- 博客(446)
- 收藏
- 关注
RSS订阅转载 运动目标检测|混合高斯背景建模（含源码）
混合高斯背景建模是基于像素样本统计信息的背景表示方法，(如模式数量、每个模式的均值和标准差)表示背景，然后使用统计差分(如3σ原则)进行目标像素判断，，计算量较大。在混合高斯背景模型中，认为像素之间的颜色信息互不相关，对各像素点的处理都是相互独立的。对于视频图像中的每一个像素点，其值在序列图像中的变化可看作是不断产生像素值的随机过程，即用高斯分布来描述每个像素点的颜色呈现规律{单模态(单峰)，多模态(多峰)}。对于多峰高斯分布模型，
2024-12-18 11:34:21
72
原创 python landsatxplore下载Landsat8和Sentinel-2数据
2、查询需要landsat8和sentinel-2的轨道文件，轨道文件与查询范围相交查询影像，landsat8的轨道文件网上较多，sentinel-2的轨道文件在另一篇博客中有提供下载地址（下载为kml，可转为shapefile文件）3、参数：数据集名称（按规定填）、开始时间+结束时间（年-月-日格式）、云量、查询范围（shapefile文件，只查询第一个面要素）、存储文件夹（自定义，会在文件夹下按照年份再建一层文件夹，不想要可直接改掉）
2024-12-06 12:26:40
262
原创 哨兵二号轨道数据下载
https://sentinels.copernicus.eu/web/sentinel/user-guides/sentinel-2-msi/naming-convention
2024-12-06 11:51:45
224
原创 Lama：《Resolution-robust Large Mask Inpainting with Fourier Convolutions》解读及实操
同时我也尝试在训练中修改了mask的动态生成策略，实现了自定义mask生成来贴合我的任务场景，但考虑到训练成本尚未进行大规模训练，欢迎大家交流。该模型是根据来自Places Challenge数据集的4.5M张图像的子集进行训练的，在八台NVidia V100 GPU上接受了约240小时的train。首先需要明确的是，对一个被掩膜遮盖的区域其实可以有多种合理的填充结果，就像口罩下的长相谁也无法准确预测。更关注局部的细节纹理，而难以理解全局的结构信息，缺乏对整体的认知。而分割模型则相反，具有更好的效果。
2024-11-27 15:34:57
836
原创 CVPR 2023 | OpenGait: 步态识别研究
之上，其包含由七个网络摄像机以 15° 的间隔捕获的 10,307 个往返行走序列的主题（考虑到在同一步行路线上的往返，这总计为 14 个视图），图像大小为 1,280 x 980 像素，帧率为 25 FPS。，其认为基于空间全局信息的步态表示通常会忽略细节，同时基于局部区域的描述符无法捕获相邻部分之间的关系，从而开发了全局和局部卷积层来获取更详细的步态信息。，这是一个基于轮廓的模型，其结构简单，效果鲁邦，无论是在室内还是室外拍摄的测试步行视频均表现优异，可作为进一步研究的新基线(
2024-11-11 11:24:00
1497
原创 Linux 磁盘配置文件 /etc/fstab 详解
任何硬件设备连接后，操作系统使用硬件，即需要挂载。windows只不过是自动“挂载”了，linux需要手动自己搞。在Linux系统下，例如每次挂载/dev/sr0（光盘设备文件）需要手动使用命令mount。每次计算机重启时，硬盘一般也是被自动挂载的，而自动挂载的信息就记录在/etc/fstab文件中。系统每次启动都会读取/etc/fstab中的配置内容，自动挂载该文件中被记录的设备和分区。/etc/fstab字段含义要挂载的分区或存储设备. 设备名称，LABEL，UUID，伪文件系统名称。
2024-10-18 15:07:51
2735
原创 neo4j安装和使用（带网盘下载连接）
Neo4j也可以被看作是一个高性能的图引擎，该引擎具有成熟数据库的所有特性。程序员工作在一个面向对象的、灵活的网络结构下而不是严格、静态的表中——但是他们可以享受到具备完全的事务特性、企业级的数据库的所有好处。为什么要用两个match再创建呢，因为这样是先查到两个节点，再在两个节点之间创建关系，但是如果直接用create（例如下面这样），就会重新创建两个新的节点。个人理解：Neo4j是一个图数据库，它不同于之前数据库课上学的，以表格形式存储数据的数据库，图数据库使用顶点，边，属性来存储数据。
