<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[CHEN77的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/BwatUluv</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; BwatUluv]]></copyright><item><title><![CDATA[Mask RCNN原理详解（个人学习笔记）]]></title><link>https://blog.youkuaiyun.com/BwatUluv/article/details/143348327</link><guid>https://blog.youkuaiyun.com/BwatUluv/article/details/143348327</guid><author>BwatUluv</author><pubDate>Tue, 29 Oct 2024 20:20:00 +0800</pubDate><description><![CDATA[除此之外，作者还提到mask rcnn是一个十分灵活的框架，可以通过增加不同的分支，来完成不同的任务，并报告了Mask RCNN在人体姿势识别竞赛中取得的成功。已经包含了res5，因此其网络头部分不需要经过res5，因此作者认为FPN-mask RCNN的网络头部分具有更少的计算量，即更加高效，并且实验过程中证明了采用FPN作为backbone的Mask RCNN的精度也更高。（容易理解，比如说，目标是一只猫，如果存在位置上的轻微误差，算法仍然能够正确输出目标的类别，并且其位置预测仍然不受太大的影响）。]]></description><category></category></item><item><title><![CDATA[医学图像目标跟踪论文阅读笔记 2024.03.14~2024.04.01]]></title><link>https://blog.youkuaiyun.com/BwatUluv/article/details/137506716</link><guid>https://blog.youkuaiyun.com/BwatUluv/article/details/137506716</guid><author>BwatUluv</author><pubDate>Mon, 08 Apr 2024 13:59:16 +0800</pubDate><description><![CDATA[在DRR图像上设置ROI和目标概率图（TPM）：从4D-DRR图像上，设置4个ROI（宽64像素，高128像素），ROI的中心坐标被设置为在图像中位移最大的位置（整个图像序列中每一帧位移之和最大的位置）。读完了整个算法的训练和实际运行过程，发现这个算法的主要思想就是确定好的ROI来生成一个TPM，TPM中的各个坐标对应的概率值代表了肿瘤中心在该位置的可能性。比较关键的一点在于，ROI是基于最大位移得到的，和ROI相同大小且基于肿瘤初始帧中心定义得到的TPM就一定能确保覆盖到整个跟踪期间肿瘤的所有可能位置。]]></description><category></category></item><item><title><![CDATA[SiameseRPN原理详解（个人学习笔记）]]></title><link>https://blog.youkuaiyun.com/BwatUluv/article/details/137157043</link><guid>https://blog.youkuaiyun.com/BwatUluv/article/details/137157043</guid><author>BwatUluv</author><pubDate>Fri, 29 Mar 2024 21:42:04 +0800</pubDate><description><![CDATA[了解RPN和SiamFC的话，可以很容易地理解SiameseRPN的架构和核心思想。还没跑过代码，希望有时间试试。]]></description><category></category></item><item><title><![CDATA[医学图像目标跟踪论文阅读笔记 2024.03.08~2024.03.14]]></title><link>https://blog.youkuaiyun.com/BwatUluv/article/details/136714608</link><guid>https://blog.youkuaiyun.com/BwatUluv/article/details/136714608</guid><author>BwatUluv</author><pubDate>Thu, 14 Mar 2024 16:26:22 +0800</pubDate><description><![CDATA[baseline是一个OBT算法（onboard algorithm），对6名病人来说，OBT实现的平均DSC=0.68±0.16，与OBT相比，均匀训练的三种DL model的DSC提高了17.0−19.3%，基于自适应训练的模型的DSC提高了24.7− 25.7%。最后，将该图应用于参考图像的手动轮廓，以实现当前帧的轮廓。：相较于原论文中提出的模型，在编码器部分的每次最大池化（max-pooling）操作之后，以及在解码器部分的每次concatenation操作之后，添加了0.5的dropout层。]]