- 博客(96)
- 资源 (3)
- 收藏
- 关注
RSS订阅原创 Recurrent Dynamic Embedding for Video Object Segmentation
Recurrent Dynamic Embedding for Video Object Segmentation周末大概看了一下最近的vos领域的发展，简单地介绍一下发表于cvpr2022 的这篇工作。
2022-08-22 11:45:27
515
1
原创 Bottom-up Object Detection by Grouping Extreme and Center Points
Zhou, X., Zhuo, J., & Krahenbuhl, P. (2019). Bottom-up object detection by grouping extreme and center points. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition (pp. 850-859).这一篇文章是CornerNet的变体，结合了上面的两篇文章，网络预测极点和各个.
2021-04-07 13:31:26
255
原创 CornerNet: Detecting Objects as Paired Keypoints
Law, H., & Deng, J. (2018). Cornernet: Detecting objects as paired keypoints. In Proceedings of the European conference on computer vision (ECCV) (pp. 734-750).本文提出了一种anchor-free的检测方法，该模型所预测的是object的左上角和右下角顶点。采用embedding vector对顶点进行分组，思路基于多人姿态估计的Bo.
2021-04-07 13:24:44
248
1
原创 Extreme clicking for efficient object annotation
Extreme clicking for efficient object annotationPapadopoulos, D. P., Uijlings, J. R., Keller, F., & Ferrari, V. (2017). In Proceedings of the IEEE international conference on computer vision (pp. 4930-4939).以前的标注都是角点，但是角点不一定在物体上，定位不是很准确。改标极点，极点在物体
2021-04-07 13:18:30
210
原创 Generalized Focal Loss V2: Learning Reliable Localization Quality Estimation for Dense Object Detect
Generalized Focal Loss V2这篇文章提出了利用边界框分布（在Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection中提出的一般分布）本文观察到一般的统计分布与其真正的定位质量有很强的相关性，边界框分布的形状（平整度）可以清楚地反映预测结果地定位质量，分布越尖锐，预测的边界框越准确，反之亦然。输入（边框分布统计）和输出（LQE分数）是高度
2021-04-07 13:07:39
956
原创 【Argparse】action=‘store_true‘
‘store_true’，‘store_false’参数的含义'store_true’表示触发时（action）时为真’store_false’表示触发时（action）时为假# train.pyparser.add_argument('--resume', action = 'store_true')$ python train.py --resume # 表示resume这个参数为true$ python train.py# 表示resume这个参数为false而‘store_f
2021-02-18 23:32:11
648
原创 【Pytorch Function】torch.meshgrid用法
torch.meshgridTake N tensors, each of which can be either scalar or 1-dimensional vector, and create N N-dimensional grids, where the i-th grid is defined by expanding the i-th input over dimensions defined by other inputs.x = torch.tensor([1, 2, 3])y
2021-02-16 22:42:32
457
原创 【深度学习环境配置】Ubuntu（Linux）深度学习环境配置
环境配置驱动安装gcc || g++驱动安装CUDA安装CUDNN安装驱动安装查看自己的操作系统的内核版本等信息cat /etc/issue 或者是 cat /etc/lsb-release查看显卡的信息lspci | grep -i nvidia如果安装了对应的显卡驱动则可以使用命令nvidia -smi查看安装的显卡的驱动信息cat /proc/driver/nvidia/version显卡驱动的安装需要根据操作系统的版本进行选择gcc || g++gcc
