影 的专栏

原创 实战深度学习（一）——利用digits训练road模型

参考：http://www.cnblogs.com/denny402/p/5136155.html http://www.cnblogs.com/denny402/p/5136262.html第一步：生成lmdb数据集打开浏览器，地址栏输入 http://localhost:5000/,在局域内的其它机子上，也可以用浏览器访问，只是localhost变成了主机 ip地址。 点击左边New Data

原创 菜鸟跑通caffe（四）——fast-cnn编译记录

问题：CUDA 由6.5升级到7.5导致原有的caffe和digits不在可用。https://github.com/BVLC/caffe/issues/2808备注，原有的caffe和digits对应6.5，由nvidia caffe v2版本copy得来，对应的cudnn也是v2。现在：参考：http://www.tuicool.com/articles/FfaERfB https://git

原创 菜鸟跑通caffe（三）——编译NVIDIA/caffe-0.13/0.14+digist

下载地址：caffe-0.13和digits-2.2https://github.com/NVIDIA/caffe/blob/caffe-0.13/docs/installation.md https://github.com/NVIDIA/DIGITS/blob/digits-2.2/docs/InstallCaffe.md InstallationPrior to installing

原创 菜鸟跑通caffe（二）

digists官网：https://github.com/NVIDIA/DIGITS/blob/master/docs/GettingStarted.mddigists是支持以前版本的caffe，所以直接下载最新版就可。可参考：http://www.csdn.net/article/2015-05-07/2824637 http://blog.csdn.net/enjoyyl/article/d

原创 菜鸟跑通caffe（一）

最近想跑3DOP算法，用于道路场景下物体检测，其中需要搭建caffe，顺道将caffe搭建起来。由于实验室原因，cuda只能使用6.5，ubuntu14.04版本，已经安装好：      ----OpenCV2.4.9      ----Boost 1.60      ----protobuf 2.5.0      ----gcc 2.8.x      ----python 2.7和3.x参考： 

原创 菜鸟跑通doppia（四）

首先，各位看官得感谢下我师妹王童鞋的贡献，这部分内容是她做的。 Step 3:中2：遇到问题：1.    找不到cuda_runtime.h 可能原因： common_settings.cmake中没有添加cuda链接库路径。解决办法：   在common_settings.cmake中改动的地方已注释，change16.3.92. 应该是boost版本高的问题。https://bit

原创 菜鸟跑通doppia（三）

一、更改配置并生成protobuf文件本机hostname查找：修改342行 如果不进行本步骤，则在下一步cmake时出现如下错误提示：即：然后，生成protobuf文件：./generate_protocol_buffer_files.sh 否则会出现如下错误：应注意查看protoc的版本以及对应配置是否一致：protoc --version如果出现以下错误： 可参考：http://blog.c

原创 菜鸟跑通doppia（二）

在运行代码前，有必要选择合适的代码编辑器，我采用gedit及其丰富插件构建C/C++ IDE环境。可参考：http://www.cnblogs.com/csulennon/p/4198054.htmlgedit插件：https://wiki.gnome.org/Apps/Gedit/ShippedPluginssudo apt-add-repository ppa:ubuntu-on-rails/

原创 菜鸟跑通doppia（一）

doppia地址：https://bitbucket.org/rodrigob/doppia国内研究过的，且有博客分享的我就见过以下三位：http://blog.csdn.net/tingyue_/article/category/5604219http://blog.csdn.net/u010333076/article/list/2http://blog.csdn.net/hwl56789?v

原创 将博客搬至CSDN

原创 sshd无法启动——Bad configuration option:ForwardX11Trusted

sshd始终无法启动，只有ssh-agent服务开启，而ssh-server始终无法开启。基本知识：SSH分客户端openssh-client和openssh-server查看进程：ps -e|grep ssh如果看到sshd那说明ssh-server已经启动了。如果没有则可以这样启动：sudo /etc/init.d/ssh start 或者 se

原创 提取文件路径名的扩展名

static bool matchExt(const std::string & fn,std::string en) { size_t p = fn.rfind('.'); std::string ext = p != fn.npos ? fn.substr(p) : fn; std::transform(ext.begin(), ext.end(), ext.begin(), ::tol

原创 Windows利用Github创建共享库

1.打开GitHub，左上角选择创建仓库：2.添加跟踪文件：点击右上侧的圈圈，切换到目录文件下，在下方左侧栏就能看到文件夹下的文件了，点击加号就是添加。也可以切换到Github Shell命令行界面中，利用git命令操作。3.分享到Github：点击右上角的Publish图标：公开后，就能在仓库配置中看到远程仓库的路径：登录Github个人官网，就能看到相应的公开库文件：来自为知笔记(Wiz)

原创 【转载】景深 (Depth of field)

