<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[半夜萤火虫的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/OTime77</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; OTime77]]></copyright><item><title><![CDATA[使用pytorch进行迁移学习 修改预训练权重模型的分类层/输出类别（附mmaction相关实现代码）]]></title><link>https://blog.youkuaiyun.com/OTime77/article/details/105938268</link><guid>https://blog.youkuaiyun.com/OTime77/article/details/105938268</guid><author>OTime77</author><pubDate>Tue, 05 May 2020 21:11:21 +0800</pubDate><description><![CDATA[文章目录examplestep1 文件建立step2 获得预训练模型step3 模型修改参考文章
example
以mmaction中的tsn+resnet50+kinetics训练的模型作为预训练模型，拿来训练TSN+resnet+ucf101。
step1 文件建立
建立文件tools/transfer_model.py。
step2 获得预训练模型
在mmaction/modelzoo中找到...]]></description><category></category></item><item><title><![CDATA[mmaction中的rawframes_dataset.py]]></title><link>https://blog.youkuaiyun.com/OTime77/article/details/105784234</link><guid>https://blog.youkuaiyun.com/OTime77/article/details/105784234</guid><author>OTime77</author><pubDate>Mon, 27 Apr 2020 21:46:56 +0800</pubDate><description><![CDATA[文章目录
相关的包
import mmcv
import numpy as np
import os.path as osp
from mmcv.parallel import DataContainer as DC
from torch.utils.data import Dataset

from .transforms import (GroupImageTransform)
from .u...]]></description><category></category></item><item><title><![CDATA[mmaction中的transforms.py]]></title><link>https://blog.youkuaiyun.com/OTime77/article/details/105789474</link><guid>https://blog.youkuaiyun.com/OTime77/article/details/105789474</guid><author>OTime77</author><pubDate>Mon, 27 Apr 2020 15:53:18 +0800</pubDate><description><![CDATA[文章目录
import mmcv
import numpy as np
import random
import math

__all__ = ['GroupImageTransform', 'ImageTransform', 'BboxTransform']

这个文件有3个模块，GroupImageTransform、ImageTransform和BboxTransform。
暂时只阅读了G...]]></description><category></category></item><item><title><![CDATA[TPN中的resnet源码阅读笔记]]></title><link>https://blog.youkuaiyun.com/OTime77/article/details/105767182</link><guid>https://blog.youkuaiyun.com/OTime77/article/details/105767182</guid><author>OTime77</author><pubDate>Sun, 26 Apr 2020 14:27:15 +0800</pubDate><description><![CDATA[文章目录resnet
该TPN项目是基于mmaction修改的。所以这里的resnet是由mmaction实现的，不过还是与mmaction的resnet有所不同。
resnet
resnet的讲解resnet50图解
torch.nn.BatchNorm2dpytorch中的batchnorm2d介绍
相关论文：
resnet:resnet
tsm:tsm
resnet的各层设计有两种方式，前者...]]></description><category></category></item><item><title><![CDATA[论文阅读009-Fast R-CNN]]></title><link>https://blog.youkuaiyun.com/OTime77/article/details/96746803</link><guid>https://blog.youkuaiyun.com/OTime77/article/details/96746803</guid><author>OTime77</author><pubDate>Tue, 23 Jul 2019 14:03:30 +0800</pubDate><description><![CDATA[文章目录写在前面本文重点模型设计步骤一：图片特征提取步骤：候选框特征图池化步骤：物体分类和边框回归参考文献
写在前面
Fast R-CNN是R-CNN作者对R-CNN的改进，结合了SPP-Net中提出的spatial pyramid pooling结构。
本文重点

提出了ROI Pooling层，实质上是单层SPPNet。
可以同时进行物体分类和边框回归。
注：针对R-CNN进行的改进
全连接层...]]></description><category></category></item><item><title><![CDATA[论文阅读008-SPPNet-Spatial Pyramid Pooling in Deep Convolutional Networks for Visual Recognition]]></title><link>https://blog.youkuaiyun.com/OTime77/article/details/96719332</link><guid>https://blog.youkuaiyun.com/OTime77/article/details/96719332</guid><author>OTime77</author><pubDate>Sun, 21 Jul 2019 15:42:06 +0800</pubDate><description><![CDATA[文章目录写在前面本文重点模型设计步骤一：候选框搜索步骤二：全图特征提取（1-5层）步骤三：候选框特征提取（SPM）步骤四：特征向量分类识别讨论参考文献
写在前面
SPP-Net是2015年发表在IEEE上的论文，基于R-CNN改进。
本文重点