2021-01-07 10:28:49
328
原创 【Git】git常用命令
git常用命令在GitHub中，我们经常需要使用一些命令来进行GitHub中的repo创建及更新，因此在这里针对于新手，我将一些常用的命令写在了这里。1. git branch -a这是显示所有的分支branch的信息，应该是包括本地的分支和github里面的分支，可以进行分支的选择2. git checkout -b 后面几个*号是分支的名称，这个命令可以创建一个新的分支，并将切换到新的分支上面去3. git checkout 这是切换到****的分支上去，通过命令1查看
2020-11-29 23:10:26
103
原创 【MarkDown】MarkDown语法及应用
MarkDown语言MarkDown多级标题MarkDown图片MarkDown多级缩进MarkDown换行MarkDown文字高亮、强调MarkDown文字超链接MarkDown插入符号MarkDown插入代码
2020-11-27 09:41:26
183
原创 【计算机网络】Unit1-a
计算机网络第一单元的主要内容a后面会详细讲解第一单元的相关内容，并对以下主要内容做出详细的说明。主要内容在接下来的一单元里应该明白的：什么是因特网Internet是如何运作的，为什么这么设计，优点和缺点什么是互联网地址常见的网络设计原则：分层（layering）、封装（encapsulation）、包交换（packet switching）等应用程序如web、Skype和BitTorrent是如何工作的了解什么是4-layer model（描述了互联网如何被分为了四层）什么是层，为什么
2020-11-26 22:45:33
177
原创 【Pytorch Function】.mm()和.clamp()两个方法
.mm()方法对tensors使用.mm方法，等同于对array使用.dot方法，其实就是一个在pytorch中使用，一个是在numpy中使用，由于numpy是不能利用GPU来加速运算，因此我们采用了pytorch框架，并在其中复现了numpy的一些方法，比如.mm()与.dot()都是矩阵相乘的结果grad_h_relu = grad_y_pred.mm(w2.t()).clamp()方法将input中的元素限制在[min,max]范围内并返回一个Tensor，比如h_relu = h.cla
2020-11-06 19:34:54
721
原创 【Python Solution】TypeError: type ＜class ‘numpy.float64‘＞ cannot be safely interpreted as an integer
在调用linespace函数时，也是在COCO数据集的调用时出现了问题可以看到出现了如下的错误提示信息Traceback (most recent call last): File "/home/zmd/software/anaconda3/lib/python3.7/site-packages/numpy/core/function_base.py", line 117, in linspace num = operator.index(num)TypeError: 'numpy.flo
2020-10-28 19:26:33
1225
原创 【Pytorch Solution】从安装pytorch到实战COCO数据集全部问题及解决方案
问题1、pytorch安装pytorch安装一般是以两种方式，一种是采用GPU，一种是CPU，毫无疑问的是GPU安装的更加复杂，需要处理cuda和pytorch版本之间的关系。由于我的cuda版本太低查看cuda版本nvcc --version而由于版本过低，因此官网给出了github上面的安装方式，并且比较麻烦，但是由于我暂时对GPU不需要，而且在自己的笔记本电脑上或许不需要跑对GPU需求较大的程序，因此我打算仅仅在我的电脑上安装CPU版本的。新建一个虚拟环境conda create
2020-10-27 21:43:49
673
原创 【Python solution】TypeError: can‘t convert np.ndarray of type numpy.bool_.解决方案
问题：在运行代码masks = torch.as_tensor(masks, dtype=torch.uint8)出现了TypeError: can’t convert np.ndarray of type numpy.bool_.，而这个是因为不能将bool类型的转化，表明了np.bool和tensor之间是不能直接转化的。解决方案：而实际上这个解决方案已经包含在了后面的信息中，TypeError: can’t convert np.ndarray of type numpy.bool_. Th
2020-10-27 15:31:44
1998
原创 【汇编】Win10下使用DOSBox写汇编程序
