cvxpy

whl下载地址：https://www.lfd.uci.edu/~gohlke/pythonlibs/#scipy先安装numpy+mkl， scipy，scs，ecos，fastcache和 osqp等库，最后安装cvxpy库

原创 图像处理-频域增强

频域增强傅里叶变换周期信号的傅里叶级数一维离散信号傅里叶变换（DFT）二维离散傅里叶变换（2D-DFT）（M,N）图像的宽和高（x,y）空间变量（u，v）频率变量数字图像傅里叶变换数字图像f（x，y）是实函数数字图像傅里叶变换是对称的数字图像频谱幅度谱是对称的频率域原点（0,0）对应图像灰度级的平均值...

原创 图像处理-图像增强（三）

空间域增强灰度变换代数运算空间域滤波信号与系统分析系统：接受输入，产生相应的输出分析：输入与输出之间对应关系（1）一维连续线性时不变系统（卷积积分运算）（2）一维离散线性时不变系统（卷积和）（3）二维离散系统（二维离散卷积运算）（4）一维离散系统：均值滤波器（5）二维离散系统：均值滤波器输入图像像素及其周边8个点灰度级的平均值滤波过程对于噪声点均值滤波后为10，从90降至10，削弱噪声点的影响。（6）一维离散系统：高斯低通滤波器（7）二维离散系统：高斯低

原创 图像处理-图像增强（二）

文章目录空间域增强灰度变换代数运算加法运算减法运算乘法运算空间域增强灰度变换代数运算加法运算两幅或多幅图像相加应用：去除叠加性噪声减法运算两幅图像相减应用：分割特定区域检测场景变换乘法运算两幅图像相乘应用：获取图像中特定的部分B作为mask参考：北京交通大学-黄琳琳-图像处理...

原创 图像处理-图像增强（一）

图像增强分为空间域增强和频域增强。空间域增强直接对构成图像像素的灰度级进行操作，只改变（j,i）的灰度级，不改变位置。灰度变换一种简单常用的空间域图像增强方法，对输入图像像素的灰度级进行变换（线性变换、非线性变换）。线性变换（1）线性变换（2）灰度拉伸（3）分段线性变换突出感兴趣的区间，相对抑制不感兴趣的灰度区域。非线性变换（1）对数变换对低灰度拉伸，适合较暗的图像。(2)幂次变换γ>1,对高灰度级进行拉伸，适合较亮的图像。通过改变参数得到不同的处理效果。

原创 【图像处理-直方图】

直方图定义不同灰度级分布构成不同图像，统计灰度级出现的次数描述图像。灰度直方图是灰度级的函数，描述具有该灰度级的像素个数。公式描述为：像素灰度值 -> 灰度直方图图像 -> 灰度直方图灰度直方图反映图像灰度的分布特征。第一张图灰度值分布靠右侧，灰度值大，图像更亮；第二幅图灰度值靠左侧，灰度值小，图像更暗；第三幅图，灰度值分布均匀，图像能够显示更多细节。灰度直方图累加每个灰度级的像素个数累加等于图像像素总个数（图像面积）。灰度直方图归一化灰度级出现的概率直方图

原创 Deep Learning for Visual Tracking: AComprehensive Survey基于深度学习的视觉跟踪

论文地址：https://arxiv.org/pdf/1912.00535.pdf摘要研究当前基于深度学习的可视化跟踪方法、基准数据集和评价指标。从9个关键方面总结了基于深度学习方法的基本特征、主要动机和贡献:网络架构、网络开发、视觉跟踪的网络训练、网络目标、网络输出、相关滤波器开发、鸟瞰跟踪、长期跟踪、在线跟踪。引言视觉跟踪：由目标初始状态估计未知的视觉目标的轨迹。应用自动驾驶汽车[1]，自主机器人[2]，监控[3]，增强现实[4]，鸟瞰跟踪[5]，运动[6]，外科[7]，生物

原创 图像处理-基础概念

目录视觉人类视觉特点图像图像采样与量化数字图像图像存储图像格式视觉光线射入角膜，通过晶状体经玻璃体到达视网膜，视网膜受光照产生电信号经视神经传送大脑，形成视觉人类视觉特点（1）多义性同一幅图不同人理解不同（2）错觉相等长度的线段人眼看到认为不同（3）Mach带（马赫带）暗区更暗，亮区更亮图像图像是具有视觉效果的画面 ，图像是信息的重要载体，人类70%以上的信息来源于视觉人类视觉：使人类得以感...

