<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Hankerchen的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/Hankerchen</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; Hankerchen]]></copyright><item><title><![CDATA[小技巧（12）：关于PC端简单的视频剪辑处理中，bandicam（录制）、pr(配音)、pr（导出）、剪映（字幕识别）、pr（最终版导出）的全过程及基础设置]]></title><link>https://blog.youkuaiyun.com/Hankerchen/article/details/125445466</link><guid>https://blog.youkuaiyun.com/Hankerchen/article/details/125445466</guid><author>Hankerchen</author><pubDate>Tue, 28 Jun 2022 21:08:42 +0800</pubDate><description><![CDATA[本文记录一下在PC端使用bandicam录制视频，Premiere剪辑视频，剪映字幕识别的简单过程以及相关的设置。]]></description><category></category></item><item><title><![CDATA[目标跟踪评估绘图（3）：ubuntu18.04在MATLAB2016b下的vot-toolkit配置，绘制VOT数据集的EAO评估图，与其他算法进行比较]]></title><link>https://blog.youkuaiyun.com/Hankerchen/article/details/119864502</link><guid>https://blog.youkuaiyun.com/Hankerchen/article/details/119864502</guid><author>Hankerchen</author><pubDate>Tue, 28 Jun 2022 17:33:43 +0800</pubDate><description><![CDATA[一、工具包准备
vot-toolkit工具包
git clone https://github.com/votchallenge/vot-toolkit

trax编译工具
git clone https://github.com/votchallenge/trax

ncc的MATLAB、Python等测试包
git clone https://github.com/votchallenge/integration

二、文件夹创建
2.1 在vot-toolkit文件夹中新建native文件夹，将刚刚下]]></description><category></category></item><item><title><![CDATA[目标跟踪评估绘图（2）：Windows10环境OTB100数据集配置，绘制成功率和精确度曲线图，绘制目标跟踪框图，并与其他算法比较]]></title><link>https://blog.youkuaiyun.com/Hankerchen/article/details/119908703</link><guid>https://blog.youkuaiyun.com/Hankerchen/article/details/119908703</guid><author>Hankerchen</author><pubDate>Tue, 28 Jun 2022 17:32:36 +0800</pubDate><description><![CDATA[一、准备工作
1.1数据下载
UAV123数据集官方

]]></description><category></category></item><item><title><![CDATA[目标跟踪评估绘图（1）：Windows10环境将pycharm跑出来的OTB100数据集的.txt结果文件，转换成.mat文件]]></title><link>https://blog.youkuaiyun.com/Hankerchen/article/details/124803488</link><guid>https://blog.youkuaiyun.com/Hankerchen/article/details/124803488</guid><author>Hankerchen</author><pubDate>Tue, 28 Jun 2022 17:32:11 +0800</pubDate><description><![CDATA[一、准备工作
准备好pycharm跑出来的.txt结果文件

二、利用Python代码进行转换
转换代码如下：
import os
import scipy.io as scio
import numpy as np

file = 'D:\\DeepLearningTracker\\txt_to_mat-OTB--master\\Ours'  #1 修改.txt文件的地址
savefile = 'D:\\DeepLearningTracker\\txt_to_mat-OTB--master\\Oursma]]></description><category></category></item><item><title><![CDATA[小技巧（11）：使用PS更换证件照背景颜色（蓝色背景色换成白色背景色）]]></title><link>https://blog.youkuaiyun.com/Hankerchen/article/details/124664016</link><guid>https://blog.youkuaiyun.com/Hankerchen/article/details/124664016</guid><author>Hankerchen</author><pubDate>Mon, 09 May 2022 13:32:30 +0800</pubDate><description><![CDATA[文章目录一、打开PS二、打开证件照三、使用快速选择工具四、 替换颜色五、明度值到100六、结果
一、打开PS

