<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Dream_csd的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Dream_csd</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Dream_csd]]></copyright><item><title><![CDATA[查看深度学习SOTA论文和代码网站]]></title><link>https://blog.youkuaiyun.com/Dream_csd/article/details/115134437</link><guid>https://blog.youkuaiyun.com/Dream_csd/article/details/115134437</guid><author>Dream_csd</author><pubDate>Fri, 11 Jun 2021 14:48:50 +0800</pubDate><description><![CDATA[9.4 锚框
目标检测算法通常会在输入图像中采样大量的区域，然后判断这些区域中是否包含我们感兴趣的目标，并调整区域边缘从而更准确地预测目标的真实边界框（ground-truth bounding box）。不同的模型使用的区域采样方法可能不同。这里我们介绍其中的一种方法：它以每个像素为中心生成多个大小和宽高比（aspect ratio）不同的边界框。这些边界框被称为锚框（anchor box）。我们将在后面基于锚框实践目标检测。

注: 建议想学习用PyTorch做检测的童鞋阅读一下仓库a-PyTorch-]]></description><category></category></item><item><title><![CDATA[Ubuntu Tensorrt安装教程]]></title><link>https://blog.youkuaiyun.com/Dream_csd/article/details/112003800</link><guid>https://blog.youkuaiyun.com/Dream_csd/article/details/112003800</guid><author>Dream_csd</author><pubDate>Thu, 31 Dec 2020 11:44:19 +0800</pubDate><description><![CDATA[Ubuntu Tensorrt安装教程1、下载tensorrt2、安装tensorrt
1、下载tensorrt
本文安装采用的是tar压缩包进行安装,安装环境为：Ubuntu18.04、cuda11.0、cudnn8.04、python3.6，tensorrt的安装包下载链接: https://developer.nvidia.com/nvidia-tensorrt-7x-download.，根据自己的电脑环境下载合适的安装包。
下图是7.2.1版本的安装包下载界面：
2、安装tensorrt
这里给出官]]></description><category></category></item><item><title><![CDATA[深度学习基础知识复习]]></title><link>https://blog.youkuaiyun.com/Dream_csd/article/details/107360097</link><guid>https://blog.youkuaiyun.com/Dream_csd/article/details/107360097</guid><author>Dream_csd</author><pubDate>Wed, 15 Jul 2020 20:59:19 +0800</pubDate><description><![CDATA[1、描述为什么需要量化，量化的流程。
目前很多高精度的深度学习模型所需内存、计算量和功耗巨大，但不适合部署到一些低成本的嵌入式设备，为了解决此问题，模型压缩技术应运而生。
量化的流程：

通过数据映射，将输入float32的数据类型转为uint8，biases不进行量化操作，进行卷积计算后输出unit32的数据类型，与biases加和后，再次转为uint8，经激活函数激活后输出uint8的数据类型。相对于float32，uint8量化可以将模型大小减少4倍，并将内存带宽要求减少4倍，对uint8计算的硬件支]]></description><category></category></item><item><title><![CDATA[YOLOV4核心基础内容]]></title><link>https://blog.youkuaiyun.com/Dream_csd/article/details/107237637</link><guid>https://blog.youkuaiyun.com/Dream_csd/article/details/107237637</guid><author>Dream_csd</author><pubDate>Mon, 13 Jul 2020 10:37:17 +0800</pubDate><description><![CDATA[YOLOV4一、网络结构图二、激活函数1、LeakyReLU
一、网络结构图

yolov4五个基本组件：
CBM：Yolov4网络结构中的最小组件，由Conv+Bn+Mish激活函数三者组成。
CBL：由Conv+Bn+Leaky_relu激活函数三者组成。
Res unit：借鉴Resnet网络中的残差结构，让网络可以构建的更深。
CSPX：借鉴CSPNet网络结构，由三个卷积层和X个Res unint模块Concate组成。
SPP：采用1×1，5×5，9×9，13×13的最大池化的方式，进行多尺度融]]></description><category></category></item><item><title><![CDATA[机器学习基础知识总结]]></title><link>https://blog.youkuaiyun.com/Dream_csd/article/details/107180456</link><guid>https://blog.youkuaiyun.com/Dream_csd/article/details/107180456</guid><author>Dream_csd</author><pubDate>Thu, 09 Jul 2020 19:02:15 +0800</pubDate><description><![CDATA[机器学习
一、回归
1、普通线性回归
KaTeX parse error: Can't use function '\^' in math mode at position 1: \̲^̲y(w,x)=w_{0} +w…

]]></description><category></category></item><item><title><![CDATA[opecv基本操作]]></title><link>https://blog.youkuaiyun.com/Dream_csd/article/details/107115193</link><guid>https://blog.youkuaiyun.com/Dream_csd/article/details/107115193</guid><author>Dream_csd</author><pubDate>Mon, 06 Jul 2020 17:28:10 +0800</pubDate><description><![CDATA[opencv
一、核心操作
1、图片格式
bmp（位图）：这种格式的特点是包含的图像信息较丰富，几乎不进行压缩。
png:一种采用无损压缩算法的位图格式,有四个通道，多了一个Alpha通道透明度。
2、opencv C++ CMake文件配置
cmake_minimum_required(VERSION 3.15)
project(OpenCVStudy)

set(CMAKE_CXX_STANDARD 14)

set(OpenCV_DIR D:/lib/opencv/build/x64/vc15/lib]]></description><category></category></item></channel></rss>