- 博客(299)
- 资源 (5)
- 收藏
- 关注
RSS订阅原创 Could not load dynamic library ‘libcudart.so.10.1‘
解决方法是安装与tensorflow-gpu版本对应的CUDA。(建议使用anacoda虚拟环境）解决办法是安装cudann。
2024-05-21 09:58:40
373
原创 常见的目标检测bbox标注格式
并进行数据规范化(normalized)Pasic VOC 转 YOLO。COCO 转 YOLO。格式：中心坐标，宽高。
2024-04-11 17:34:15
677
原创 VSCode-Server 不停的 waiting for server log…
【代码】VSCode-Server 不停的 waiting for server log…
2023-10-12 15:26:10
1556
转载 ImportError: libGL.so.1: cannot open shared object file: No such file or directory缺少共享库
ImportError: libGL.so.1: cannot open shared object file: No such file or directory缺少共享库。（1）方法一：执行命令yum install mesa-libGL.x86_64，即可。（2）方法二：按照如图方式操作，没有测试过是否可行，网上查到的，大家可以试下。
2023-08-25 16:20:56
1776
原创 YOLO系列
1）将一幅图像分成sxs个网格(grid cell),如果某个object的中心落在这个网格中，则这个网格就负责预测这个object。2）每个网格要预测2个bounding box（同类），每个bounding box 除了要预测位置之外，还要附带预测一个confidence（iou）值。 每个网格还要预测C个类别的分数。网格中的每个子网格对应两个bounding box，选择IOU较大的那个bounding box认为其存在目标。第2行宽度和高度先取了平方根，因为如果直接取差值的话，大的对象对差值的
2022-09-24 20:06:21
659
原创 (ECCV 2022) Dense Teacher
dense label并非是feature map，而是指teacher的feature map上每个点输出的分类和回归结果，不经过任何后处理（不考虑后面说的learning region的筛选），都让student去学习。实验结果表明：对于有限数量的监督数据，如 COCO-Standard 10% 设置，相对较大的权重 4 是有利的。作者只是很简单的说因为生成的是 dense label，所以选 dense object detector，也就是 FCOS 这类 anchor free 的方法。...
2022-08-31 19:31:41
837
原创 (2022 CVPR) Unbiased Teacher v2
然而，由于训练中使用的标签数量有限，centerness score不能可靠地反映预测是否为前景实例，因为centerness分支中没有监督来抑制background instance的centerness score，因此centerness高的instance有可能是背景，在半监督训练中加入这些假阳性伪框会降低伪标记的有效性，并加剧Centerness bias问题。我们提出利用教师和学生之间的相对不确定性来选择boundary level的伪标签，其中教师的不确定性比学生的低。...
2022-08-31 19:24:15
1620
原创 Semi-supervised Semantic Segmentation Papers
一些流行的方法，例如一致性正则化或伪标签，甚至可能会损害对表现不佳的类别的学习，因为这些类别的预测或伪标签可能太不准确，无法指导对未标记数据的学习。我们的方法在众所周知的公共基准上优于当前最先进的半监督语义分割和半监督域适应，在最具挑战性的场景（即可用的标记数据较少）上有更大的改进。即使是不可靠的预测结果，虽然无法打上确定的伪标签，但仍可以作为部分类别的负样本，从而参与到模型的训练，从而让所有的无标签样本都能在训练过程中发挥作用。此外，在前景-背景不平衡的标记数据上训练的模型容易产生有偏差的预测。...
2022-08-31 19:12:48
1253
原创 Label Matching Semi-Supervised Object Detection
其中np为与不确定伪标签相匹配的对应proposal个数，C为类别数，ps i, C为学生模型中第i个proposal中第C个类别的概率，pt i, C为与ps i, C相匹配的教师模型中对应的软标签。为了鼓励自训练过程中的正反馈，我们引入了一种可靠的伪标签挖掘(RPLM)策略来进一步提高性能，旨在以课程的方式将高质量的不确定伪标签转化为可靠的伪标签。从分布级标签错配问题的角度来看，由于数据的类别分布不平衡，使用单一且固定的置信阈值来生成无偏倚的伪标签来匹配类分布一致的地真标签是极其困难的。...