下载DOSBox下载DOSBox并将其放入一个文件夹中，而以后要写的程序也都放入该文件夹中。其中解压后有几个exe文件，这些都是汇编的工具。1、打开程序打开程序后，通过MOUNT C E:\DOS，将自己的文件挂载到C盘上，而这个挂载类似于虚拟链接，相当于自己的文件存放于C盘中，E:\DOS存放的是DOSBox和自己要写的程序。2、永久挂载由于第一步是每次打开程序都要做的，因此可以进入DOSBox的安装目录，用打开方式为txt记事本。打开之后在文本中找到autoexec，找到autoexec之
2020-10-21 08:56:30
1281
原创 【Github Solution】github加速方法 [亲测最方便的两种]
1、码云加速地址：https://gitee.com/通过码云github托管网站，可以直接创建一个新仓库，从而将github上面的仓库导入其中，而由于码云服务器在国内，因此下载的速度非常快，基本上可以达到2M/s。新建仓库导入已有仓库，即github上的下载网址，复制粘贴过来即可点击创建，完成后点击仓库下载，即可完成快速下载项目2、网址前添加片段光看这个题目可能有点模糊，其实就是在网址前加上gitclone.com，就可以使得速度提高，无论将更改后的网址放进命令行或者是浏览器
2020-10-13 14:35:35
15026
3
原创 【Tracking】单目标跟踪（粒子滤波及kalman滤波）
Kalman滤波过程卡尔曼滤波对模型的预测值和实际的观测值进行加权，迭代计算出未来的状态，具体过程如下：使用上一次的最优状态估计和最优估计误差去计算这一次的先验状态估计和先验误差估计；使用1得到的本次先验误差估计和测量噪声，得到卡尔曼增益；使用1，2步骤得到所有先验误差估计和测量噪声，得到本次的最优估计。其中的先验为根据以往的经验去推断，后验则为得到结果后再进行修正，卡尔曼增益作用为将“粗略估计”变为“最准确的估计”。卡尔曼滤波最需要解决的问题在于如何使得噪声的干扰最小。核心思想卡尔曼滤
2020-10-11 10:44:55
1706
1
原创 【Paper Reading】论文阅读Microsoft COCO：Common Objects in Context
论文下载地址：https://authors.library.caltech.edu/94215/2/1405.0312.pdf论文中心研究内容通过将对象识别问题放在更广泛的场景理解问题的上下文中，来提高对象识别精度贡献提出了一个用于物体检测和物体分割任务，来自于自然生活场景中的新型数据集主要内容解决的问题1、检测非图标视图（non-iconic views）中的物体 —— 图标视图指的是物体2、位于图片中间，没有遮挡，轮廓也很清晰3、物体（目标）之间的上下文推理4、精确的物体二维空间
2020-10-11 10:30:26
509
原创 【Paper Reading】论文阅读SOLO：Segmenting Objects by Location
论文下载地址：https://arxiv.org/pdf/1912.04488.pdf论文中心研究内容一种新的、简洁的实例分割方法贡献将实例分割转化为了两个分类任务，超越了其他单阶段的实例分割算法主要内容相关工作自上而下的模式和自下而上的模式的two-stage分割，以及one-stage分割，自上而下的实例分割是先生成了一个先验的边框，然后再进行实例分割。自下而上则是将像素点聚合成任意数量的物体实例，产生实例掩码。直接实例分割，近来的一些方法可以看作是“半直接”的方式。SOLO原理通过
2020-10-11 10:18:32
231
转载 【Feature Engineering】机器学习之特征工程
一、特征工程概述“数据决定了机器学习的上限，而算法只是尽可能逼近这个上限”，这里的数据指的就是经过特征工程得到的数据。特征工程指的是把原始数据转变为模型的训练数据的过程，它的目的就是获取更好的训练数据特征，使得机器学习模型逼近这个上限。特征工程能使得模型的性能得到提升，有时甚至在简单的模型上也能取得不错的效果。特征工程在机器学习中占有非常重要的作用，一般认为括特征构建、特征提取、特征选择三个部分。特征构建比较麻烦，需要一定的经验。 特征提取与特征选择都是为了从原始特征中找出最有效的特征。它们之间的区别是特
2020-08-18 11:06:12
265
原创 面试题 16.11. 跳水板
面试题 16.11. 跳水板C++实现你正在使用一堆木板建造跳水板。有两种类型的木板，其中长度较短的木板长度为shorter，长度较长的木板长度为longer。你必须正好使用k块木板。编写一个方法，生成跳水板所有可能的长度。返回的长度需要从小到大排列。
2020-07-08 09:28:36
104
原创 leetcode112. 路径总和——C++实现
leetcode112. 路径总和 C++实现给定一个二叉树和一个目标和，判断该树中是否存在根节点到叶子节点的路径，这条路径上所有节点值相加等于目标和。
2020-07-07 09:40:52
76
原创 Leetcode297. 二叉树的序列化与反序列化——python
题目序列化是将一个数据结构或者对象转换为连续的比特位的操作，进而可以将转换后的数据存储在一个文件或者内存中，同时也可以通过网络传输到另一个计算机环境，采取相反方式重构得到原数据。请设计一个算法来实现二叉树的序列化与反序列化。这里不限定你的序列 / 反序列化算法执行逻辑，你只需要保证一个二叉树可以被序列化为一个字符串并且将这个字符串反序列化为原始的树结构。示例: 你可以将以下二叉树： 1 / \ 2 3 / \ 4 5序列化为 "[1,2,3,nul