2024-10-16 15:38:35
2862
原创 windows下安装、配置neo4j并服务化启动
配置成功后，可以在浏览器中使用http://localhost:7474网址查看数据库，但是前提是得把桌面的应用程序关掉。记住数据库的用户名和密码，一般默认的是：用户：neo4j, 密码：neo4j.登陆后重新设置密码：在浏览器上输入用户：user和密码：xxxxx(这里是我的账户)2.2 配置neo4j-community-3.5.5\conf下的neo4j.conf文件： 将以下红色框框中配置放开注释生效。3.1.以管理员的身份运行命令行，输入neo4j.bat console命令之后；
2024-10-15 14:33:11
1841
原创 ubuntu打包命令
在Ubuntu中，我们可以使用多种命令行工具来打包我们的文件或目录。命令是Linux/Unix系统中常用的归档工具，它可以将多个文件和目录打包成一个文件。是一个用来创建.deb包的工具，deb包是Ubuntu系统中的软件包格式。格式的压缩文件，它也可以将多个文件和目录打包成一个。是你将要创建的deb包的名称。是你将要创建的deb包的名称。是你将要创建的归档文件，是你将要创建的压缩文件，是你想要归档的文件，是你想要归档的目录。是你想要压缩的文件，是你想要压缩的目录。是你想要打包的目录，是你想要打包的目录，
2024-09-13 14:45:41
830
1
原创 LXDE lxpanel桌面环境中打开一个终端窗口 lxterminal
您的问题似乎是想要在LXDE桌面环境中打开一个终端窗口。如果是这样，通常有几种方法可以做到这一点。如果你的LXDE桌面环境有一个菜单，你可以通过点击“终端”或类似的选项来打开终端。你可以使用命令行来打开终端。，你可能需要先安装它。请注意，你可能需要以root权限运行这些命令，这可以通过在命令前加上。请根据你的Linux发行版选择正确的包管理器（如。你可以在应用程序菜单中找到终端，并点击打开它。在大多数LXDE桌面环境中，你可以使用。方法三：使用应用程序菜单。不可用，你可以尝试使用。
2024-09-13 14:40:10
455
原创 YOLO v8 在马赛克增强中加入负样本，解决误检问题
虽然v8支持直接训练“无标签的负样本”（v8中叫做background），但默认方式也只是混进正样本中一起练，这会导致新的误检图得不到充分训练使用本文的“负样本马赛克”功能，可以保证每一轮、每一张图里全都有误检图。能够在较少的训练轮次中，解决漏检问题使用例：比如说你发现你模型把摩托车识别成人，那就把那几张摩托车的图放进neg_dir，练个30轮出来就不会有摩托车误识别的问题了【但要注意，放进neg_dir里的图 绝 对 不 能 有正样本（例如把摩托车误检成人的图里不能出现真的人）。
2024-09-03 16:14:03
1393
原创 看你对/etc/fstab文件了解多少？fstab文件详解
如果想把本机上的某个设备（device）挂载上来，写法如：/dev/sda1、/dev/hda2或/dev/cdrom，其中，/dev/sda1 表示第一个串口硬盘的第一个分区，也可以是第一个SCSI硬盘的第一个分区，/dev/hda1表示第一个IDE硬盘的第一个分区，/dev/cdrom 表示光驱。在这个文件下，我们要关注的是它的六个域，分别为：、、 、、、。看你对/etc/fstab文件了解多少？
2024-08-28 11:44:39
878
原创 标注神器 | Label-Studio X SAM 半自动化标注
本文将介绍结合 Label-Studio 和 SAM (Segment Anything) 半自动化标注方案，Point2Lablel：用户只需要在物体的区域内点一个点就能得到物体的掩码和边界框标注，Bbox2Label：用户只需要标注物体的边界框就能生成物体的掩码，社区的用户可以借鉴此方法，提高数据标注的效率。SAM (Segment Anything) 是 Meta AI 推出的分割一切的模型。Label Studio 是一款优秀的标注软件，覆盖图像分类、目标检测、分割等领域数据集标注的功能。
2024-08-22 11:52:45
1464
原创 python中numpy.concatenate()函数的使用