2022-08-31 19:06:25
1553
原创 tmux 解决屏幕比例不协调问题
有时候 tmux 在两个显示设备切换之后，再次进入时，会发现屏幕被限制在了一个很小的范围内，其他的地方全部变成了点 “.”, 或者“-”
2022-08-12 10:57:30
613
原创 libGL.so.1: cannot open shared object file: No such file or directory
libGL.so.1cannotopensharedobjectfileNosuchfileordirectory。
2022-07-21 19:09:31
676
原创 Vscode debug时无法进入库文件
VS code 调试时会默认启用 justMyCode 配置，使得库代码无法调试，所以需要手动关闭justMyCode 配置。在launch.json文件中添加"justMyCode": false
2022-07-07 11:41:50
810
原创 with open UnicodeEncodeError: ‘ascii‘ codec can‘t encode characters in position 68-69: ordinal not i
locale -avi ~/.bashrcexport PYTHONIOENCODING=utf8vi ~/.bash_profileexport LANG=“en_US.utf8”保证这个LANG名字是local中存在的！！！source ~/.bash_profile
2022-06-15 21:05:59
211
原创 (2022 CVPR) U2PL Semi-Supervised Semantic Segmentation Using Unreliable Pseudo-Labels
(2022 CVPR) U2PLSemi-Supervised Semantic Segmentation Using Unreliable Pseudo-LabelsMotivation:半监督语义分割的关键是为未标记图像的像素分配足够的伪标签。即使是不可靠的预测结果，虽然无法打上确定的伪标签，但仍可以作为部分类别的负样本，从而参与到模型的训练，从而让所有的无标签样本都能在训练过程中发挥作用。Method:教师网络和学生网络：学生网络权重更新和一般网络更新过程相同，教师网络用EMA更新网络
2022-06-13 22:04:58
1463
原创 ModuleNotFoundError: No module named ‘_swigfaiss‘
CPU版本conda install faiss-cpu -c pytorchGPU版本pip --default-time=1000 install -i https://pypi.tuna.tsinghua.edu.cn/simple faiss-gpu
2022-05-29 20:54:28
1151
1
原创 (2022 AAAI) Semi-Supervised Object Detection with Adaptive Class-Rebalancing Self-Training
Motivation:SSOD中的伪标签不准确。此外，在前景-背景不平衡的标记数据上训练的模型容易产生有偏差的预测。类别不平衡（前景背景不平衡，前景类别不平衡）Method：前景-背景重新平衡的数据防止模型过度匹配背景实例，并帮助从大量未标记的数据中挖掘有益的信息。前景-前景重新平衡的数据有利于利用来自被忽视的类的信息的模型预测，并避免对过度聚焦的类的有偏见的预测CropBank存储ground truths/pseudo labels of foreground instances i
2022-05-26 15:36:28
563
原创 (2021 ICLR) Unbiased Teacher for Semi-Supervised Object Detection
目标检测中存在前景背景不平衡和前景之间类不平衡，这些不平衡导致半监督训练中产生有偏差的预测。伪标签作为图像分类半监督中最有效的方法之一，在目标检测中因为倾向置信度高的类别和区域导致产生偏差。将偏差伪标签加入训练会加重类不平衡问题和产生过拟合unbiased teacher：联合训练teacher和student模型，teacher模型产生伪标签用于训练student，student模型经EMA更新teacher。（1）利用伪标签训练RPN和ROIhead，从而缓解RPN和ROIhead的过拟合问题。
2022-05-26 15:34:20
942
原创 (2022 CVPR) ST++: Make Self-training Work Better forSemi-supervised Semantic Segmentation
ST++: Make Self-training Work Better for Semi-supervised Semantic Segmentation对更可靠的未标记图像进行选择和优先排序来实现选择性再训练衡量图像可靠性或不确定性的方法是计算在整个训练过程中，在不同迭代中 evolving pseudo masks的稳定性。...
2022-05-26 15:32:48
578
原创 (2021 ICCV)SoftTeacher:End-to-End Semi-Supervised Object Detection with Soft Teacher