2020-06-16 08:28:05
148
原创 面试题46. 把数字翻译成字符串——python
题目给定一个数字，我们按照如下规则把它翻译为字符串：0 翻译成 “a” ，1 翻译成 “b”，……，11 翻译成 “l”，……，25 翻译成 “z”。一个数字可能有多个翻译。请编程实现一个函数，用来计算一个数字有多少种不同的翻译方法。示例 1:输入: 12258输出: 5解释: 12258有5种不同的翻译，分别是"bccfi", "bwfi", "bczi", "mcfi"和"mzi" 提示：0 <= num < 231代码#采用常规的数组滚动，观察数组的情况，每一次
2020-06-09 08:13:54
116
原创 Leetcode128. 最长连续序列
题目给定一个未排序的整数数组，找出最长连续序列的长度。要求算法的时间复杂度为 O(n)。示例:输入: [100, 4, 200, 1, 3, 2]输出: 4解释: 最长连续序列是 [1, 2, 3, 4]。它的长度为 4。来源：力扣（LeetCode）链接：https://leetcode-cn.com/problems/longest-consecutive-sequence代码思路：使用哈希表储存每个数字的最长序列class Solution: def longest
2020-06-06 07:16:16
71
原创 Leetcode 101. 对称二叉树——遍历左子树和右子树_递归求解
题目给定一个二叉树，检查它是否是镜像对称的。例如，二叉树 [1,2,2,3,4,4,3] 是对称的。 1 / \ 2 2 / \ / \3 4 4 3 但是下面这个 [1,2,2,null,3,null,3] 则不是镜像对称的: 1 / \ 2 2 \ \ 3 3 进阶：你可以运用递归和迭代两种方法解决这个问题吗？来源：力扣（LeetCode）链接：https://leetcode-cn.com/prob
2020-05-31 08:17:47
268
原创 Leetcode198. 打家劫舍——python
题目你是一个专业的小偷，计划偷窃沿街的房屋。每间房内都藏有一定的现金，影响你偷窃的唯一制约因素就是相邻的房屋装有相互连通的防盗系统，如果两间相邻的房屋在同一晚上被小偷闯入，系统会自动报警。给定一个代表每个房屋存放金额的非负整数数组，计算你 不触动警报装置的情况下 ，一夜之内能够偷窃到的最高金额。示例 1:输入: [1,2,3,1]输出: 4解释: 偷窃 1 号房屋 (金额 = 1) ，然后偷窃 3 号房屋 (金额 = 3)。 偷窃到的最高金额 = 1 + 3 = 4 。示例 2:
2020-05-29 07:51:48
126
原创 Leetcode394. 字符串解码——python
题目给定一个经过编码的字符串，返回它解码后的字符串。编码规则为: k[encoded_string]，表示其中方括号内部的 encoded_string 正好重复 k 次。注意 k 保证为正整数。你可以认为输入字符串总是有效的；输入字符串中没有额外的空格，且输入的方括号总是符合格式要求的。此外，你可以认为原始数据不包含数字，所有的数字只表示重复的次数 k ，例如不会出现像 3a 或 2[4] 的输入。示例:s = "3[a]2[bc]", 返回 "aaabcbc".s = "3[a2[c]]
2020-05-28 07:43:14
462
原创 Leetcode974. 和可被 K 整除的子数组——python
题目给定一个整数数组 A，返回其中元素之和可被 K 整除的（连续、非空）子数组的数目。示例：输入：A = [4,5,0,-2,-3,1], K = 5输出：7解释：有 7 个子数组满足其元素之和可被 K = 5 整除：[4, 5, 0, -2, -3, 1], [5], [5, 0], [5, 0, -2, -3], [0], [0, -2, -3], [-2, -3]提示：1 <= A.length <= 30000-10000 <= A[i] <= 10
2020-05-27 07:53:54
160
原创 Leetcode287. 寻找重复数——python
题目给定一个包含 n + 1 个整数的数组 nums，其数字都在 1 到 n 之间（包括 1 和 n），可知至少存在一个重复的整数。假设只有一个重复的整数，找出这个重复的数。示例 1:输入: [1,3,4,2,2]输出: 2示例 2:输入: [3,1,3,4,2]输出: 3说明：不能更改原数组（假设数组是只读的）。只能使用额外的 O(1) 的空间。时间复杂度小于 O(n2) 。数组中只有一个重复的数字，但它可能不止重复出现一次。来源：力扣（LeetCode）链接：htt
2020-05-26 11:23:18
160
原创 Leetcode146. LRU缓存机制
Leetcode146. LRU缓存机制运用你所掌握的数据结构，设计和实现一个 LRU (最近最少使用) 缓存机制。它应该支持以下操作： 获取数据 get 和 写入数据 put 。获取数据 get(key) - 如果密钥 (key) 存在于缓存中，则获取密钥的值（总是正数），否则返回 -1。写入数据 put(key, value) - 如果密钥已经存在，则变更其数据值；如果密钥不存在，则插入该组「密钥/数据值」。当缓存容量达到上限时，它应该在写入新数据之前删除最久未使用的数据值，从而为新的数据值留
