kendyChina-优快云博客

原创 java后端笔记

ThreadLocal是每个Thread线程内部维护了一个ThreadLocalMap的成员变量，Map中的每个元素是一个Entry，key-value形式，key是对ThreadLocal对象的弱引用，value是具体set和get的Obect。弱引用是如果引用的对象只剩下弱引用，那么GC的时候就会把该对象回收，因此key被回收了，则无法通过key找到value，且Entry中对value是强引用，value将一直不会被回收。

2023-09-18 22:42:41 458

原创 C++笔记

记录下写得比较好的文章！externC/C++中extern关键字详解面试题C++面试常问问题汇总2017年阿里面试必会20道C++面试题！

2022-03-06 22:57:43 158

原创 C++之main之前执行函数

全局变量、全局static变量是在程序加载后，main函数执行之前进行初始化的，借助这一特性，可以实现main之前执行特定函数。#include <iostream>using namespace std;int func1() { cout << "func1()" << endl; return 0;}int i = func1();static int j = func1();int main() { cout <

2022-03-06 17:21:12 304

原创 C++之构造、析构函数在继承中的调用关系

继承关系中，构造函数、析构函数的调用顺序：在构造派生类时，调用顺序为：父类构造-子类构造-子类析构-父类析构class Base1 {public: Base1() { cout << "Base1()" << endl; } ~Base1() { cout << "~Base1()" << endl; }};class Derived1 : public Base1 {public: Derived1() { cout

2022-03-02 21:54:08 1655

原创 C++之extern

本文会从实践中总结出extern关键字的作用。全局变量extern只是声明了变量，并未定义变量，即没对变量分配内存空间。如下例子，我只编译main.cpp：main.cpp：#include<iostream>using namespace std;extern int i;int main() { ++i; cout << "i: " << i << endl; return 0;}编译：g++ main.

2022-03-01 21:35:05 2935

原创基于EasyDarwin、ffmpeg实现rtsp推流，及VLC播放

文本主要是对工具等的一些实现，并不包含代码。主要是在本地，借助EasyDarwin启动rtsp服务器，用ffmpeg进行rtsp数据源的推流，最后用vlc在本地播放视频流。安装EasyDarwin官网：http://www.easydarwin.org/ffmpeg官网：https://ffmpeg.org/其中linux版本，解压之后，./configure --prefix=/usr/local/ffmpegVLC官网：https://www.videolan.org/wind

2022-02-19 21:03:57 3648

原创 CMake之add_custom_target

本文介绍了CMake中的add_custom_target命令。使用的CMake版本是3.22.1。CMake中一切都是基于target的，如add_library会产生一个library的target，add_executable会产生一个exe的target…本文的add_custom_target会根据命令的参数生成一个target，这个target相对的可以更定制化一点。官方文档：https://cmake.org/cmake/help/v3.22/command/add_custom_tar

2022-02-08 22:08:32 18945 1

原创 CMake之ExternalProject安装boost

这是CMake中用于管理第三方库的命令。本文使用的CMake版本是3.22.1。官方文档：https://cmake.org/cmake/help/v3.22/module/ExternalProject.htmlExternalProject_Add定义一个target，包括以下的步骤：downloadupdate/patchconfigurebuildtestdownload支持指定网上压缩包的url，以及本地的压缩包。...

2022-01-24 23:09:55 1859 1

原创 CMake之add_executable

本文使用CMake版本为3.22.1。add_executable的官方文档：https://cmake.org/cmake/help/v3.22/command/add_executable.html?highlight=add_execuable语法创建名为<name>的target，这个target在make的时候会编译为可执行文件。编译的源文件为[source1] [source2]…。根据平台的不同，编译后的可执行文件名可能为<name>.exe或者。关于编译的产

2022-01-23 09:42:53 23938 1

原创 Centos7的docker安装配置

安装dockeryum install docker启动dockersystemctl start docker启动可能会失败：根据systemctl status docker -l：需要以新的内核启动或者在启动docker的时候禁用selinux解决方式：修改/etc/sysconfig/docker对OPTIONS='--selinux-enabled…改为OPTIONS='--selinux-enabled=false修改后再启动即可。自启动docker每次打开服务