其中a1,a2,...是数组类型的参数。array([ 1, 2, 3, 11, 22, 33, 44, 55, 66]) #对于一维数组拼接，axis的值不影响最后的结果。>>> np.concatenate((a,b,c),axis=0) # 默认情况下，axis=0可以不写。>>> np.concatenate((a,b),axis=1) #axis=1表示对应行的数组进行拼接。>>> np.concatenate((a,b),axis=-1) #axis=-1表示。
2024-08-20 19:21:40
358
原创 在Python中使用OpenCV录制视频并保存
这段代码会打开默认摄像头，录制视频，并将其保存为名为"output.avi"的文件。的参数来改变输出文件的格式、帧率和分辨率。按下'q'键可以退出视频录制。当不再需要视频写入对象时，使用。循环读取摄像头的帧，并使用。来创建视频写入对象。
2024-08-20 10:56:00
1006
转载 linux磁盘分区fdisk命令详解及云硬盘挂载实操「建议收藏」
分区是将一个硬盘驱动器分成若干个逻辑驱动器，分区是把硬盘连续的区块当做一个独立的磁硬使用。分区表是一个硬盘分区的索引,分区的信息都会写进分区表。fdisk命令参数介绍：p、打印分区表。n、新建一个新分区。d、删除一个分区。q、退出不保存。w、把分区写进分区表，保存并退出。fdisk /dev/sda 对磁盘/dev/sda进行分区操作fdisk -l 查看当前的磁盘分区信息(主要是分区表信息）
2024-08-19 16:32:46
150
原创 【python基础】python切片—如何理解[-1:]，[:-1]，[::-1]的用法
在python中，序列是python最基本的数据结构，包括有string，list，tuple等数据类型，切片对序列型对象的一种索引方法，其中每个元素都有对应的位置值，具有正向递增（从0开始），反向递减（-1开始）的属性，根据此可以进行普通索引或切片索引。[ :-5:-2]：k<0，i 默认为-1，即从右往左，步长2，范围从最后一个元素开始到第二个元素。[-1: :-2]：k<0，j 默认为-6，从右往左，步长2，范围从最后一个元素开始到第一个元素。总结：[-1] [:-1] [::-1] [n::-1]
2024-08-14 17:14:10
721
原创 目标检测yolo格式与labelme标注互相转换及其可视化
yolo目标检测数据采用矩形框进行标注，其标注格式为[cls_id xp yp wp hp]，cls_id表示目标所属的类别序号。xp、yp表示目标中心点相对坐标，其中xp等于目标的绝对横坐标除以图像宽度，yp等于目标的绝对纵坐标除以图像高度。wp和hp表示目标的相对宽度和高度，其中wp等于目标的绝对宽度除以图像宽度，hp等于目标的绝对高度除以图像高度。每张图片的标注结果以txt文本文件存储，每一行[cls_id xp yp wp hp]表示一个目标。
2024-08-07 11:35:40
577
原创 Windows加载模型提示不能实例化PosixPath（cannot instantiate ‘PosixPath‘ on your system）
博主通过修改pathlib.py源码，将PosixPath替换为WindowsPath以解决不兼容问题，确保模型在Windows环境下正常实例化。在 Windows 操作系统下，默认创建的 Path 对象是 WindowsPath 对象，其余Linux，unix 等满足 POSIX规范的操作系统都将被创建为 PosixPath 对象。在Linux环境下训练好了模型，再使用Windows系统加载模型使用报错，原来是使用了PosixPath这个高级库。其中上方注释部分为源码，下方的代码为修改代码。
2024-08-07 10:56:26
412
原创 批量修改txt标签文件（删除一些类，保留一些类）
若标签中无0类标签，即只有1类标签时，直接删除该文档。原标签有0和1两类，想要删除其中的1类，保留0类。1、将txt文件名修改成从1升序。2、修改txt文档内容。
2024-07-29 16:36:15
327
转载 当姿态估计算法遇上《本草纲目》，看“刘畊宏男孩”如何驱动虚拟人
为了实现实时和精度的平衡，阿里云视频云在技术上对Bottom-Up方案（先检测出图像中的所有关节点，再判断每一个关节点属于哪一个人，实现步骤是关键点检测到关键点匹配）进行了整体的改进和优化，其预测了两个feature map分支，一个是如肩部关节、肘部关节等关键点未知的预测，另一个是预测两两关键点之间的矢量场，这是用来判断各个关键点属于图中的哪个人，并通过“匈牙利算法”来组装成一个完整的人。在竞技体育界，可以通过监督运动员姿态，创建辅助训练系统，分析运动员的每一时刻的动作，协助运动员找到更好的姿势；
