<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[dexterod的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/dexterod</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; dexterod]]></copyright><item><title><![CDATA[shell脚本]]></title><link>https://blog.youkuaiyun.com/dexterod/article/details/108070902</link><guid>https://blog.youkuaiyun.com/dexterod/article/details/108070902</guid><author>dexterod</author><pubDate>Tue, 18 Aug 2020 10:10:45 +0800</pubDate><description><![CDATA[shell脚本学习入门篇：https://www.cnblogs.com/52fhy/p/5441929.html
实例：

#!/bin/bash

project_root_dir=/project/train/src_repo
log_file=/project/train/log/log.txt

pip install -i https://pypi.tuna.tsinghua.edu.cn/simple -r /project/train/src_repo/requirements.txt \.]]></description><category></category></item><item><title><![CDATA[5G学习（一）5G通信概述]]></title><link>https://blog.youkuaiyun.com/dexterod/article/details/107282376</link><guid>https://blog.youkuaiyun.com/dexterod/article/details/107282376</guid><author>dexterod</author><pubDate>Sat, 11 Jul 2020 15:19:16 +0800</pubDate><description><![CDATA[声明：部分摘自一些非常棒的文章，都会列在下面，如果有需要，建议看原文，讲解地非常精彩，本文做一个汇总，以供笔者和大家学习，不涉及商业用途。
1. 深入浅出，一文看懂5G通信技术
5G特点：使用毫米波（特高频率）、微基站、Ｍassive MIMO（大规模多天线技术）
---------------------------------------------------------------------------------------------------------------------------]]></description><category></category></item><item><title><![CDATA[图像处理常用函数汇总篇（opencv、numpy）持续更新中~]]></title><link>https://blog.youkuaiyun.com/dexterod/article/details/106925205</link><guid>https://blog.youkuaiyun.com/dexterod/article/details/106925205</guid><author>dexterod</author><pubDate>Tue, 23 Jun 2020 16:12:46 +0800</pubDate><description><![CDATA[0 目录
1 opencv
	1.1 cv2.minAreaRect
	1.2 cv2.boxPoints

1 opencv篇
1.1 cv2.minAreaRect
1.1.1 函数原型
cv2.minAreaRect(Points)   生成最小外接矩形
其中points是点集，数据类型为ndarray，array((x1,y1),(x2,y2),…,(xn,yn))
而minAreaRect就是求出在上述点集下的最小面积矩形
eg:

1.1.2 返回对象rect

其中 rect(0) = 中心点]]></description><category></category></item><item><title><![CDATA[GAN生成对抗网络合集（八）：GeneGAN - 子属性分离重组 - 解决对象变形问题]]></title><link>https://blog.youkuaiyun.com/dexterod/article/details/106529197</link><guid>https://blog.youkuaiyun.com/dexterod/article/details/106529197</guid><author>dexterod</author><pubDate>Wed, 03 Jun 2020 18:26:15 +0800</pubDate><description><![CDATA[GeneGAN 源文：GeneGAN: Learning Object Transfiguration and Attribute Subspace from Unpaired Data
GeneGAN 源代码：https://github.com/Prinsphield/GeneGAN
---------------------------------------------------------------------------------------------------------------]]></description><category></category></item><item><title><![CDATA[GAN生成对抗网络合集（七）：cycleGAN—循环损失的提出 / starGAN]]></title><link>https://blog.youkuaiyun.com/dexterod/article/details/106521517</link><guid>https://blog.youkuaiyun.com/dexterod/article/details/106521517</guid><author>dexterod</author><pubDate>Wed, 03 Jun 2020 12:11:31 +0800</pubDate><description><![CDATA[cycleGAN源文：https://arxiv.org/abs/1703.10593
cycleGAN笔者实践代码：https://github.com/leehomyc/cyclegan-1
-----------------------------------------------------------------------------------------------------------------------------------------
1 cycleGAN大体思路
到了cyc]]></description><category></category></item><item><title><![CDATA[GAN生成对抗网络合集（六）：GAN-cls –具有匹配感知的判别器（附代码）]]></title><link>https://blog.youkuaiyun.com/dexterod/article/details/106499111</link><guid>https://blog.youkuaiyun.com/dexterod/article/details/106499111</guid><author>dexterod</author><pubDate>Tue, 02 Jun 2020 17:04:10 +0800</pubDate><description><![CDATA[1 GAN-cls原理
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;这是一种GAN网络增强技术----具有匹配感知的判别器。前面讲过，在InfoGAN中，使用了ACGAN的方式进行指导模拟数据与生成数据的对应关系（分类）。在GAN-cls中该效果会以更简单的方式来实现，即增强判别器的功能，令其不仅能判断图片真伪，还能判断匹配真伪。

