- 博客(7)
- 资源 (1)
- 收藏
- 关注
RSS订阅原创 BOOST 之 filesystem
filesystem库是一个可移植的文件系统操作库，使用POSIX标准表示文件系统路径，使得C++具有了类似于脚本语言的功能，可以跨平台操作目录、文件，写出通用脚本。使用filesystem组件，需要包含头文件 <boost/filesystem.hpp> 即： #include <boost/filesystem.hpp> using namespace boo...
2019-08-05 22:02:55
518
原创 BOOST 之 property_tree
property_tree：用于应用程序的配置的数据处理，可以解析xml，json，ini，info等格式的数据1. 解析XML文件 #include <boost/property_tree/ptree.hpp> // 加载property_tree组件 #include <boost/property_tree/xml_parser.hp...
2019-08-05 22:02:07
1137
原创 C++之 ifndef&define&endif
ifndef => if not definedefine => defineendif => end define目的是防止重复引用，因为重复引用会造成编译工作量，编译效率下降#ifndef A_H // 判断头文件a.h有没有被引用，如果没有被引用，则在下边引入a.h#define A_H // 头文件a.h没有被引用，则引用a.h#inclu...
2019-08-05 22:00:43
324
原创 YOLO V2
1. YOLO V1的缺陷回顾 YOLO V1对相互靠近的两个物体（比如紧挨在一起且落在同一个格子上），以及很小的群体（比如易拉罐），检测效果不好，这是因为一个网格中只预测了两个框，并且只属于一个分类。 测试图像中，当同一类物品出现不常见的长宽比和其他情况时，泛化能力偏弱。由于损失函数的问题，定位误差是影响检测效果的主要原因，尤其是在太小的物体处理上，有待加强。2. YOLO V2的简...
2018-02-24 18:20:39
2089
原创 YOLO v1
1. YOLO简述 YOLO 来源于Facebook，整个训练和检测过程都是end-to-end的，能够达到实时的目标检测，YOLO v1能够达到每秒45帧的速度，Fast YOLO能够达到每秒155帧的速度，但是YOLO v1存在目标定位不准的问题。2. 操作步骤 整个检测过程共分为三个步骤进行：首先，将图像缩放至448×448；然后，通过单个卷积神经网络直接从图像中进行目标检测...
2018-02-21 11:59:03
1201
原创 Mask R-CNN
1. 核心思想和实现功能 Mask R-CNN 实在Faster R-CNN的基础上演进而来，修改了两个部分，其一是将Faster R-CNN的RoI pooling部分改为RoIAlign，用以实现目标的校正；其二是添加由FCN层组成的Mask头，用以实现目标物体像素级别的分割。知识扩展：什么是实例分割？ 实例分割是对检测出的目标，实现像素级别的语义分割，难度在于要先对一张图...
2018-02-14 17:56:53
537
原创 学习记录之FCN
1. 传统的CNN网络 传统的CNN在卷积层之后会连接若干个全连接层，将卷积层产生的feature map映射成一个具有固定长度的特征向量。以AlexNet为例，卷基层后的全连接层有三层，第一层为4096*1，第二层为4096*1，第三层为输出层，大小为1000*1. 该结构适合于图像级别的分类和回归任务，因为最后希望得到整个输入图像的一个数值描述（分类概率），最后一层尺寸为1000*1，...
2018-02-09 18:11:29
828
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人