2024-07-17 11:24:15
86
原创 在quiet splash 后面加（先打空格）nomodeset，然后按F10保存启动即可
编辑打开的文件，找到GRUB_CMDLINE_LINUX_DEFAULT那一行，在后面加上(在quiet splash后打一个空格) nomodeset（保险起见，nomodeset后面加多一个空格），保存，然后在终端输入 sudo update-grub 重启后就OK了!可能是我的系统有两个开机引导(windows上面我也装了个开机引导，所以开机引导了两次(问题的一个根源))二、启动系统后在Grub界面，选择ubuntu系统的那一行，然后按E键，就会进入Grub的编辑状态；可以直接选系统–比较好。
2024-06-11 18:02:33
1431
原创 AI图片光影重塑 - IC Light独立安装
3.另一个前景+背景处理页面 - Relighting with Foreground and Background Condition需要依照最后一个命令格式打开gradio_demo_bg.py。2.安装ANACONDA（https://blog.youkuaiyun.com/ViatorSun/article/details/118578818）1.安装GIT （https://blog.youkuaiyun.com/qq_42372031/article/details/130676236）前景+背景处理程序结果截屏。
2024-05-31 16:44:27
752
原创 【系统救援】 Ubuntu重启失败，报错：UNEXPECTED INCONSISTENCY； RUN fsck MANUALLY
请注意，运行文件系统检查通常需要卸载文件系统或在只读模式下运行。在进行文件系统修复之前，请确保备份数据，因为某些修复可能会导致数据丢失。不同的文件系统（如ext2、ext3、ext4等）有不同的 fsck 工具。无 -a 选项，因为 XFS 文件系统通常会在挂载时自动进行检查和修复。-f: 强制检查，即使文件系统看起来干净也会运行检查。-p: 自动修复，类似于 -a，但不询问任何问题。-y: 对所有问题都回答"是"，类似于 -p。-a: 自动修复文件系统，无需用户交互。-s: 打印每个块的修复状态。
2024-05-16 09:31:13
1264
转载 京东发布FastReID：目前最强悍的目标重识别开源库！
官方计划发布人员重识别（person re-id）,部分可见的人员重识别（ partial re-id）, 跨域人员重识别（cross-domain re-id） 和 车辆重识别（vehicle re-id） 等众多模型。提供了针对ReID任务的完整的工具箱，包括训练、评估、微调和模型部署，另外实现了在多个任务中的最先进的模型。，其不仅对相关领域的研究有帮助，而且对工程部署有优化，在各大数据集上的评测结果惊人，其今天公布的论文。可见FastReID的实现质量很高，且其包含的各个模块的组合是十分有效的。
2024-05-10 15:46:13
1020
原创 FastReID使用教程、踩坑记录
近期在尝试使用，期间对FastReID架构、损失函数、数据集准备、模型训练/评估/可视化/特征向量输出、调试debug记录等进行记录。
2024-05-10 15:23:40
2815
原创 无限新衣服零元购，阿里Outfit Anyone实现真人百变换装
而针对于模特相关的控制信号，在训练时，本身是输入模特图的一种抽象信号，可作为输入模特图的一个特征通道，在同一网络中，通过 Channel 维度进行信息整合，并不需要遵循 ControlNet 的设计，额外增加网络进行处理，从而一定程度简化模型结构。可以在保留服饰基本 ID 的基础上，显著提升服饰的材料质感，模特的皮肤真实度。因此，作者提出了一种新的支持试衣功能的条件生成网络，实现服饰的形变，光照的变化，服饰新视角变化情况下的生成，同时能够保持服饰的纹理，版型，细节的一致性。
2024-04-26 16:42:37
960
原创 yolov8源码安装
