<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Right here, Code is Magic]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/gzj2013</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; gzj2013]]></copyright><item><title><![CDATA[扩展卷积详解 - 组卷积, 深度可分离卷积, 空洞卷积]]></title><link>https://blog.youkuaiyun.com/gzj2013/article/details/113970919</link><guid>https://blog.youkuaiyun.com/gzj2013/article/details/113970919</guid><author>gzj2013</author><pubDate>Tue, 23 Feb 2021 09:28:33 +0800</pubDate><description><![CDATA[文章目录零. Standard Convolution - 标准卷积一. Group Convolution - 组卷积二. Depth Separable Convolution - 深度可分离卷积三. Dilated Convoluton - 扩张卷积四. 参考
在标准卷积的基础上介绍组卷积, 深度可分离卷积, 空洞卷积.

零. Standard Convolution - 标准卷积
标准卷积运算是这样地:

对于输入特征为 C∗H∗WC*H*WC∗H∗W, 卷积核大小为 K∗KK*KK∗K, 共 N]]></description><category></category></item><item><title><![CDATA[在 CMake 生成的 VS2015 工程中保持源码文件的目录组织]]></title><link>https://blog.youkuaiyun.com/gzj2013/article/details/102619480</link><guid>https://blog.youkuaiyun.com/gzj2013/article/details/102619480</guid><author>gzj2013</author><pubDate>Fri, 18 Oct 2019 09:45:23 +0800</pubDate><description><![CDATA[在某一工程内，多个文件散乱的分布在 Source Files/ 目录和 Header Files 目录中, 不便于查看和调试代码，如下图所示.

通过使用 SOURCE_GROUP 命令, 可以使源码保持原本的目录组织方式 (当然也可以自己重新组织).
先看看组织后的目录数:

目录组织 - source_group()
先看看官方给出的命令说明: source_group() 用于定义生成 ID...]]></description><category></category></item><item><title><![CDATA[视觉里程计简介]]></title><link>https://blog.youkuaiyun.com/gzj2013/article/details/100878053</link><guid>https://blog.youkuaiyun.com/gzj2013/article/details/100878053</guid><author>gzj2013</author><pubDate>Mon, 16 Sep 2019 10:01:13 +0800</pubDate><description><![CDATA[本文英文博客原文: http://avisingh599.github.io/vision/monocular-vo/

这篇博客主要讲述一个简单的视觉里程计 (Visual Odometry) 的实现。整个流程较为简单, 后续在此基础上对效率精度进一步提高。
什么是视觉里程计？
首先我们看一看维基百科的介绍 https://en.wikipedia.org/wiki/Visual_odomet...]]></description><category></category></item><item><title><![CDATA[Windows 下 VS Code Remote-Development(ssh)  插件的安装和配置]]></title><link>https://blog.youkuaiyun.com/gzj2013/article/details/90236650</link><guid>https://blog.youkuaiyun.com/gzj2013/article/details/90236650</guid><author>gzj2013</author><pubDate>Wed, 15 May 2019 14:55:18 +0800</pubDate><description><![CDATA[本文主要介绍如何通过 ssh 的方法链接到远程机器（必须是 Linux 系统）上，另外插件还提供了连接到 WSL 和容器的功能。 配置的过程如下：
1. 远程主机安装 ssh-server
# ubuntu 系统
sudo apt-get install openssh-server

