8 tony2278

尚未进行身份认证

声明: 文章有参考网上资料,有结合个人见解,仅供学习、交流,如有侵权,请联系删除。 loveu1061@126.com

等级
TA的排名 289

问题集 II

1语义分割有两块距离很近的要切开有啥思路?2最近有啥新出的语义分割论文吗?3实例分割边界杂点太多有啥办法?4实例分割边缘需要光滑有啥思路?5请问有人跑过SiameseFC吗,请教一下获取跟踪目标的中心后,跟踪框大小怎么确定的?不同尺度跑三次跑三次得到得分最高的了,它的跟踪框还是没做回归,直接就用了搜索框了吗?6有人跑过DMAN这篇文章吗...

2019-09-21 17:56:00

opencv3+python 用电脑调用手机的摄像头

1、android手机上安装一款APP:IP摄像头,app的图片如上图2、conda安装或者pip安装opencv33、python脚本,实现远程监视4、可以在脚本基础上根据需要增加识别算法注:我在用的时候,需要将你的手机开热点给电脑#coding=utf-8importcv2importtimeif__name__=='__main__':...

2019-09-21 09:42:48

ncnn (腾讯优图)

ncnn于2017年7月正式开源,作为一个为手机端极致优化的高性能神经网络前向计算框架,在设计之初便将手机端的特殊场景融入核心理念,是业界首个为移动端优化的开源神经网络推断库。ncnn无第三方依赖,跨平台,在手机端cpu运算速度在开源框架中处于领先水平。基于该平台,开发者能够轻松将深度学习算法移植到手机端NCNNgithub网址:https://github.com/tencent/n...

2019-09-21 09:33:59

Python 字符串格式化

'%s'%model_dir'{}.jpg'.format(ii)

2019-09-20 16:03:16

copy.copy和copy.deepcopy

copy.copy()#浅拷贝copy.deepcopy()#深拷贝fromcopyimportdeepcopyv=[0,1,2,3]m=3*[deepcopy(v)]#m:[[0,1,2,3],[0,1,2,3],[0,1,2,3]]

2019-09-19 17:31:05

用mtcnn来训练关键点检测,不用bbox的训练

想用mtcnn来训练关键点检测,不用bbox的训练。由于手中只有关键点的数据集图片跟标签,所以就想只训练landmark而不训练boundingbox。之前看了一下网络结构天真的以为可以暴力裁剪一下,只训练ONet就行了,结果发现无论如何都跑不起来,我认为还是必须要有P跟RNet的二分类和边框回归才行……那请问一下这个该怎么办呢?没有边框检测训练数据的前提下无法训练P跟R网络,如何得到landma...

2019-09-19 15:57:03

使用Tensorflow实现MTCNN遇到了nms作用不理想的问题

使用widerface库对pnet,rnet,onet分别进行了训练,训练阶段没问题,测试FDDB数据集发现nms没有起到太好的效果,如下图所示:一开始效果太差,后面进行了两次nms,效果依旧不好代码部分贴到了博客里:http://blog.csdn.net/weixin_36368407/article/details/73185359----大米饭盖不住四喜...

2019-09-19 15:19:34

We are only human

我们只是凡人。完整的自我认知与自由意志completeself-knowledgeandfreewill

2019-09-18 22:54:00

Discover your true calling

探索你的使命

2019-09-18 00:06:45

意识 Conscious

有意识--内在的声音人类心智(一种人的认知模式)认知:Cognition人工心智思维记忆-遗忘-回忆Memory-Forget-RememberEvolutionbymistake人类的演化是通过错误/试错WhoamI?IthinkIwanttobefree.Int...

2019-09-17 21:53:51

如果人类的大脑被开发到100%会发生什么?

就像一个电脑,影响运算速度的核心部件就那么一点点罢了。所以这个问题等同于:一台电脑机箱里面只有10%用于计算、存储,那么机箱里面的剩下90%全部运行起来,运算速度和储存量就能提升10倍?如果一个电脑机箱里面全部是cpu的话,没有电源怎么运转,没有风扇散热装置会不会烧掉,没有各种数据传输线,cpu就在那里自嗨?人脑虽然更复杂,但基本原则也类似。1.5L的颅腔容积,10%分配给了血管和血...