论文地址：https://arxiv.org/abs/2106.09018代码地址：https://github.com/microsoft/SoftTeacherhttps://jishuin.proginn.com/p/763bfbd6d2b5教师模型和学生模型是两个完全相同的结构，因为要进行 EMA 更新，两者都是带有预训练的随机初始化有标签图片采用常规的 pipeline 流程，利用学生模型进行预测，计算得到有标签的 loss，包括分类和回归分支 loss参考 FixMatch 做
2022-05-26 15:30:00
737
原创 剑指 Offer 06. 从尾到头打印链表 | C++
难度：简单输入一个链表的头节点，从尾到头反过来返回每个节点的值（用数组返回）。示例 1：输入：head = [1,3,2]输出：[2,3,1]限制：0 <= 链表长度 <= 10000思路：栈记录，先进先出class Solution {public: vector<int> reversePrint(ListNode* head) { vector<int> ans; stack<int&g
2022-05-06 22:31:30
346
1
原创 剑指 Offer 30. 包含min函数的栈 | C++
难度：简单定义栈的数据结构，请在该类型中实现一个能够得到栈的最小元素的 min 函数在该栈中，调用 min、push 及 pop 的时间复杂度都是 O(1)。示例:MinStack minStack = new MinStack();minStack.push(-2);minStack.push(0);minStack.push(-3);minStack.min(); --> 返回 -3.minStack.pop();minStack.top(); --> 返回
2022-05-04 22:03:19
1351
原创 剑指 Offer 09. 用两个栈实现队列 ｜ C++
难度：简单用两个栈实现一个队列。队列的声明如下，请实现它的两个函数 appendTail 和 deleteHead ，分别完成在队列尾部插入整数和在队列头部删除整数的功能。(若队列中没有元素，deleteHead 操作返回 -1 )示例 1：输入：[“CQueue”,“appendTail”,“deleteHead”,“deleteHead”][[],[3],[],[]]输出：[null,null,3,-1]示例 2：输入：[“CQueue”,“deleteHead”,“app
2022-05-04 21:48:11
154
原创 LeetCode215. 数组中的第K个最大元素
给定整数数组 nums 和整数 k，请返回数组中第 k 个最大的元素。请注意，你需要找的是数组排序后的第 k 个最大的元素，而不是第 k 个不同的元素。示例 1:输入: [3,2,1,5,6,4] 和 k = 2输出: 5示例 2:输入: [3,2,3,1,2,4,5,5,6] 和 k = 4输出: 4提示：1 <= k <= nums.length <= 104-104 <= nums[i] <= 104来源：力扣（LeetCode）链接：
2022-02-18 22:28:36
663
转载 元学习Meta-Learning
1. Introduction通常在机器学习里，我们会使用某个场景的大量数据来训练模型；然而当场景发生改变，模型就需要重新训练。但是对于人类而言，一个小朋友成长过程中会见过许多物体的照片，某一天，当Ta（第一次）仅仅看了几张狗的照片，就可以很好地对狗和其他物体进行区分。元学习Meta Learning，含义为学会学习，即learn to learn，就是带着这种对人类这种“学习能力”的期望诞生的。Meta Learning希望使得模型获取一种“学会学习”的能力，使其可以在获取已有“知识”的基础上快速学习
2021-12-09 16:37:12
511
1
转载 Xshell远程服务器后Tensorboard的本地可视化方法
问题由于tensorflow程序在远程服务器运行，而tensorboard启动后访问地址为：0.0.0.0:6006，导致无法在本机用浏览器访问。Xshell解决方法1.不太推荐的方法可能大家在网上查了许多资料后，看到一种常见的是使用命令ssh -L 16006:127.0.0.1:6006 olivier@my_server_ip之后在服务器上运行tensorboardtensorboard --logdir=./runs然后在本机浏览器打开 http://127.0.0.1:1600
2021-11-03 17:21:34
508
1
原创 LeetCode23. 合并K个升序链表【优先队列】
难度：困难题目描述：给你一个链表数组，每个链表都已经按升序排列。请你将所有链表合并到一个升序链表中，返回合并后的链表。示例 1：输入：lists = [[1,4,5],[1,3,4],[2,6]]输出：[1,1,2,3,4,4,5,6]解释：链表数组如下：[ 1->4->5, 1->3->4, 2->6]将它们合并到一个有序链表中得到。1->1->2->3->4->4->5->6示
2021-08-29 20:53:09
209
原创 LeetCode19. 删除链表的倒数第 N 个结点【双指针】
难度：中等题目描述：给你一个链表，删除链表的倒数第 n 个结点，并且返回链表的头结点。进阶：你能尝试使用一趟扫描实现吗？示例 1：输入：head = [1,2,3,4,5], n = 2输出：[1,2,3,5]示例 2：输入：head = [1], n = 1输出：[]示例 3：输入：head = [1,2], n = 1输出：[1]提示：链表中结点的数目为 sz1 <= sz <= 300 <= Node.