></description><category></category></item><item><title><![CDATA[Long-term Correlation Tracking LCT 目标跟踪算法源码运行]]></title><link>https://blog.youkuaiyun.com/BwatUluv/article/details/136605198</link><guid>https://blog.youkuaiyun.com/BwatUluv/article/details/136605198</guid><author>BwatUluv</author><pubDate>Sun, 10 Mar 2024 20:29:37 +0800</pubDate><description><![CDATA[OpenCV下载好之后，直接Extract到选定的文件夹记住路径即可，不用配置到环境变量当中！首先，默认将项目文件夹lct-tracker-master的路径添加到matlab路径中，然后打开。下载vlfeat，如图所示，我选择的是vlfeat 0.9.21，下载完直接解压缩就行。到这里就成功完成了对LCT-tracker的项目配置啦。代码配置好了，还缺少最关键的数据集。来下载数据，但是老是提示因为网络原因下载失败。中，如下图所示，不然会报错无法加载一些文件。系统版本没太大影响，10或者11都可以，]]></description><category></category></item><item><title><![CDATA[Long-term Correlation Tracking LCT目标跟踪算法原理详解（个人学习笔记）]]></title><link>https://blog.youkuaiyun.com/BwatUluv/article/details/136520415</link><guid>https://blog.youkuaiyun.com/BwatUluv/article/details/136520415</guid><author>BwatUluv</author><pubDate>Wed, 06 Mar 2024 23:02:28 +0800</pubDate><description><![CDATA[目录1. 算法总览2. 算法详解2.1. 基础相关滤波跟踪2.2. 各模块详解2.2.1. 相关跟踪2.2.2. 在线检测器3. 算法实现3.1. 算法步骤3.2. 实现细节4. 相关讨论&amp;总结
1. 算法总览

LCT的总体流程如上图所示，其思想为：将长时跟踪（long-term tracking）分解为对运动目标的平移（translation）估计和尺度（scale）变化估计，再配置一个检测器（detector），以实现re-detection。
其主要包含三个模块，即图中标红的部分，分别为：
]]></description><category></category></item><item><title><![CDATA[Kernelized Correlation Filters KCF算法原理详解（阅读笔记）]]></title><link>https://blog.youkuaiyun.com/BwatUluv/article/details/136179428</link><guid>https://blog.youkuaiyun.com/BwatUluv/article/details/136179428</guid><author>BwatUluv</author><pubDate>Mon, 19 Feb 2024 22:28:30 +0800</pubDate><description><![CDATA[参考博文：首先温习一下最小二乘法.在矩阵形式下，最小二乘法的解w=(XTX)−1XTYw = (X^TX)^{-1}X^TYw=(XTX)−1XTY，XXX是一个m×nm×nm×n的矩阵，其中每一行代表样本，列代表样本的某一个属性。为了求得www，则必须要求矩阵(XTX)(X^TX)(XTX)满秩（满秩是可逆的充要条件）。然而在解决现实问题时，当XXX中的某些属性相关性较大时，XXX不一定满秩（线性相关⇔\Leftrightarrow⇔行列式为0⇔\Leftrightarrow⇔矩阵不满秩）。除此之外，当n]]></description><category></category></item><item><title><![CDATA[MOOSE相关滤波跟踪算法（个人学习笔记）]]></title><link>https://blog.youkuaiyun.com/BwatUluv/article/details/135550732</link><guid>https://blog.youkuaiyun.com/BwatUluv/article/details/135550732</guid><author>BwatUluv</author><pubDate>Fri, 12 Jan 2024 13:42:25 +0800</pubDate><description><![CDATA[因为相关和卷积在某些地方（深度学习领域，如图像卷积操作）可能当成相同的运算，但实际上两者是有差别的（数学意义上的卷积，比如信号处理/传统图像处理）。]]></description><category></category></item><item><title><![CDATA[SiamFC个人学习笔记]]></title><link>https://blog.youkuaiyun.com/BwatUluv/article/details/134863330</link><guid>https://blog.youkuaiyun.com/BwatUluv/article/details/134863330</guid><author>BwatUluv</author><pubDate>Thu, 07 Dec 2023 19:45:55 +0800</pubDate><description><![CDATA[SiamFC有两个分支对应两个输入为z（模板图像）和x（搜索区域），将他们同时输入进行特征提取，分别生成6×6×128和22×22×128的feature map。