YOLOv8 是目前最新的 YOLO 模型版本，但是请注意，在撰写本回答时（2023年），YOLOv8 可能尚未发布或者还在开发中。YOLO 模型通常需要 Pytorch 框架，你可以使用 pip 来安装： pip install torch torchvision。如果 YOLOv8 还未发布或者有重大变化，请参考最新的官方文档和源代码。如果在克隆仓库或安装依赖时遇到问题，请检查 YOLOv8 的官方文档或仓库以获取最新的安装指南。安装 YOLOv8 的依赖项。
2024-04-26 11:30:42
787
1
原创 Python格式化输出%.2f%%，是什么意思
Python格式化输出%.2f%% 是什么意思。%.2f 表示浮点数保留2位小数。起到转义的作用，使结果输出百分号。%% 表示输出一个%号，
2024-04-26 11:03:41
2595
1
原创 missing 1 required positional argument: ‘self‘
这个错误通常发生在Python中使用类方法时，你没有正确地使用self参数。在Python中，实例方法必须至少有一个参数，通常被命名为self，它代表实例本身。当你在类中定义一个方法时，Python会自动将这个self参数加入到方法参数列表中。如果你是在类外部调用这个方法，并且你确信不需要一个实例（比如这个方法是静态的），那么你应该将这个方法标记为。确保你在类的方法定义中使用了self参数，并且在调用这个方法时不需要显式地传递它。，这样Python就不会自动添加self参数。
2024-04-25 16:49:18
2765
1
转载 开源版Gemini诞生！全能多模态模型Emu2登热榜，多项任务刷新SOTA
Emu2在少样本多模态理解任务上大幅超越Flamingo-80B、IDEFICS-80B等主流多模态预训练大模型，在包括VQAv2、OKVQA、MSVD、MM-Vet、TouchStone在内的多项少样本理解、视觉问答、主体驱动图像生成等任务上取得最优性能。相较2023年7月发布的第一代「多模态to多模态」Emu模型，Emu2使用了更简单的建模框架，训练了从编码器语义空间重建图像的解码器、并把模型规模化到37B参数实现模型能力和通用性上的突破。基于几个例子，模型可以照猫画虎的完成对应理解和生成任务。
2024-04-21 10:20:02
100
原创 Ubuntu使用gparted图形化工具扩容分区
请注意，扩展分区之前请确保备份重要数据，并确保没有运行正在写入数据的服务。如果是生产环境，请考虑使用更安全的方法，如使用。确认足够的未分配空间（通常是新的物理磁盘或已有磁盘上的未分配空间）。中，选择你想要扩展的分区，右键点击并选择“Resize/Move”。（对于ext3/ext4文件系统）。拖动滑块以分配更多空间给选定分区。确认当前分区布局和可用磁盘空间。如果有必要，对磁盘进行分区，使用。点击“Apply”执行更改。ubuntu扩容分区。或resize2fs。
2024-04-08 15:30:50
1577
原创 qt.qpa.plugin: Could not load the Qt platform plugin “xcb“ in “/home/.conda/envs/py39/lib/pyth
报错解释：这个错误表明Qt应用程序试图加载名为"xcb"的平台插件时失败了。xcb是X Window系统的C语言库，它允许客户端程序通过X Window系统与X服务器通信。Qt使用这个插件来在X Window系统上绘制图形用户界面。问题可能是因为：xcb插件不在指定的目录中。环境变量没有正确设置，导致Qt无法找到插件。插件可能因为缺少依赖或者是不兼容的版本而无法加载。解决方法：确认xcb插件是否存在于指定的目录中。如果不存在，可能需要安装或重新安装Qt。
2024-04-01 12:09:26
8182
1
转载 大模型参数高效微调 (PEFT) 浅析
以上这些 PEFT 方法，都是在原来模型参数之外，添加不到原参数量 1% 的参数。在这些新添加的参数上做微调，很多时候就可以媲美全参数微调了。以我个人经验来说，LoRA 和 QLoRA 是现在比较常用的，库也很好地支持了这两种方法。像是 Adapter 以及基于 pseudo soft prompt 的一些方法比较少会用到。【一家之言，欢迎评论区交流】一些论文几篇博文解密Prompt系列3. 冻结LM微调Prompt: Prefix-Tuning & Prompt-Tuning & P-Tuning。
2024-03-26 11:06:47
1061
1
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