原创 目标跟踪综述

摘要研究当前基于深度学习的可视化跟踪方法、基准数据集和评价指标。从9个关键方面总结了基于深度学习方法的基本特征、主要动机和贡献:网络架构、网络开发、视觉跟踪的网络训练、网络目标、网络输出、相关滤波器开发、鸟瞰跟踪、长期跟踪、在线跟踪。引言视觉跟踪：由目标初始状态估计未知的视觉目标的轨迹。应用自动驾驶汽车[1]，自主机器人[2]，监控[3]，增强现实[4]，鸟瞰跟踪[5]，运动[6]，外科[7]，生物

原创 线性探测法的查找函数

习题5.10 线性探测法的查找函数 (20 分)试实现线性探测法的查找函数。函数接口定义：Position Find( HashTable H, ElementType Key );其中HashTable是开放地址散列表，定义如下：#define MAXTABLESIZE 100000 /* 允许开辟的最大散列表长度 */typedef int ElementType; /* 关键词类型用整型 */typedef int Index; /* 散列地址

原创 顺序存储的二叉树的最近的公共祖先问题

习题4.5 顺序存储的二叉树的最近的公共祖先问题 (25 分)设顺序存储的二叉树中有编号为i和j的两个结点，请设计算法求出它们最近的公共祖先结点的编号和值。输入格式:输入第1行给出正整数n（≤1000），即顺序存储的最大容量；第2行给出n个非负整数，其间以空格分隔。其中0代表二叉树中的空结点（如果第1个结点为0，则代表一棵空树）；第3行给出一对结点编号i和j。题目保证输入正确对应一棵二叉树，且1≤i,j≤n。输出格式:如果i或j对应的是空结点，则输出ERROR: T[x] is NU

原创 多目标跟踪综述Multiple Object Tracking: A Literature Review

原创 KLT（Kanade-Lucas-Tomasi ）

目录光流法KLT原理应用目标跟踪算法主要分为两类：一类是传统的目标跟踪算法（粒子滤波(pf)、Mean Shift及KLT算法(或称Lucas光流法)）；另一大类是基于深度学习的跟踪算法。光流法光流(Optical flow) 其实是指空间运动物体在观察成像平面上的像素运动的 瞬时速度。它利用了图像序列中像素强度在时间域上的变化以及相邻帧之间的相关性来找到上一帧跟当前帧之间存在的对应关系，从而计算出相邻帧之间物体的运动信息的一种方法。那么简单来说，光流其实就是瞬时速率，在时

原创 刚体与非刚体

从物理学的角度，刚体就是在受力或者运动时，形状和大小不变，而且内部各点的相对位置不变的物体。刚体运动没有形变，没有变形速度。非刚体运动则有，包括线变形速率和角变形速率。...

原创 生成式对抗网络GAN

GANarxiv：https://arxiv.org/abs/1406.2661Generative Adversarial Network，G是generator，生成器:负责凭空捏造数据出来D是discriminator，判别器:负责判断数据是不是真数据以生成图片为例进行说明， G是一个生成图片的网络，它接收一个随机的噪声z，通过这个噪声生成图片（如正态分布，auto-encoder是中间输出是一般也是），记做G(z)。 D是一个判别网络，判别一张图片是不是“真实..

原创 元学习Meta Learning/Learning to learn

元学习Meta Learning/Learning to learn即利用以往的知识经验来指导新任务的学习，使网络具备学会学习的能力，是解决小样本问题（Few-shot Learning）常用的方法之一。训练在元学习中，训练单位分层级了，第一层训练单位是任务，也就是说，元学习中要准备许多任务来进行学习，第二层训练单位才是每个任务对应的数据。(训练样本中的训练集一般称作support set，训练样本中的测试集一般叫做query set)图片来源：https://www.jiansh...