二、打开证件照

三、使用快速选择工具
并选择背景

四、 替换颜色
图像——&gt;调整——&gt;替换颜色

五、明度值到100

六、结果


...]]></description><category></category></item><item><title><![CDATA[OpenCV（C++版本）基础相关（7）：直方图均衡化、图像卷积操作、高斯模糊、高斯双边模糊、实时人脸检测案例]]></title><link>https://blog.youkuaiyun.com/Hankerchen/article/details/124367333</link><guid>https://blog.youkuaiyun.com/Hankerchen/article/details/124367333</guid><author>Hankerchen</author><pubDate>Sat, 30 Apr 2022 00:13:04 +0800</pubDate><description><![CDATA[文章目录二十六、直方图均衡化26.1 quickopencv.h26.2 QuickDemo.cpp26.3 test.cpp二十七、图像卷积操作27.1 quickopencv.h27.2 QuickDemo.cpp27.3 test.cpp二十八、高斯模糊28.1 quickopencv.h28.2 QuickDemo.cpp28.3 test.cpp二十九、高斯双边模糊29.1 quickopencv.h29.2 QuickDemo.cpp29.3 test.cpp三十、案例：实时人脸检测30.1 q]]></description><category></category></item><item><title><![CDATA[OpenCV（C++版本）基础相关（6）：图像的旋转、视频文件摄像头使用、视频处理与保存、图像的直方图、二维直方图]]></title><link>https://blog.youkuaiyun.com/Hankerchen/article/details/124367278</link><guid>https://blog.youkuaiyun.com/Hankerchen/article/details/124367278</guid><author>Hankerchen</author><pubDate>Fri, 29 Apr 2022 17:07:34 +0800</pubDate><description><![CDATA[文章目录二十一、图像的翻转21.1 quickopencv.h21.2 QuickDemo.cpp21.3 test.cpp二十二、视频文件摄像头使用22.1 quickopencv.h22.2 QuickDemo.cpp22.3 test.cpp二十三、视频处理与保存23.1 quickopencv.h23.2 QuickDemo.cpp23.3 test.cpp二十四、图像的直方图24.1 quickopencv.h24.2 QuickDemo.cpp24.3 test.cpp二十五、直方图的均衡化25]]></description><category></category></item><item><title><![CDATA[OpenCV（C++版本）基础相关（5）：多边形填充与绘制、鼠标操作与响应、图像像素类型的转换与归一化、图像的放缩与插值、图像的旋转]]></title><link>https://blog.youkuaiyun.com/Hankerchen/article/details/124367217</link><guid>https://blog.youkuaiyun.com/Hankerchen/article/details/124367217</guid><author>Hankerchen</author><pubDate>Wed, 27 Apr 2022 23:57:26 +0800</pubDate><description><![CDATA[文章目录十六、多边形填充与绘制16.1 quickopencv.h16.2 QuickDemo.cpp16.3 test.cpp十七、鼠标操作与响应17.1 quickopencv.h17.2 QuickDemo.cpp17.3 test.cpp十八、图像像素类型的转换与归一化18.1 quickopencv.h18.2 QuickDemo.cpp18.3 test.cpp十九、图像的放缩与差值19.1 quickopencv.h19.2 QuickDemo.cpp19.3 test.cpp二十、图像的旋转]]></description><category></category></item><item><title><![CDATA[OpenCV（C++版本）基础相关（4）：通道的分离与合并、图像色彩空间转换、图像像素值统计、图像几何形状的绘制、随机数与随机颜色]]></title><link>https://blog.youkuaiyun.com/Hankerchen/article/details/124367150</link><guid>https://blog.youkuaiyun.com/Hankerchen/article/details/124367150</guid><author>Hankerchen</author><pubDate>Tue, 26 Apr 2022 18:08:07 +0800</pubDate><description><![CDATA[文章目录十一、通道的分离与合并11.1 quickopencv.h11.2 QuickDemo.cpp11.3 test.cpp十二、图像色彩空间转换12.1 quickopencv.h12.2 QuickDemo.cpp12.3 test.cpp十三、图像像素值统计13.1 quickopencv.h13.2 QuickDemo.cpp13.3 test.cpp十四、图像几何形状的绘制14.1 quickopencv.h14.2 QuickDemo.cpp14.3 test.cpp十五、随机数与随机颜色1]]></description><category></category></item><item><title><![CDATA[OpenCV（C++版本）基础相关（3）：滚动条操作、滚动条-传递参数、键盘响应操作、自带颜色操作、图像像素的逻辑操作]]></title><link>https://blog.youkuaiyun.com/Hankerchen/article/details/124198990</link><guid>https://blog.youkuaiyun.com/Hankerchen/article/details/124198990</guid><author>Hankerchen</author><pubDate>Sun, 24 Apr 2022 17:34:30 +0800</pubDate><description><![CDATA[文章目录

]]></description><category></category></item><item><title><![CDATA[OpenCV（C++版本）基础相关（2）：图像的读取与显示、颜色空间转换、创建和赋值、像素的读写操作、像素的算术操作]]></title><link>https://blog.youkuaiyun.com/Hankerchen/article/details/123973285</link><guid>https://blog.youkuaiyun.com/Hankerchen/article/details/123973285</guid><author>Hankerchen</author><pubDate>Thu, 14 Apr 2022 00:36:11 +0800</pubDate><description><![CDATA[文章目录一、图片的读取与显示二、颜色空间的转换2.1 创建一个头文件quickopencv.h2.2 创建一个C++文件quickdemo.cpp2.3 测试文件test.cpp三、图像对象的创建和赋值3.1 quickopencv.h3.2 QuickDemo.cpp3.3 test.cpp四、图像像素的读写操作
知识来源：哔哩哔哩。以下内容仅为学习笔记，不做其他用途。
一、图片的读取与显示
知识点：