用于特征提取的φ​代表backbone，用的是AlexNet，并且在SiamFC中，有个很大的特点：即没有在AlexNet中引入padding，这点很重要，因为这保证了网络的全卷积性，也即平移不变性，保证了计算的准确性。]]></description><category></category></item><item><title><![CDATA[Faster R-CNN pytorch源码血细胞检测实战（二）数据增强]]></title><link>https://blog.youkuaiyun.com/BwatUluv/article/details/134781736</link><guid>https://blog.youkuaiyun.com/BwatUluv/article/details/134781736</guid><author>BwatUluv</author><pubDate>Mon, 04 Dec 2023 21:16:23 +0800</pubDate><description><![CDATA[这次代码调试过程还是让我学到了很多的，由于pytorch版Faster RCNN源码的实现和运行比较复杂，因此点到为止，只要求能成功复现实验，并且了解了怎么调参即可，代码的实现细节可以参考其它的开源仓库，据我所知好像mmdetection对Faster RCNN的实现就比较简洁，且易于运行。]]></description><category></category></item><item><title><![CDATA[ResNet个人学习笔记]]></title><link>https://blog.youkuaiyun.com/BwatUluv/article/details/134781677</link><guid>https://blog.youkuaiyun.com/BwatUluv/article/details/134781677</guid><author>BwatUluv</author><pubDate>Mon, 04 Dec 2023 13:13:48 +0800</pubDate><description><![CDATA[而输入特征图的通道数目则决定了每个卷积核的通道数，也就是说，假设输入特征图的通道数为3，则每个卷积核会有3个通道，并对应输入特征图的通道，一一对应进行卷积运算。即，对于一次卷积操作或某一卷积层，会有输入特征图（多通道）作为该次卷积的输入，并输出进行完卷积操作后的特征图（多通道）。3（输入特征图的通道数，对应于一个卷积核的通道数）×(3×3)（某个卷积核的某一层的参数数量）×2（输出通道数）=54。输出特征图的通道数为多少，则该卷积层就会有多少个卷积核，每个卷积核相互独立，分别负责输出最终特征图的某一通道。]]></description><category></category></item><item><title><![CDATA[Faster R-CNN pytorch源码血细胞检测实战（详细版）]]></title><link>https://blog.youkuaiyun.com/BwatUluv/article/details/134643380</link><guid>https://blog.youkuaiyun.com/BwatUluv/article/details/134643380</guid><author>BwatUluv</author><pubDate>Mon, 27 Nov 2023 22:19:12 +0800</pubDate><description><![CDATA[！小白配环境千万不要着急，遇到问题多bing多google，这个源代码仓库几千的fork，你遇到的问题肯定大家都遇到过！！]]></description><category></category></item><item><title><![CDATA[RCNN Fast R-CNN Faster R-CNN总结（学习笔记）]]></title><link>https://blog.youkuaiyun.com/BwatUluv/article/details/134561951</link><guid>https://blog.youkuaiyun.com/BwatUluv/article/details/134561951</guid><author>BwatUluv</author><pubDate>Wed, 22 Nov 2023 20:42:30 +0800</pubDate><description><![CDATA[Anchor box是怎么作用到RPN中的？网络是如何学习到分类和回归的呢？在RPN训练时，传给它的不是全部的特征图吗？是如何实现从全部特征图中将特定选择好的256个anchor box放入其中进行训练的呢？]]></description><category></category></item><item><title><![CDATA[TLD matlab版源码理解Part2（随笔）]]></title><link>https://blog.youkuaiyun.com/BwatUluv/article/details/133780408</link><guid>https://blog.youkuaiyun.com/BwatUluv/article/details/133780408</guid><author>BwatUluv</author><pubDate>Wed, 11 Oct 2023 22:37:47 +0800</pubDate><description><![CDATA[【代码】TLD matlab版源码理解Part2（随笔）]]></description><category></category></item><item><title><![CDATA[TLD matlab版源码理解Part1（随笔）]]></title><link>https://blog.youkuaiyun.com/BwatUluv/article/details/133688991</link><guid>https://blog.youkuaiyun.com/BwatUluv/article/details/133688991</guid><author>BwatUluv</author><pubDate>Sun, 08 Oct 2023 20:49:23 +0800</pubDate><description><![CDATA[那么什么是有效尺度呢？