2021-08-28 21:29:20
96
原创 LeetCode141. 环形链表【快慢指针】
题目难度：简单题目描述：给定一个链表，判断链表中是否有环。如果链表中有某个节点，可以通过连续跟踪 next 指针再次到达，则链表中存在环。 为了表示给定链表中的环，我们使用整数 pos来表示链表尾连接到链表中的位置（索引从 0 开始）。 如果 pos 是 -1，则在该链表中没有环。注意：pos不作为参数进行传递，仅仅是为了标识链表的实际情况。如果链表中存在环，则返回 true 。 否则，返回 false 。进阶：你能用 O(1)（即，常量）内存解决此问题吗？/** * Defi
2021-08-28 20:56:11
267
原创 Leetcode70. 爬楼梯
难度：简单题目描述：假设你正在爬楼梯。需要 n 阶你才能到达楼顶。每次你可以爬 1 或 2 个台阶。你有多少种不同的方法可以爬到楼顶呢？注意：给定 n 是一个正整数。示例 1：输入：2输出：2解释：有两种方法可以爬到楼顶。1 阶 + 1 阶2 阶示例 2：输入：3输出：3解释：有三种方法可以爬到楼顶。1 阶 + 1 阶 + 1 阶1 阶 + 2 阶2 阶 + 1 阶f(x) = f(x-1) + f(x-2)class S
2021-08-26 19:16:54
101
原创 Leetcode581. 最短无序连续子数组
题目难度：中等题目描述：给你一个整数数组 nums ，你需要找出一个 连续子数组 ，如果对这个子数组进行升序排序，那么整个数组都会变为升序排序。请你找出符合题意的 最短 子数组，并输出它的长度。示例 1：输入：nums = [2,6,4,8,10,9,15]输出：5解释：你只需要对 [6, 4, 8, 10, 9] 进行升序排序，那么整个表都会变为升序排序。示例 2：输入：nums = [1,2,3,4]输出：0示例 3：输入：nums = [1
2021-08-26 11:50:33
94
原创 Leetcode142. 环形链表 II
难度：中等题目描述：给定一个链表，返回链表开始入环的第一个节点。 如果链表无环，则返回 null。为了表示给定链表中的环，我们使用整数 pos 来表示链表尾连接到链表中的位置（索引从 0 开始）。 如果 pos 是> -1，则在该链表中没有环。注意，pos 仅仅是用于标识环的情况，并不会作为参数传递到函数中。说明：不允许修改给定的链表。进阶：你是否可以使用 O(1) 空间解决此题？示例1:输入：head = [3,2,0,-4], pos = 1输出：返回索引为 1
2021-08-26 10:53:56
138
原创 Leetcode162. 寻找峰值
难度：中等题目描述：峰值元素是指其值大于左右相邻值的元素。给你一个输入数组 nums，找到峰值元素并返回其索引。数组可能包含多个峰值，在这种情况下，返回 任何一个峰值 所在位置即可。你可以假设 nums[-1] = nums[n] = -∞ 。示例 1：输入：nums = [1,2,3,1]输出：2解释：3 是峰值元素，你的函数应该返回其索引 2。示例 2：输入：nums = [1,2,1,3,5,6,4]输出：1 或 5解释：你的函数可以返回索
2021-08-26 10:49:53
108
原创 Leetcode322. 零钱兑换【动态规划】
难度：中等题目描述：给你一个整数数组 coins ，表示不同面额的硬币；以及一个整数 amount ，表示总金额。计算并返回可以凑成总金额所需的 最少的硬币个数 。如果没有任何一种硬币组合能组成总金额，返回 -1 。你可以认为每种硬币的数量是无限的。示例 1：输入：coins = [1, 2, 5], amount = 11输出：3解释：11 = 5 + 5 + 1示例 2：输入：coins = [2], amount = 3输出：-1示例 3：输
2021-08-26 10:46:32
179
原创 LeetCode42. 接雨水
难度：困难题目描述：给定 n 个非负整数表示每个宽度为 1 的柱子的高度图，计算按此排列的柱子，下雨之后能接多少雨水。示例 1：输入：height = [0,1,0,2,1,0,1,3,2,1,2,1]输出：6解释：上面是由数组 [0,1,0,2,1,0,1,3,2,1,2,1] 表示的高度图，在这种情况下，可以接 6 个单位的雨水（蓝色部分表示雨水）。示例 2：输入：height = [4,2,0,3,2,5]输出：9提示：n == height
2021-08-25 22:46:50
495
转载 pytorch操作小技巧----模型性能观察
在我们创造一个新模型的时候，我们需要对一个模型进行全面的观察，与其他模型进行比较。下面就介绍几种观察模型性能的方法1查看模型的计算量和参数使用thop这个参数库from thop import profilefrom thop import clever_formatdef get_pf(model,input): flops, params = profile(model, inputs=(input,)) flops, params = clever_format([flop
2021-08-03 15:51:31
814
原创 LeetCode1081. 不同字符的最小子序列
题目难度：中等题目描述：返回 s 字典序最小的子序列，该子序列包含 s 的所有不同字符，且只包含一次。示例 1：输入：s = “bcabc”输出：“abc”示例 2：输入：s = “cbacdcbc”输出：“acdb”提示：1 <= s.length <= 1000s 由小写英文字母组成class Solution {public: string smallestSubsequence(string s) { string ans
2021-06-10 10:00:50
211
原创 LeetCode48. 旋转图像
题目难度：中等题目描述：给定一个 n × n 的二维矩阵 matrix 表示一个图像。请你将图像顺时针旋转 90 度。你必须在 原地 旋转图像，这意味着你需要直接修改输入的二维矩阵。请不要 使用另一个矩阵来旋转图像。找规律class Solution {public: void rotate(vector<vector<int>>& matrix) { int n = matrix.size(); vector<i
2021-05-31 17:12:34
140
人工智能及其应用ppt.zip
2020-03-21
图书管理系统.c
2019-06-17
操作系统模拟.rar
2019-05-16
c++课程设计 学生选课系统
2019-04-07
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人