2022-01-12 21:06:03 291

原创基于VirtualBox的Centos虚拟机安装与vscode连接

基于VirtualBox的Centos虚拟机安装与vscode连接

2022-01-08 22:52:53 2411

原创并不详细的计算机视觉算法汇总（持续更新）

目标跟踪常见比赛VOTVOT： Visual Object Tracking官网： https://www.votchallenge.net/评价指标(2020)：Accuracy准确率Robustness鲁棒性，也是错误率EAO(Expected Average Overlap)综合了Accuracy和Robustness的评价指标评价指标每年都不太一样，可参考官方对当年Challenge的公告。GOTURN 2016GOTURN：Generic Object Tra

2021-01-24 17:53:29 1601

原创 github笔记

创建版本库： git init工作区（Working Directory）→暂存区（stage）： git add file暂存区→master分支： git commit -m "comment"查看版本库状态： git status查看修改： git diff file，对比当前file与master分支的变化查看修改（工作区和分支的指定版本）： git diff HEAD -- file，git diff id -- file查看历史记录： git log查看历史记录（简易输出）： gi

2020-12-20 10:54:47 233

翻译【论文翻译】SORT：SIMPLE ONLINE AND REALTIME TRACKING

SIMPLE ONLINE AND REALTIME TRACKINGAlex Bewley†, Zongyuan Ge†, Lionel Ott⋄, Fabio Ramos⋄, Ben Upcroft†Queensland University of Technology†, University of Sydney⋄论文： https://arxiv.org/abs/1602.00763代码： https://github.com/abewley/sortABSTRACT本文探讨了一种实用

2020-11-25 14:14:06 2834

翻译【论文翻译】ROLO：Spatially Supervised Recurrent Convolutional Neural Networks for Visual Object Tracking

Spatially Supervised Recurrent Convolutional NeuralNetworks for Visual Object TrackingGuanghan Ning∗, Zhi Zhang, Chen Huang, Zhihai HeDepartment of Electrical and Computer EngineeringUniversity of MissouriColumbia, MO 65201{gnxr9, zzbhf, chenhuang,

2020-11-24 16:41:14 1404 1

原创 C++之重载、覆盖、隐藏、虚函数

C++的重载、覆盖、隐藏、虚函数、纯虚函数等概念，都体现于多态的体系中，我会用简单的例子阐述清楚。本文提及的父类即基类，子类即派生类。先看demo：#include <stdio.h>class OverLoadClass{ public: void run(int i) {printf("int: %d\n", i);} void run(float i) {printf("float: %f\n", i);}// void run(float j) {pr

2020-11-02 21:24:50 615

原创华为机试：购物单问题（动态规划）

题目描述：王强今天很开心，公司发给N元的年终奖。王强决定把年终奖用于购物，他把想买的物品分为两类：主件与附件，附件是从属于某个主件的，下表就是一些主件与附件的例子：主件附件电脑打印机，扫描仪书柜图书书桌台灯，文具工作椅无如果要买归类为附件的物品，必须先买该附件所属的主件。每个主件可以有 0 个、 1 个或 2 个附件。附件不再有从属于自己的附件。王强想买的东西很多，为了不超出预算，他把每件物品规定了一个重要度，分为 5 等：用整数 1 ~ 5 表示，第

2020-10-21 16:23:02 1483 1

原创 Python的深拷贝与浅拷贝

Python的拷贝应该是有三种形式分别是赋值：origin2 = origin浅拷贝：cpy1 = copy.copy(origin)以及深拷贝：cpy2 = copy.deepcopy(origin)比较好的例子是列表嵌套各种元素，先看一下实验对比结果：可以看出赋值只是用另一个名字指向同一个内存空间，而浅拷贝和深拷贝都开辟了新的内存空间。可以看出==是逐个元素去对比是否相同，而is是判断是否指向同一内存空间。浅拷贝的结果直接指向了嵌套内的列表内存，而深拷贝连嵌套

2020-10-13 12:46:03 731 1

原创 batch size浅谈

Batch Size的概念：每个Batch（批次）的大小。例如所有训练集有1000个样本，每把1000个Sample跑完就是一个epoch。那么在一个epoch中，同时取多少个sample进行训练，就是batch size。当今神经网络的训练中，所需要的训练集是非常庞大的，因此我们没办法一次性把所有训练集放进内存或显存中，统一训练。在同时训练的数量差别上，分三种类型：batch size=1；batch size=n （dataset > n > 1）；batch size=siz