提出了一种可以输入任意尺寸大小的图片进行训练和测试的Spatial Pyramid Pooling空间金字塔结构。
使用CNN只进行一次全图特征提取，节省...]]></description><category></category></item><item><title><![CDATA[论文阅读007-OverFeat-OverFeat: Integrated Recognition, Localization and Detection using Convolutional Ne]]></title><link>https://blog.youkuaiyun.com/OTime77/article/details/96580580</link><guid>https://blog.youkuaiyun.com/OTime77/article/details/96580580</guid><author>OTime77</author><pubDate>Sat, 20 Jul 2019 18:57:50 +0800</pubDate><description><![CDATA[目录写在前面本文重点模型设计图片分类步骤一：特征提取（1-5层）步骤二：物体分类（6层-output）物体定位步骤三：regressor network回归网络步骤四：多余框合并模型缺点参考文献
写在前面

overfeat（2014）是在AlexNet（2012）基础上进行改进的。
overfeat与R-CNN的发布时间很相近，但是overfeat名气好像比较小，关键应该在于，R-CNN的创新点...]]></description><category></category></item><item><title><![CDATA[论文阅读006-RCNN-Rich feature hierarchies for accurate object detection and semantic segmentation]]></title><link>https://blog.youkuaiyun.com/OTime77/article/details/96154459</link><guid>https://blog.youkuaiyun.com/OTime77/article/details/96154459</guid><author>OTime77</author><pubDate>Fri, 19 Jul 2019 15:56:31 +0800</pubDate><description><![CDATA[写在前面
阅读论文的时候有一些术语不理解，在这里汇总一下。
Region Proposal Algorithms：将图片分成很多很小的区域的方法
就Region Proposal Algorithms也有好几种。

Exhaustive Search 穷举法
遍历图像的每一个像素
Segmentation 分割法
Selective Search
……

可以参考下面文献查看更多术语的详细解释：
...]]></description><category></category></item><item><title><![CDATA[论文阅读005-目标识别综述-Object Detection in 20 Years: A Survey]]></title><link>https://blog.youkuaiyun.com/OTime77/article/details/95474859</link><guid>https://blog.youkuaiyun.com/OTime77/article/details/95474859</guid><author>OTime77</author><pubDate>Fri, 12 Jul 2019 10:20:34 +0800</pubDate><description><![CDATA[还未总结

]]></description><category></category></item><item><title><![CDATA[论文阅读004-ResNet-Deep Residual Learning for Image Recognition]]></title><link>https://blog.youkuaiyun.com/OTime77/article/details/95059924</link><guid>https://blog.youkuaiyun.com/OTime77/article/details/95059924</guid><author>OTime77</author><pubDate>Wed, 10 Jul 2019 11:26:22 +0800</pubDate><description><![CDATA[首先通过卷积神经网络by吴恩达所简要介绍的ResNet来说明该论文的重点。

]]></description><category></category></item><item><title><![CDATA[卷积神经网络中的卷积有什么用？]]></title><link>https://blog.youkuaiyun.com/OTime77/article/details/94985893</link><guid>https://blog.youkuaiyun.com/OTime77/article/details/94985893</guid><author>OTime77</author><pubDate>Sun, 07 Jul 2019 14:02:54 +0800</pubDate><description><![CDATA[卷积可以提取图片中的特征。
参考文献 https://blog.youkuaiyun.com/charleswangzi/article/details/82733016
结合卷积神经网络by吴恩达 来看，