（个人理解）没啥实质性改变，时间并未缩短，技术也没有怎么简化甚至变得复杂了。就是思想上的一个转变，原本ACGan是模拟样本+正确分类信息]]></description><category></category></item><item><title><![CDATA[GAN生成对抗网络合集（五）：LSGan-最小二乘GAN（附代码）]]></title><link>https://blog.youkuaiyun.com/dexterod/article/details/106493199</link><guid>https://blog.youkuaiyun.com/dexterod/article/details/106493199</guid><author>dexterod</author><pubDate>Tue, 02 Jun 2020 15:32:24 +0800</pubDate><description><![CDATA[首先分享一个讲得还不错的博客：
经典论文复现 | LSGAN：最小二乘生成对抗网络
1. LSGan原理
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;GAN是以对抗的方式逼近概率分布。但是直接使用该方法，会随着判别器越来越好而生成器无法与其对抗，进而形成梯度消失的问题。所以不论是WGAN，还是本节中的LSGAN，都是试图使用不同的距离度量（loss值），从而构建一个不仅稳定，同时还收敛迅速的生成对抗网络。
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&]]></description><category></category></item><item><title><![CDATA[GAN生成对抗网络合集（四）：wGAN及wGAN-gp（附代码）]]></title><link>https://blog.youkuaiyun.com/dexterod/article/details/106491763</link><guid>https://blog.youkuaiyun.com/dexterod/article/details/106491763</guid><author>dexterod</author><pubDate>Tue, 02 Jun 2020 11:41:56 +0800</pubDate><description><![CDATA[1 原始GAN存在问题
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;实际训练中，GAN存在着训练困难、生成器和判别器的loss无法指示训练进程、生成样本缺乏多样性等问题。这与GAN的机制有关。
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;GAN最终达到对抗的纳什均衡只是一个理想状态，而现实情况中得到的结果都是中间状态（伪平衡）。大部分的情况是，随着训练的次数越多判别器D的效果越好，会导致一直可以将生成器G的输出与真实样本区分开。]]></description><category></category></item><item><title><![CDATA[GAN生成对抗网络合集（三）：InfoGAN和ACGAN-指定类别生成模拟样本的GAN（附代码）]]></title><link>https://blog.youkuaiyun.com/dexterod/article/details/106479870</link><guid>https://blog.youkuaiyun.com/dexterod/article/details/106479870</guid><author>dexterod</author><pubDate>Mon, 01 Jun 2020 20:11:15 +0800</pubDate><description><![CDATA[1 InfoGAN-带有隐含信息的GAN
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;InfoGAN是一种把信息论与GAN相融合的神经网络，能够使网络具有信息解读功能。
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;GAN的生成器在构建样本时使用了任意的噪声向量x’，并从低维的噪声数据x’中还原出来高维的样本数据。这说明数据x’中含有具有与样本相同的特征。
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&]]></description><category></category></item><item><title><![CDATA[GAN生成对抗网络合集（二）：DCGAN-基于深度卷积的GAN]]></title><link>https://blog.youkuaiyun.com/dexterod/article/details/106469018</link><guid>https://blog.youkuaiyun.com/dexterod/article/details/106469018</guid><author>dexterod</author><pubDate>Mon, 01 Jun 2020 11:24:31 +0800</pubDate><description><![CDATA[&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;如果使用原始的GAN，输入GAN的随机噪声为100维的随机噪声，输出图像为256×256大小。也就是说要将100维的信息映射为65536维（38维的映射为28×28=784维）。如果单纯用原始的DNN来实现，整个模型参数非常巨大，且学习难度很大（低纬度映射到高纬度需要添加许多信息）
DCGAN即使用卷积网络的对抗网络，其原理和GAN一样，只是把CNN卷积技术用于GAN模式的网络里。
G（生成器）网在生成数据时，使用反卷积的重]]></description><category></category></item><item><title><![CDATA[GAN生成对抗网络合集（一）：理论基础及一些相关概念]]></title><link>https://blog.youkuaiyun.com/dexterod/article/details/106467441</link><guid>https://blog.youkuaiyun.com/dexterod/article/details/106467441</guid><author>dexterod</author><pubDate>Mon, 01 Jun 2020 11:06:05 +0800</pubDate><description><![CDATA[&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;对抗神经网络其实是两个网络的的组合，两者关系形成对抗。是用网络来监督网络的一个自学习过程。