imread 图片读取
imshow 图片显示

#include &lt;opencv.hpp&gt]]></description><category></category></item><item><title><![CDATA[小技巧（10）：使用Python绘制激活函数（Sigmoid、Tanh、ReLU、PReLU）图像]]></title><link>https://blog.youkuaiyun.com/Hankerchen/article/details/123436597</link><guid>https://blog.youkuaiyun.com/Hankerchen/article/details/123436597</guid><author>Hankerchen</author><pubDate>Wed, 13 Apr 2022 02:20:12 +0800</pubDate><description><![CDATA[文章目录一、单张绘制1.1 代码1.2 绘制结果二、4张图绘制成1张图2.1 代码2.2 绘制结果
一、单张绘制
1.1 代码
import numpy as np
import matplotlib.pyplot as plt

# 0 设置字体
plt.rc('font',family='Times New Roman', size=15)

# 1.1 定义sigmoid函数
def sigmoid(x):
    return 1. / (1 + np.exp(-x))
# 1.2 定义tanh函数]]></description><category></category></item><item><title><![CDATA[OpenCV（C++版本）基础相关（1）：VS2017与OpenCV4.5.1安装配置教程]]></title><link>https://blog.youkuaiyun.com/Hankerchen/article/details/123967936</link><guid>https://blog.youkuaiyun.com/Hankerchen/article/details/123967936</guid><author>Hankerchen</author><pubDate>Wed, 13 Apr 2022 02:17:24 +0800</pubDate><description><![CDATA[文章目录一、VS2017安装1.1 下载1.2 安装二、OpenCV4.5.1配置2.1 下载2.2 运行2.3 环境变量配置三、VS2017种配置OpenCV4.5.13.1 创建空项目3.2 配置3.3 测试
配置环境：Win10笔记本电脑
一、VS2017安装
1.1 下载
vs2017社区版（1M左右）
官网下载：https://visualstudio.microsoft.com/zh-hans/vs/older-downloads/
或者百度网盘
链接：https://pan.baidu.com]]></description><category></category></item><item><title><![CDATA[架构搜索文献笔记（11）：《ATOMNAS: FINE-GRAINED END-TO-END NEURAL ARCHITECTURE SEARCH》]]></title><link>https://blog.youkuaiyun.com/Hankerchen/article/details/115741082</link><guid>https://blog.youkuaiyun.com/Hankerchen/article/details/115741082</guid><author>Hankerchen</author><pubDate>Wed, 13 Apr 2022 02:13:51 +0800</pubDate><description><![CDATA[论文《	CurveLane-NAS: Unifying Lane-Sensitive
Architecture Search and Adaptive Point》-2020-ECCV**
论文链接
代码链接
一、摘要及主要贡献
1.1 摘要
摘要：文章解决了曲线车道检测问题，它比传统的车道检测提出了更现实的挑战，以更好地促进现代辅助/自动驾驶系统。由于缺乏对远程背景信息和详细的曲线轨迹的建模，目前手工设计的车道检测方法不够鲁棒，不足以捕捉曲线车道，特别是远程部分。
在本文中，提出了一种新的车道敏感架构搜索]]></description><category></category></item><item><title><![CDATA[架构搜索文献笔记（10）：《Fast Hardware-Aware Neural Architecture Search》]]></title><link>https://blog.youkuaiyun.com/Hankerchen/article/details/115674132</link><guid>https://blog.youkuaiyun.com/Hankerchen/article/details/115674132</guid><author>Hankerchen</author><pubDate>Wed, 13 Apr 2022 02:13:17 +0800</pubDate><description><![CDATA[***论文《	Fast Hardware-Aware Neural Architecture Search》-2020-CVPR *****
论文链接
一、摘要及主要贡献
1.1 摘要
我们提出了在更大的搜索空间上探索自动硬件感知搜索和两阶段搜索算法，以有效地为不同类型的硬件生成定制模型。在图像网上的大量实验表明，我们的算法在三种硬件上在相同的延迟约束下优于最先进的硬件感知NAS方法。此外，所发现的架构比目前最先进的高效模型获得了更低的延迟和更高的精度。值得注意的是，飓风在图像网上达到了76.67%的最高精]]></description><category></category></item><item><title><![CDATA[架构搜索文献笔记（9）：《CurveLane-NAS: Unifying Lane-Sensitive Architecture Search and Adaptive Point》]]></title><link>https://blog.youkuaiyun.com/Hankerchen/article/details/115616641</link><guid>https://blog.youkuaiyun.com/Hankerchen/article/details/115616641</guid><author>Hankerchen</author><pubDate>Wed, 13 Apr 2022 02:12:38 +0800</pubDate><description><![CDATA[论文《	FTT-NAS: Discovering Fault-Tolerant Neural Architecture》-2020-ASP-DAC**