上图所示的卷积在不同的论文中被称作filter或者kernel，它代表着我们要提取的某个特征。如该PPT所示，其要提取左图的垂直边缘特征。将原始图片与卷积核进行卷积，可以发现右图中间两列的值非常大，那就...]]></description><category></category></item><item><title><![CDATA[论文阅读003-VGGNet-Very Deep Convolutional Networks for Large-Scale Image Recognition]]></title><link>https://blog.youkuaiyun.com/OTime77/article/details/92123450</link><guid>https://blog.youkuaiyun.com/OTime77/article/details/92123450</guid><author>OTime77</author><pubDate>Sat, 15 Jun 2019 17:29:09 +0800</pubDate><description><![CDATA[摘要（中文渣翻）
对于许多NLP任务，主要方法是循环神经网络，特别是LSTMs，以及卷积神经网络。可是，这些结构相对于深度卷积神经网络是相当浅的，深度卷积神经网络在计算机视觉领域是最前沿的。我们展示了一种新的结构**（VD-CNN）**用于文本处理，它可以在字符级别上操作并且只要使用小型卷积和池化操作。该模型深度约大，效果越好：使用最多29层卷积层，在多个公开文字处理任务上表现优异。就目前所知，这...]]></description><category></category></item><item><title><![CDATA[论文阅读002-Inception V3-Rethinking the Inception Architecture for ComputerVision]]></title><link>https://blog.youkuaiyun.com/OTime77/article/details/92108690</link><guid>https://blog.youkuaiyun.com/OTime77/article/details/92108690</guid><author>OTime77</author><pubDate>Sat, 15 Jun 2019 16:43:15 +0800</pubDate><description><![CDATA[摘要翻译
目前卷积网络在计算机视觉方面的许多任务都很重要。自从2014年开始，很深的卷积网络开始成为主流，在多种基准下都十分有效。因为庞大的模型规模和计算量为大部分任务（只要训练集有大量标注数据）换来了准确性，计算效率和少参数量仍旧在移动视觉和大数据场景下十分重要。所以我们研究以尽可能高效利用分解卷积和积极正则化来扩大网络规模。在ILSVRC2012分类挑战中，验证集的结果证明了我们得到了目前为止...]]></description><category></category></item><item><title><![CDATA[论文阅读001-AlexNet-ImageNet Classification with Deep Convolutional Neural Networks]]></title><link>https://blog.youkuaiyun.com/OTime77/article/details/92100761</link><guid>https://blog.youkuaiyun.com/OTime77/article/details/92100761</guid><author>OTime77</author><pubDate>Sat, 15 Jun 2019 16:16:21 +0800</pubDate><description><![CDATA[摘要（中文渣翻）
在ImageNet LSVRC-2010竞赛中，我们训练了一个庞大的深度卷积神经网络，将120万张高像素图片分成1000类。在测试集中，top-1和top-5的错误率达到了37.5%和17.0%，这是目前最好的结果。神经网络有6千万个参数和65万个神经元，由5个卷积层和3个全连接层组成，其中某些卷积层后跟有一个max-pooling层，同时最后跟有一个1000-way的softm...]]></description><category></category></item><item><title><![CDATA[mac+Xcode+opencv+ c++环境配置]]></title><link>https://blog.youkuaiyun.com/OTime77/article/details/89441700</link><guid>https://blog.youkuaiyun.com/OTime77/article/details/89441700</guid><author>OTime77</author><pubDate>Sun, 21 Apr 2019 23:59:40 +0800</pubDate><description><![CDATA[使用官网给的命令进行下载
/usr/bin/ruby -e "$(curl -fsSL https://raw.githubusercontent.com/Homebrew/install/master/install)"


忽略前面一大串名字，终于安装好了，这里最好用的热点安装= =速度好快，之前怎么装也装不上。

接下来就是安装opencv，看了下可以选择安装版本？？但是我直接安装openc...]]></description><category></category></item><item><title><![CDATA[cs231n_assignment1_KNN]]></title><link>https://blog.youkuaiyun.com/OTime77/article/details/85225585</link><guid>https://blog.youkuaiyun.com/OTime77/article/details/85225585</guid><author>OTime77</author><pubDate>Sun, 23 Dec 2018 19:58:55 +0800</pubDate><description><![CDATA[KNN
KNN算法实现
主要涉及两个文件，一个是knn.ipynb，另一个是K_nearest_neighbor.py。

实现compute_distances_two_loops

  def compute_distances_two_loops(self, X): #NO.1 实现
    &amp;quot;&amp;quot;&amp;quot;
    Compute the distance between each test poi...]]></description><category></category></item><item><title><![CDATA[mac环境下配置jdk]]></title><link>https://blog.youkuaiyun.com/OTime77/article/details/73838597</link><guid>https://blog.youkuaiyun.com/OTime77/article/details/73838597</guid><author>OTime77</author><pubDate>Wed, 28 Jun 2017 13:25:11 +0800</pubDate><description><![CDATA[进行JAVA的JDK环境配置
1.在Oracle官网上下载相关的jdk1.8，然后进行提示安装，安装到默认目录
为 /Library……
2.在Mac终端中进入该目录，然后vi .bash_profile
把环境配置的相关文本复制进去，之后保存
保存时会遇到一个问题，它提示说不能读和写
这时只要在文件的命令行中
：%！ sudo tee % > /dev/null
此时会提示输入s]]></description><category></category></item></channel></rss>