在对焦时，通过镜头将在焦平面上清晰成像，而对焦点的前景和后景也在焦平面成像，只要它们成像的弥散圆等于或小于容许弥散圆直径，我们将认为是清晰的，这样影像就有一个的清晰的区间，这就是景深（下图）。 从以上可知道，在焦点前后各有一个容许弥散圆，这两个弥散圆之间的距离我们称呼它叫焦深，它和景深是相对应的。所谓景深即：在被摄主体(对焦点)前后，其影像具有的一段清晰范围，这范围内的景物在焦平面上成像，都

原创 linux中使用pthread和opencv多线程编程

1、引入头文件2、现成的创建、等待、终结3、回调函数函数类型必须是void*的参数，返回void*，尽量不要传入形参，因为传进来的参数不稳定。4、形参的强制转换 int->void*->int5、锁机制以及6.在子线程中不要使用imshow之类的函数，否则将导致出错，GUI类应该在主线程中调用。来自为知笔记(Wiz)

原创 无人驾驶（一）——探测设备比较

来自为知笔记(Wiz)

原创 CUDA编程快速入门

1.架构理解1）.包括grid，block，(warp),thread这几个层次，     这就是我们所说的SM；即：grid对应整个GPU，block数量代表SM数量，每个block的thread数量对应ALU数量       2.编写规范       1）核函数前缀__global__，而且必须是void类型。 2）>>,N个block，每个block有M个线程。3）GPU的核函数的执行与CP

原创 二维矩阵实现的多人多车求距离

#include #include #include #include #include using namespace std;#define M 5000#define N 50000#define P 1struct Point{ int x; int y;};//void mulMatri(int A[M][P],int B[P][N],int C[M][N],int m,i

原创 二维矩阵实现矩阵相乘

#include #include #include #include using namespace std;#define M 1024#define N 1024#define P 512//void mulMatri(int A[M][P],int B[P][N],int C[M][N],int m,int n,int p);inline void mulMatri(float** A,f

原创 多人多车求距离——cpu&gpu

#include #include #include #include #include using namespace std;#define M 3200 //num of person#define N 3200 //num of car#define B_S 32//#define SHOW//P[M]*C[N]=D[M][N]__global__ void distance_gpu(fl

原创 二维矩阵相乘——cpu&&gpu

#include #include #include #include #include using namespace std;#define M 3200#define N 3200#define P 3200#define B_S 32//#define SHOW//A[M][P]*B[P][N]=C[M][N]__global__void mulMatri_gpu(float* A, fl

原创 多人多车求距离_cpu&gpu

#include #include #include #include #include using namespace std;#define M 3200 //num of person#define N 3200 //num of car#define B_S 32//#define SHOW//P[M]*C[N]=D[M][N]__global__ void distance_gpu(fl

原创 多人多车求距离_cpu&&gpu_寄存器优化_sharememory优化

#include #include #include #include #include using namespace std;#define M 3200 //num of person#define N 3200 //num of car#define B_S 32#define tile_x 2#define tile_y 2#define SHOW//P[M]*C[N]=D[M][N

原创 MATLAB MCR安装

参考：http://jingyan.baidu.com/article/19020a0a057462529d2842d6.htmlmcr下载地址：http://cn.mathworks.com/products/compiler/mcr/利用MATLAB GUI编程所得的exe软件，想在其他电脑上使用时，如果对方电脑没有安装MATLAB,是不能使用的，因为对方电脑上没有MATLAB的编译器。但我们

原创 菜鸟学概率统计——风险估计

1.经验风险最小化：2.结构风险最小化：结构风险最小化等价于正则化，结构风险在经验风险上加上表示模型复杂度的正则化项。正则化的好处将在下一篇文章中总结。以下是来自《统计学习方法》的一些结论：1、当模型是条件概率分布，损失函数是对数损失函数时，经验风险最小化等价于极大似然估计（对数损失函数的形式：）2、当模型是条件概率分布，损失函数是对数损失函数时，模型复杂度由模型的先验概率表示时，结构风险最小化等

原创 菜鸟学概率统计——最大后验概率（MAP)

最大似然估计：把待估计的参数看作是确定性的量（只是其取值未知），其最佳估计就是使得产生已观察到的样本（即训练样本）的概率为最大的那个值。（即求条件概率密度p(D|＄)为最大时的＄，其中D为样本集，＄为条件概率密度分布的参数）。特点：简单适用；在训练样本增多时通常收敛得很好。只考虑某个模型能产生某个给定观察序列的概率，而未考虑该模型本身的概率，这点与贝叶斯估计区别。目标是寻求能最大化likehood