原创 自编码器AE

目录自编码器组成应用分类自编码器autoencoder，是神经网络的一种，经过训练后能尝试将输入复制到输出。自编码器内部有一个隐藏层 h，可以产生编码（code）表示输入。该网络可以看作由两部分组成：一个由函数 h = f ( x ) h = f(x)h=f(x) 表示的编码器和一个生成重构的解码器 r = g ( h ) r = g(h)r=g(h)。一般不应该将自编码器设计成输入到输出完全相等。通常需要向自编码器强加一些约束，使它只能近似地复制，并只能复制与训练数据相似的输入

原创 脉冲神经网络SNN

动态神经网络中的神经元不是在每一次迭代传播中都被激活（而在典型的多层感知机网络中却是），而是在它的膜电位达到某一个特定值才被激活。当一个神经元被激活，它会产生一个信号传递给其他神经元，提高或降低其膜电位。脉冲神经网络分为三种拓扑结构。它们分别是前馈型脉冲神经网络（feed-forward spiking neural network）、递归型脉冲神经网络（recurrent spiking neural network）和混合型脉冲神经网络（hybird spiking neural network）

原创 KNN水果分类

使用的数据集：

原创 KNN鸢尾花分类

原创 葡萄酒质量和时间的关系

使用的数据

原创 糖尿病预测任务

使用的数据集：

原创 将字符型数据变为数值型数据

1、分类类别少可以使用x_train[x_train=='Female'] = 0x_train[x_train=='Male'] = 12、使用LabelEncoderfrom sklearn.preprocessing import LabelEncoderlabelencoder = LabelEncoder()#将第一列的数据变为数值型x_train[:,1] = labelencoder.fit_transform(x_train[:,1])x_test[:,1] = l.

原创 波士顿房价预测

下载地址：http://t.cn/RfHTAgY使用sklearn.datasets.load_boston可加载相关数据数据描述如下：CRIM：城镇人均犯罪率。ZN：住宅用地超过 25000 sq.ft. 的比例。INDUS：城镇非零售商用土地的比例。CHAS：查理斯河空变量（如果边界是河流，则为1；否则为0）。NOX：一氧化氮浓度。RM：住宅平均房间数。AGE：1940 年之前建成的自用房屋比例。DIS：到波士顿五个中心区域的加权距离。RAD：辐射性公路.

原创 sklearn查看数据

data 样本数据，是 n_samples * n_features 的二维 numpy.ndarray 数组target 标签数组，是 n_samples 的一维 numpy.ndarray 数组target_names 标签名称images 图像格式(二维)的样本数据DESCR 描述信息

原创 卡方检验chi-square test

卡方检验也称X2检验用途：两个率或两个构成比比较的卡方检验；多个率或多个构成比比较的卡方检验以及分类资料的相关分析等。统计样本的实际观测值与理论推断值之间的偏离程度，实际观测值与理论推断值之间的偏离程度就决定卡方值的大小，如果卡方值越大，二者偏差程度越大；反之，二者偏差越小；若两个值完全相等时，卡方值就为0，表明理论值完全符合。式中A为实际数，以上四格表的四个数据就是实际数。T为理论数，是根据检验假设推断出来的。x2检验的自由度v=（行数-1）（列数-1）...

原创 numpy 中shape的用法

numpy 中shape的用法返回各个维度的维数。>>> import numpy as np>>> y = np.array([[1,2,3],[4,5,6]])>>> print(y)[[1 2 3][4 5 6]]>>> print(y.shape)(2, 3)>>> print(y.shape[0])2>>> print(y.shape[1])3y是一个两行三列.

原创 python OMP: Error #15: Initializing libiomp5md.dll, but found libiomp5md.dll already initialized

可能有三种情况导致：1、anaconda的安装路径中存在两个该dll文件在安装路径下搜索libiomp5md.dll文件果真存在两个，那么删除其中一个2、使用matplotlib导致尝试conda install nomkl对该包进行安装3、其他import osos.environ['KMP_DUPLICATE_LIB_OK']='True'放在文件的顶头部分，这两个语句之间尽量不要插入其他语句...

原创 用误差判断效果

绝对误差：测量值与真实值之差的绝对值，公式为：绝对误差= | 示值 - 标准值 |相对误差：绝对误差所占真实值的百分比，公式为：相对误差= | 示值 - 标准值 |/真实值一般来说相对误差更能反映测量的可信程度...