生成器（generator）生成模拟数据：不断优化自己让判别器判断不出来是模拟数据。主要是从训练数据中产生相同分布的samples，对于输入x，类别标签y，在生成式模型中估计其联合概率分布（两个及以上随机变量组成的随机向量的概率分布）；
判别器（discriminator）判断生成的数据是真实还是模拟的：不断优化自己让自己判断更准确]]></description><category></category></item><item><title><![CDATA[Github上传自己的项目文件 过程全记录]]></title><link>https://blog.youkuaiyun.com/dexterod/article/details/106329168</link><guid>https://blog.youkuaiyun.com/dexterod/article/details/106329168</guid><author>dexterod</author><pubDate>Mon, 25 May 2020 12:40:14 +0800</pubDate><description><![CDATA[网上的Github上传自己的项目文件的方式大体分为三种，方式有繁有易。这里记录一下笔者自己上传文件到Github上的过程和遇到的一些问题，仅做参考。
-----------------------------------------------------------------------------------------------------------------------------------------
步骤1 注册Github账号
这一步不用多说哈~
在 Github官网 上注册一个账号]]></description><category></category></item><item><title><![CDATA[C++学习（五）：引用和指针的简单理解]]></title><link>https://blog.youkuaiyun.com/dexterod/article/details/106199954</link><guid>https://blog.youkuaiyun.com/dexterod/article/details/106199954</guid><author>dexterod</author><pubDate>Mon, 18 May 2020 21:13:19 +0800</pubDate><description><![CDATA[1 引用–&gt;效率是关键！！
1.1 引用解决的是什么问题？
C++函数中参数的传递方式是传值。在函数域中为参数重新分配内存。而把实参的数值传递到新分配的内存中。这样能有效地避免函数的副作用。
如果要求改变的实参是一个复杂的对象，重新分配内存就会引起程序执行效率大大下降。于是在C++中使用一种新的导出型数据类型——引用（reference），可以解决上面的难题，引用又称别名（alias）。
上面的话是什么意思呢？举个栗子：
void swap(int x, int y)
{
	int tmp = x;
]]></description><category></category></item><item><title><![CDATA[C++学习（四）：构造函数和析构函数]]></title><link>https://blog.youkuaiyun.com/dexterod/article/details/106186593</link><guid>https://blog.youkuaiyun.com/dexterod/article/details/106186593</guid><author>dexterod</author><pubDate>Mon, 18 May 2020 15:07:01 +0800</pubDate><description><![CDATA[1 构造函数
按照上一节讲的，我们如果要初始化数据成员，需要按照下面这样定义一个公有函数。
class Test
{
public:
	void InitTest(int d = 1)
	{
		data = d;
	}
private:
	int data;
}