2020-09-25 10:43:31 1842

原创 Numpy判断某维度是否相同

在语义分割（Semantic segmentation）领域深度学习的label预处理工作中，要把3通道的label数据转为单通道的mask作为训练样本。例如把一堆黑色和红色的像素，转为全是0和1的单通道 mask。最Normal的处理流程为：判断像素的颜色；根据颜色赋值对应的label。那么在步骤一中，就要判断 label 的 channel 维度（例如shape为(480, 1280, 3)，则channel维度为最后的3）和 color是否相同。假设 label 大小为 4 x

2020-09-18 18:25:30 1576

原创解决方案：AttributeError: module ‘labelme.utils‘ has no attribute ‘label_colormap‘

使用labelme的GitHub中提供的json批量转voc格式的脚本，报错如下：后发现是因为copy脚本时选择的版本不对：只要选回master或者自己安装的对应版本再copy就好了：

2020-09-18 09:46:59 1110 3

原创图像边缘检测

1. 一阶导(First-order derivative)∂f∂x=f(x+1)−f(x)\frac {\partial f}{\partial x} = f(x+1) - f(x)∂x∂f=f(x+1)−f(x)2. 二阶导(Second-order derivative)∂2f∂x=f′(x+1)−f′(x)=f(x+2)−f(x+1)−f(x+1)+f(x)=f(x+1)+f(x−1)−2f(x)\begin{aligned}\frac {\partial^2 f}{\partial

2020-08-02 09:12:06 572

原创快速排序quicksort笔记

快排采用了分治法的思想和递归的方式进行排序，每次递归都会确定一个位置的数值（此处是位置i）。def _quicksort(l, left, right): if left >= right: return i = left j = right key = l[left] while i < j: # 先从后往前扫，直到小于key while i < j and key <= l[j]: j -= 1 a[i] = a[j] # 此时a[i]已经有了

2020-07-22 22:55:31 323

原创 LintCode刷题笔记

1. DFS1.1 Palindrome Partitioning题目跳转：https://www.lintcode.com/problem/palindrome-partitioning/descriptionclass Solution: """ @param: s: A string @return: A list of lists of string """ def partition(self, s): # write your c

2020-07-16 12:00:59 1214

原创卡尔曼滤波学习笔记（含公式推导）

假设Kalman Filter用于对位置的预测，那么我们要预测变量有二：位置和速度。1. 位置转换在当前k时刻，p和v分别表示位置（position）和速度（velocity）：xk^=(pk,vk)\hat{x_k} = (p_k, v_k)xk^=(pk,vk)每个预测的元素之间都会相互关联，我们用协方差矩阵（covarance matrix）表示：sk=[∑pp∑pv∑vp∑vv]s_k = \begin{bmatrix}\sum_{pp} & \sum_{pv}

2020-06-25 17:06:07 1151

原创 focal loss学习笔记

背景目标检测中，one-stage相比two-stage，要在更稠密的样本中进行筛选和学习（即Dense Predict），而且后者基于proposal的思想，已经初筛掉大部分easy background。因此前景背景（foreground-background）的不平衡（imbalance）是one-stage训练时的主要问题。one-stage在训练时都会面临class-imbalance的问题，会导致两个弊端：训练不高效，大多数位置都是easy negtive，贡献很少的有用学习信号（use

2020-06-20 17:30:14 478

原创基于Pytorch源码对Adagrad、Adadelta、RMSProp、Adam等自适应学习率进行学习

公式是实现的原理，而源码才是让想法落地的媒介。希望能透过源代码，对原理有更具体的理解，回顾公式，也会有更深入的感受。前期基于Pytorch的源码，对SGD进行了学习：基于torch.optim.sgd.py源码对SGD、momentum、Nesterov学习本文会基于Pytorch源码，对Adagrad进行学习。Adagrad在SGD的年代，我们只能通过学习率（learning rate）来宏观控制网络的参数的学习速度，这从直观上是不太细致的。随着人脑突触的实验进展，发现人脑神经元是有一定稀疏性的

2020-06-16 22:03:34 1051

空空如也

空空如也