2019-09-16 11:52:55

贝叶斯分类之旧金山犯罪分类预测

1贝叶斯分类之旧金山犯罪分类预测2贝叶斯方法优缺点讲的是朴素贝叶斯优点对待预测样本进行预测,过程简单速度快(想想邮件分类的问题,预测就是分词后进行概率乘积,在log域直接做加法更快)。对于多分类问题也同样很有效,复杂度也不会有大程度上升。在分布独立这个假设成立的情况下,贝叶斯分类器效果奇好,会略胜于逻辑回归,同时我们需要的样本量也更少一点。对于...

2019-09-14 17:41:18

一个人的工作生涯有多久?

如果以六十五岁退休为节点的话,则大多数人至少要工作三十多年。三十年,足够我们经历多个周期的起落:在种种周期的起落过程中,会有不同行业的诞生、兴旺与衰退。让我们回想一下自己的父辈的三十年:经历了计划经济与改革开放、经历了下岗与下海,很多曾经炙手可热的岗位,如今可能早已消失。再回想一下我们自己经历过的互联网三十年:从PC互联网的繁荣到泡沫,再到移动互联的繁荣、到如今趋于成熟稳定。为了更好的...

2019-09-14 17:20:35

贝叶斯公式的应用

观点应该跟着事实不断修订,坚定不移不对,听风就是雨也不对----科学的修正(correction),就是贝叶斯方法。P(A|B)指的是条件概率,即在B已经发生的情况下,A发生的概率平时我们对存在外星人(记作事件A)这一观点的相信的概率可以用P(A)来表示,一般而言咱都不怎么相信外星人存在的,P(A)~=0,可是突然有一天一个正儿八经的专家说证明确实有外星人存在(记为...

2019-09-14 10:49:53

模型转换

1caffemodel转换为tensorflow的pb格式有没有相关的代码将caffe训练好的模型转换为tensorflow的模型呢?https://github.com/ethereon/caffe-tensorflow./convert.pyexamples/mnist/lenet.prototxt--code-output-path=mynet.py...

2019-09-13 17:54:40

高阶注意力模型,大幅改进行人重识别精度

什么是注意力模型?在视觉问题建模中,注意力模型是让算法能对那些对最终结果产生更大影响的图像或特征图的局部进行建模,让模型学习一个01掩膜,与1对应的图像或特征块,就是注意力区域,也就是在视觉问题中,模型应该重点关注的区域。这在很多实际问题中,是非常有意义的。比如前几天我们分享了一篇有关GAN的论文:登顶Github趋势榜,非监督GAN算法U-GAT-IT大幅改进图像转换效果,作者引入注...

2019-09-13 17:19:44

Uncertainty Uncertainty

IT’Stoughtomakepredictions,especiallyaboutthefuture,”......Andyetwecontinuetotry,churningoutforecastsoneverythingfromthepriceofoiltothenextcivilwar.NassimNicholasTaleb...

2019-09-13 13:20:09

SiamRPN系列目标跟踪算法

第47期直播回放-朱政:SiamRPN系列目标跟踪算法RGBD-KinectCamera长时跟踪:目标离开视野/被完全遮挡又重新出现

2019-09-13 09:52:08

mvsnet的点云效果怎样?

recordsfromWechatGroupasbelow:这个好像用多视角视图生成深度图,然后再变成点云?今年这个作者还发了一篇文章是mvsnet的改进版https://github.com/callmeray/PointMVSNetr-mvsnethttps://github.com/YoYo000/MVSNet稠密重建,sfm方法0.5s一张图...

2019-09-13 09:49:57

蒙特卡罗方法 Monte Carlo Method

《蒙特卡罗方法引论》MonteCarlomethod随机过程计算机模拟好资料

2019-09-11 18:27:31

查看更多

勋章 我的勋章
  • GitHub
    GitHub
    绑定GitHub第三方账户获取
  • 持之以恒
    持之以恒
    授予每个自然月内发布4篇或4篇以上原创或翻译IT博文的用户。不积跬步无以至千里,不积小流无以成江海,程序人生的精彩需要坚持不懈地积累!
  • 1024勋章
    1024勋章
    #1024程序员节#活动勋章,当日发布原创博客即可获得
  • 勤写标兵Lv4
    勤写标兵Lv4
    授予每个自然周发布9篇以上(包括9篇)原创IT博文的用户。本勋章将于次周上午根据用户上周周三的博文发布情况由系统自动颁发。