void main()
{
	Test t;
	t.InitTest(100);  //结果是100
}

可以看到，我们在类中定义的大多数数据成员都是私有的，一开始定义的数据成员是个随机值。如果要对它们进行初始化，必须用一个公有函数来进行。同]]></description><category></category></item><item><title><![CDATA[C++学习（三）：this指针]]></title><link>https://blog.youkuaiyun.com/dexterod/article/details/106176603</link><guid>https://blog.youkuaiyun.com/dexterod/article/details/106176603</guid><author>dexterod</author><pubDate>Sun, 17 May 2020 21:21:20 +0800</pubDate><description><![CDATA[1 问题的提出：this指针解决的是什么问题？
在上一讲 C++学习（二）：类的定义与对象的创建 中，我们提到了类与对象，那么类是怎么进行数据存储的呢？
类是将数据分为Data和Function两部分来存储的，比如同样的CGoods类，其Data部分是不同对象单独存储，而Function部分是放在一起来调用的。
但这样会有一个问题，我们在实例化以后，如果给不同的对象赋值，比如下面代码中给CGoods实例化为c1和c2，我们的函数 GetName 怎么能知道调用的是谁的 name呢？诚然，我们是在代码中以c1]]></description><category></category></item><item><title><![CDATA[RRPN 论文详解]]></title><link>https://blog.youkuaiyun.com/dexterod/article/details/106048699</link><guid>https://blog.youkuaiyun.com/dexterod/article/details/106048699</guid><author>dexterod</author><pubDate>Sun, 17 May 2020 11:57:23 +0800</pubDate><description><![CDATA[Arbitrary-Oriented Scene Text Detection via Rotation Proposals
通过旋转方案进行任意方向的场景文本检测
声明：笔者翻译论文仅为学习研究，如有侵权请联系作者删除博文，谢谢！
源论文地址：https://arxiv.org/pdf/1703.01086.pdf
笔者践行代码：待续 ~
注：文字中标粗和亮色的部分为笔者认为有创新改进余地和需要注意的地方，灰色背景部分为笔者的一些想法。因水平所限，部分笔触可能有不实和错误之处，敬请广大读者批评指正，让我们]]></description><category></category></item><item><title><![CDATA[C++学习（二）：类的定义与对象的创建]]></title><link>https://blog.youkuaiyun.com/dexterod/article/details/106057403</link><guid>https://blog.youkuaiyun.com/dexterod/article/details/106057403</guid><author>dexterod</author><pubDate>Thu, 14 May 2020 11:44:58 +0800</pubDate><description><![CDATA[1 软件概述
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;一个软件的生命期包含：需求分析、设计、编程、测试、运行维护这五个部分
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;程序的设计方法包括两种：结构化程序设计和面向对象的程序设计。
&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;结构化程序设计归结为：程序=算法+数据结构，面向过程，数据与程序分离；设计的基本思想是自顶向下、逐步细化的设计方法]]></description><category></category></item><item><title><![CDATA[C++学习（一）：由C过渡到C++]]></title><link>https://blog.youkuaiyun.com/dexterod/article/details/106026195</link><guid>https://blog.youkuaiyun.com/dexterod/article/details/106026195</guid><author>dexterod</author><pubDate>Mon, 11 May 2020 16:32:53 +0800</pubDate><description><![CDATA[前言：我在本科虽然学过C语言和C++的课程，但"众所周知的原因"…好吧，没有实践、不经常使用的语言是没有灵魂的…所以在之前参加口罩和安全帽识别比赛以后被SDK的编写打击到的我决定跟着网课重新学习一遍，也是方便之后的力扣刷题吧。网课跟的是51CTO学院里的鲍松山老师，讲的还不错，这里安利一波~ ~
-----------------------------------------------------------------------------------------------------------]]></description><category></category></item><item><title><![CDATA[目标检测评价指标（含 mAP、F-measure、FPS）]]></title><link>https://blog.youkuaiyun.com/dexterod/article/details/105848618</link><guid>https://blog.youkuaiyun.com/dexterod/article/details/105848618</guid><author>dexterod</author><pubDate>Thu, 30 Apr 2020 22:25:06 +0800</pubDate><description><![CDATA[写在前面的话
无论是目标检索、分类、还是检测，都有其自身的一套评价指标体系。可能其中很多概念很类似，比如精确度、召回率。但其实内涵还是有些不一样的。身为一个已经搞了一年图像目标检测的后进者，直到现在才发现，之前我以为轻松搞懂的评价标准，其实是错误的。今天特就自己翻阅的资料做一个汇总，不敢保证对，但至少修正了一部分自以为是的思想。
在网上之前看到的很多打着目标检测评价指标的博文，其实只是对分类做的评...]]></description><category></category></item><item><title><![CDATA[图像层次]]></title><link>https://blog.youkuaiyun.com/dexterod/article/details/105777284</link><guid>https://blog.youkuaiyun.com/dexterod/article/details/105777284</guid><author>dexterod</author><pubDate>Sun, 26 Apr 2020 21:17:19 +0800</pubDate><description><![CDATA[&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;&nbsp;在计算机设计系统中，为更便捷有效地处理图像素材，通常将它们置于不同的层中，而图像可看作是由若干层图像叠加而成的。低层特征分辨率更高，包含更多位置、细节信息，但是由于经过的卷积更少，其语义性更低，噪声更多。高层特征具有更强的语义信息，但是分辨率很低，对细节的感知能力较差。在很多工作中，融合不同尺度的特征是提高分割性能...]]></description><category></category></item></channel></rss>