2020-05-25 10:35:14
70
原创 Leetcode4.寻找两个正序数组的中位数——python
题目来源：力扣（LeetCode）链接：https://leetcode-cn.com/problems/median-of-two-sorted-arrays给定两个大小为 m 和 n 的正序（从小到大）数组 nums1 和 nums2。请你找出这两个正序数组的中位数，并且要求算法的时间复杂度为 O(log(m + n))。你可以假设 nums1 和 nums2 不会同时为空。示例 1:nums1 = [1, 3]nums2 = [2]则中位数是 2.0示例 2:nums1 = [
2020-05-24 08:15:47
322
原创 Leetcode76. 最小覆盖子串——python
题目给你一个字符串 S、一个字符串 T，请在字符串 S 里面找出：包含 T 所有字符的最小子串。示例输入: S = "ADOBECODEBANC", T = "ABC"输出: "BANC"说明：如果 S 中不存这样的子串，则返回空字符串 ""。如果 S 中存在这样的子串，我们保证它是唯一的答案。来源：力扣（LeetCode）链接：https://leetcode-cn.com/problems/minimum-window-substring代码class Solution(obj
2020-05-23 08:43:00
289
原创 Leetcode105. 从前序与中序遍历序列构造二叉树——python
题目根据一棵树的前序遍历与中序遍历构造二叉树。注意:你可以假设树中没有重复的元素。例如，给出前序遍历 preorder = [3,9,20,15,7]中序遍历 inorder = [9,3,15,20,7]返回如下的二叉树： 3 / \ 9 20 / \ 15 7https://leetcode-cn.com/problems/construct-binary-tree-from-preorder-and-inorder-traversal递归
2020-05-22 07:48:31
219
原创 Leetcode5. 最长回文子串
题目给定一个字符串 s，找到 s 中最长的回文子串。你可以假设 s 的最大长度为 1000。示例示例 1：输入: “babad”输出: “bab”注意: “aba” 也是一个有效答案。示例 2：输入: “cbbd”输出: “bb”Leetcode链接动态规划代码class Solution: def longestPalindrome(self, s: str) -> str: n = len(s) dp = [[False] * n f
2020-05-21 08:34:32
112
原创 【Pytorch Solution】解决pytorch在windows和Linux上下载太慢的问题
1、下载包https://mirrors.tuna.tsinghua.edu.cn/anaconda/cloud/pytorch/通过上面网址找到相匹配的版本下载2、在下载的文件夹下进行解压和verifyconda install --use-local your-pkg-name后面的your-pkg-name是下载的包的名称3、整体下载安装相应依赖在官网找到相应代码如下conda install pytorch torchvision cudatoolkit=9.2 -c pytor
2020-05-20 16:12:35
532
原创 【Ubuntu】Ubuntu下的CUDA和CUDNN的下载及安装
目录1、查看ubuntu版本2、查看cuda3、输入nvcc -V判断是否安装了cuda toolkit4、下载并安装toolkit5、若出现’package manager installation of the driver found‘，换为另一种方法6、最后查看cuda版本1、查看ubuntu版本cat /etc/issue2、查看cudanvidia-smi可得到如下图片3、输入nvcc -V判断是否安装了cuda toolkitnvcc -V若出现如下标志，表明toolk
2020-05-20 12:01:18
595
原创 Leetcode1371. 每个元音包含偶数次的最长子字符串——python
Leetcode1371. 每个元音包含偶数次的最长子字符串给你一个字符串 s ，请你返回满足以下条件的最长子字符串的长度：每个元音字母，即 'a'，'e'，'i'，'o'，'u' ，在子字符串中都恰好出现了偶数次。
2020-05-20 08:24:43
242
原创 Leetcode680. 验证回文字符串 Ⅱ
题目给定一个非空字符串 s，最多删除一个字符。判断是否能成为回文字符串。示例示例 1:输入: "aba"输出: True示例 2:输入: "abca"输出: True解释: 你可以删除c字符。注意:字符串只包含从 a-z 的小写字母。字符串的最大长度是50000。来源链接：https://leetcode-cn.com/problems/valid-palindrome-ii代码class Solution(object): def validPalindrom
2020-05-19 12:04:57
138
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人