原创 【转载】参数估计(Parameter Estimation)：频率学派（最大似然估计MLE、最大后验估计MAP）与贝叶斯学派（贝叶斯估计BPE）

基础频率学派与贝叶斯学派http://www.douban.com/group/topic/16719644/http://www.zhihu.com/question/20587681最大似然估计（Maximum likelihood estimation，MLE）http://baike.baidu.com/view/1918804.htmhttp://baike.baidu.co

原创 菜鸟学概率统计——最大似然估计（MLE)

参考：https://www.zhihu.com/question/20447622/answer/23902715 说的通俗一点啊，最大似然估计，就是利用已知的样本结果，反推最有可能（最大概率）导致这样结果的参数值(模型已知，参数未知）。基本思想当从模型总体随机抽取n组样本观测值后，最合理的参数估计量应该使得从模型中抽取该n组样本观测值的概率最大，而不是像最小二乘估计法旨在得到使得模型能最好地拟

原创 菜鸟学概率统计——高斯分布

参考：http://baike.baidu.com/view/45379.htm?fromtitle=高斯分布&fromid=10145793&type=syn正态分布（Normal distribution）又名高斯分布（Gaussian distribution），是一个在数学、物理及工程等领域都非常重要的概率分布，在统计学的许多方面有着重大的影响力。若随机变量X服从一个数学期望为μ、方差为σ

原创 菜鸟看论文——地面估计的研究趋势（二）

参考：16.Identifying Good Training Data for Self-Supervised Free Space Estimation1.计算V视差图2.二值滤波算法（只含有地面相关线的点）参考：15.Ground segmentation and occupancy grid generation using probability fields3.贝叶斯线性回归（没看懂。

原创 菜鸟看论文——地面估计的研究趋势（一）

参考：15.Ground Segmentation and Occupancy Grid Generation Using Probability Fields步骤：1.计算视差图（the Daimler Urban Segmentation dataset以及SGB算法2.计算v-视差图3.对v-视差图进行滤波：得到只含有一条斜线的v-视差图 （1）利用Sobel滤波器，加强水平边缘，减轻垂直边

原创 菜鸟看论文——U-V-Disparity与地面检测、相机姿态估计

参考：02.Real time obstacle detection on non flat road geometry through v-disparity representation03.In-vehicle obstacles detection and characterization by stereovision03.A single framework for vehicle r

原创 菜鸟看论文——Free Space Compute reviews

参考：16.Identifying Good Training Data for Self-Supervised Free Space Estimation12.Recovering free spaceof indoor scenes from a single image02.Real time obstacle detection in stereovision on non flat ro

原创 菜鸟看论文——Disparities Matching Score

08.B-Spline Modeling of Road Surfaces for Freespace Estimation96.A space-sweep approach to true multi-image matching.98.Detection of Small Obstacles at Long Range Using Multibaseline Stereo07.A global

原创 菜鸟看论文——Stochastic Occupancy Grids and Dynamic Programming（一）

参考论文：07.Free Space Computation Using Stochastic Occupancy Grids and Dynamic Programming08.Stereo-based Free Space Computation in Complex Traffic Scenarios08.Dynamic Stereo Vision for Intersection Assi

原创 菜鸟学算法——动态规划（二）

概述 动态规划(dynamic programming)是运筹学的一个分支，是求解决策过程(decision process)最优化的数学方法，它是应用数学中用于解决某类最优化问题的重要工具。20世纪50年代初美国数学家R.E.Bellman等人在研究多阶段决策过程(multistep decision process)的优化问题时，提出了著名的最优化原理(principle of optimal

原创 菜鸟学算法——动态规划（一）

参考：http://www.avatar.se/molbioinfo2001/dynprog/dynamic.htmlDynamic ProgrammingThe following is an example of global sequence alignment using Needleman/Wunsch techniques. For this example, the two sequ

原创 指向指针的指针与指针数组

基础部分参考：http://learn.akae.cn/media/ch23s06.html int *a[10];和int **pa;之间的关系类似于int a[10];和int *pa;之间的关系， Camera *pcam[100];、w.setCameras(pcam);void setCameras(Camera **cams){pcam=cams;}void setCameras(Ca

原创 linux建立git本地共享仓库和个人仓库

参考：https://git-scm.com/book/zh/v21、建立共享仓库2、建立个人仓库（1）linux端使用clone创建个人仓库  （2）windows端使用clone创建个人仓库     （3）linux或windows端init创建个人仓库    参考：http://blog.csdn.net/wfdtxz/article/details/7973608http://blog.c

原创 Eigen/OpenCV与boost::gil混合编程

参考：http://blog.csdn.net/abcjennifer/article/details/7781936http://eigen.tuxfamily.org/dox-2.0/TutorialCore.htmlhttp://blog.csdn.net/augusdi/article/details/12907341http://eigen.tuxfamily.org/dox/Getti