论文链接
一、摘要及主要贡献
1.1 摘要
摘要——随着深度学习特定的嵌入式计算系统的快速发展，由深度学习驱动的应用程序正在从云走向边缘。在复杂的环境下，当将NN部署到边缘设备上时，可能会出现各种类型的故障：由大气中子和放射性杂质引起的软错误、电压不稳定、老化、温度变化和恶意攻击者。因此，在安全批评应用中在边缘计算设备上部署神经网络的安全风险现在引起了人们的]]></description><category></category></item><item><title><![CDATA[架构搜索文献笔记（8）：《FTT-NAS：发现容错神经结构》]]></title><link>https://blog.youkuaiyun.com/Hankerchen/article/details/115607161</link><guid>https://blog.youkuaiyun.com/Hankerchen/article/details/115607161</guid><author>Hankerchen</author><pubDate>Wed, 13 Apr 2022 02:10:36 +0800</pubDate><description><![CDATA[论文《	FTT-NAS: Discovering Fault-Tolerant Neural Architecture》-2020-ASP-DAC**
论文链接
一、摘要及主要贡献
1.1 摘要
深度神经网络(DNNs)是一种计算密集型的学习模型，在广泛的领域中越来越适用。由于其计算复杂性，DNNs受益于利用自定义硬件加速器来满足性能和响应时间以及分类精度限制的实现。
在本文中，我们提出了深度制造者框架，旨在自动为嵌入式设备设计一套高度鲁棒的DNN架构，作为离传感器最近的处理单元。深度制造者探索和修剪了设计]]></description><category></category></item><item><title><![CDATA[架构搜索文献笔记（7）：《MemNAS：具有增长修剪的记忆高效神经结构搜索学习》]]></title><link>https://blog.youkuaiyun.com/Hankerchen/article/details/115455223</link><guid>https://blog.youkuaiyun.com/Hankerchen/article/details/115455223</guid><author>Hankerchen</author><pubDate>Wed, 13 Apr 2022 02:09:48 +0800</pubDate><description><![CDATA[论文《MemNAS: Memory-Efficient Neural Architecture Search with Grow-Trim
Learning》-2020-CVPR**
论文链接
代码链接
一、摘要及主要贡献
1.1 摘要
最近关于自动神经结构搜索技术的研究显示了显著的性能，与手工制作的神经结构竞争，甚至更好。然而;现有的大多数搜索方法倾向于使用残余结构和浅层和深层特征之间的连接。因此，一个生成的神经网络模型对于资源约束设备来说是非常重要的，因为这种模型需要大量内存来存储网络参数和中间特征映射]]></description><category></category></item><item><title><![CDATA[架构搜索文献笔记（6）：《超越网络修剪：一种联合搜索和训练的方法》]]></title><link>https://blog.youkuaiyun.com/Hankerchen/article/details/115554798</link><guid>https://blog.youkuaiyun.com/Hankerchen/article/details/115554798</guid><author>Hankerchen</author><pubDate>Wed, 13 Apr 2022 02:08:49 +0800</pubDate><description><![CDATA[论文《	Beyond Network Pruning: a Joint Search-and-Training Approach》-2020-IJCAI**
论文链接
一、摘要及主要贡献
1.1 摘要
网络剪枝被提出作为缓解深度神经网络过度参数化问题的一种方法。然而，它的价值最近受到了挑战，特别是从神经结构搜索的角度来看。
我们提出了一种联合搜索和训练的、直接从零开始学习紧凑的网络的方法，来挑战修剪后训练的传统智慧。通过将剪枝视为一种搜索策略，本文提出了两个新的见解：1)通过将每个过滤器与可学习的权重关联来]]></description><category></category></item><item><title><![CDATA[架构搜索文献笔记（5）：《APQ：联合搜索网络结构、剪枝和量化策略》]]></title><link>https://blog.youkuaiyun.com/Hankerchen/article/details/115478743</link><guid>https://blog.youkuaiyun.com/Hankerchen/article/details/115478743</guid><author>Hankerchen</author><pubDate>Wed, 13 Apr 2022 02:07:58 +0800</pubDate><description><![CDATA[论文《	APQ：联合搜索网络结构、剪枝和量化策略》-2020-CVPR**
论文链接
代码链接
一、摘要及主要贡献
1.1 摘要
我们提出了APQ，一种有效的深度学习部署的新设计方法。
与以前单独优化神经网络结构、剪枝策略和量化策略的方法不同，我们设计了以联合的方式优化它们。
为了处理它带来的更大的设计空间，我们设计了训练一个量化感知精度预测器，供进化搜索选择最佳拟合。由于直接训练这种预测器需要耗时的量化数据收集，我们建议使用预测器传输技术来获得量化感知预测器：我们首先通过采样预先训练的统一网络并进行直接评]]></description><category></category></item></channel></rss>