这个参数限制了最小矩形框的大小，也就是说，如果设置的初始目标的尺寸小于min_win，那么跟踪就不会进行，同样的，网格是基于目标的尺寸生成的（参考bb_scan.m），如果生成的网格尺寸小于min_win，则同样也不考虑该网格，也就是说，这个尺寸（或者说尺度）的网格是一个无效值。其实就是一个6×n的矩阵，n代表生成的全部网格数量，不懂的可以搜一下窗口扫描法。，则是一个2×m的矩阵，m代表的是有效尺度的总个数，可以通过设置断点查看变量值发现，grid中最后1列第5行的值，就是m的值。]]></description><category></category></item><item><title><![CDATA[K-fold 交叉验证Q&A（随笔）]]></title><link>https://blog.youkuaiyun.com/BwatUluv/article/details/133639037</link><guid>https://blog.youkuaiyun.com/BwatUluv/article/details/133639037</guid><author>BwatUluv</author><pubDate>Sat, 07 Oct 2023 14:43:31 +0800</pubDate><description><![CDATA[以简单的二分类问题为例，将完整的数据集划分为K组，每次选取其中的K-1组训练，训练出K个模型，再在剩下的1组中进行评估，得到这K个模型的分类性能（准确率、召回率等等），之后，将全部K个模型的分类性能取平均，即可以得到该模型在该数据集上解决该问题的性能。，了解其解决问题的能力，因此，当我们用K-fold得到表现最好的模型之后，我们。K-fold交叉验证只是。]]></description><category></category></item><item><title><![CDATA[对比噪声比 衬噪比 CNR计算公式（附代码~注释清楚易懂）]]></title><link>https://blog.youkuaiyun.com/BwatUluv/article/details/130547636</link><guid>https://blog.youkuaiyun.com/BwatUluv/article/details/130547636</guid><author>BwatUluv</author><pubDate>Sun, 07 May 2023 21:07:37 +0800</pubDate><description><![CDATA[最近自己也在弄CNR指标的计算，看了看网上说法各异没有统一，因此参照了这篇论文的计算方式并自己用代码实现了，代码已经测试过，没有问题，希望能够帮到你们。]]></description><category></category></item><item><title><![CDATA[实验室工作站配置多用户远程连接教程（亲测有效版）]]></title><link>https://blog.youkuaiyun.com/BwatUluv/article/details/129463218</link><guid>https://blog.youkuaiyun.com/BwatUluv/article/details/129463218</guid><author>BwatUluv</author><pubDate>Sat, 11 Mar 2023 15:07:04 +0800</pubDate><description><![CDATA[实验室工作站远程桌面多人同时连接配置方法教程]]></description><category></category></item><item><title><![CDATA[Git操作指令（待更新）]]></title><link>https://blog.youkuaiyun.com/BwatUluv/article/details/126629659</link><guid>https://blog.youkuaiyun.com/BwatUluv/article/details/126629659</guid><author>BwatUluv</author><pubDate>Wed, 31 Aug 2022 18:36:29 +0800</pubDate><description><![CDATA[git操作指令]]></description><category></category></item><item><title><![CDATA[Tracking Learning Detection (TLD)目标跟踪算法原理详解~PPT版]]></title><link>https://blog.youkuaiyun.com/BwatUluv/article/details/126491905</link><guid>https://blog.youkuaiyun.com/BwatUluv/article/details/126491905</guid><author>BwatUluv</author><pubDate>Tue, 23 Aug 2022 20:05:05 +0800</pubDate><description><![CDATA[TLD算法原理详解PPT版本]]></description><category></category></item></channel></rss>