2. 本地主机安装 ssh-client
windows 系统中下载安装 OpenSSH，下载地址： https...]]></description><category></category></item><item><title><![CDATA[Wine 的QQ,微信 中文显示与字体设置 - 显示为方框]]></title><link>https://blog.youkuaiyun.com/gzj2013/article/details/85236433</link><guid>https://blog.youkuaiyun.com/gzj2013/article/details/85236433</guid><author>gzj2013</author><pubDate>Mon, 24 Dec 2018 17:25:34 +0800</pubDate><description><![CDATA[走到这里的同学相信已经踩过以下几个坑了:
解决在ubuntu18.04下通过wine安装微信与QQ中文字体无法正常显示的问题
彻底消除wine中文乱码,QQ,kugoo等等… ,这个方法在字体已经存在时不会进行替代，因此一般不起作用.
Ubuntu 安装Wine 显示方块字体 如：□ □ □ [解决]
首先明确一点: 亲测可用.
参考这篇文章: [http://linux-wiki.cn/wiki...]]></description><category></category></item><item><title><![CDATA[卷积层中的 group 参数理解]]></title><link>https://blog.youkuaiyun.com/gzj2013/article/details/84884353</link><guid>https://blog.youkuaiyun.com/gzj2013/article/details/84884353</guid><author>gzj2013</author><pubDate>Thu, 20 Dec 2018 10:57:46 +0800</pubDate><description><![CDATA[卷积层中 group 参数理解
Convolution 层的参数中有一个group参数，其意思是将对应的输入通道与输出通道数进行分组, 默认值为1, 也就是说默认输出输入的所有通道各为一组.  比如输入数据大小为
90x100x100x32 90是数据批大小 100x100是图像数据shape，32是通道数，要经过一个3x3x48的卷积，group默认是1，就是全连接的卷积层，
如果group是2...]]></description><category></category></item><item><title><![CDATA[darknet 源码阅读(三) - 训练网络]]></title><link>https://blog.youkuaiyun.com/gzj2013/article/details/82453672</link><guid>https://blog.youkuaiyun.com/gzj2013/article/details/82453672</guid><author>gzj2013</author><pubDate>Thu, 06 Dec 2018 15:39:43 +0800</pubDate><description><![CDATA[darknet 是如何从读取图片到最终反向传播完成一个完整的训练过程?    ]]></description><category></category></item><item><title><![CDATA[darknet 源码阅读(番外篇一) - 卷积层]]></title><link>https://blog.youkuaiyun.com/gzj2013/article/details/84853096</link><guid>https://blog.youkuaiyun.com/gzj2013/article/details/84853096</guid><author>gzj2013</author><pubDate>Thu, 06 Dec 2018 14:40:51 +0800</pubDate><description><![CDATA[这篇文章是该系列的番外篇. 针对常见的卷积层, 从解析配置文件参数到网络训练, 分析卷积层配置文件参数解析及其前向运算, 反向传播过程.
1. 卷积层的配置文件参数解析
从卷积层的创建到卷积层的前向运算, 串联整个脉络.
convolutional_layer make_convolutional_layer(int batch, int h, int w, int c, int n, int g...]]></description><category></category></item><item><title><![CDATA[darknet 源码阅读(零) - Entry Point]]></title><link>https://blog.youkuaiyun.com/gzj2013/article/details/84837198</link><guid>https://blog.youkuaiyun.com/gzj2013/article/details/84837198</guid><author>gzj2013</author><pubDate>Wed, 05 Dec 2018 15:37:06 +0800</pubDate><description><![CDATA[就像所有的故事都有一个引人入胜的开头一样, darknet 也有一个漂亮的入口. 源码阅读第一步: 找到山门的入口 - main() 函数.
文件: darknet/examples/darknet.c.   
函数: main()


1. 关于分析主线的确定.

darknet 实现了较多的深度学习应用工具, 例如: classifier, segmenter, detector 等. 基于目...]]></description><category></category></item><item><title><![CDATA[darknet 源码阅读(二) - 加载训练样本数据]]></title><link>https://blog.youkuaiyun.com/gzj2013/article/details/82456548</link><guid>https://blog.youkuaiyun.com/gzj2013/article/details/82456548</guid><author>gzj2013</author><pubDate>Tue, 04 Dec 2018 17:54:56 +0800</pubDate><description><![CDATA[本文主要围绕 load_data() 函数分析 darknet 是如何加载训练样本数据的, 函数定义在文件 darknet/src/data.c 中.    

#]]></description><category></category></item><item><title><![CDATA[OpenCV 实现 Matlab 的 imreconstruct 函数]]></title><link>https://blog.youkuaiyun.com/gzj2013/article/details/83786254</link><guid>https://blog.youkuaiyun.com/gzj2013/article/details/83786254</guid><author>gzj2013</author><pubDate>Tue, 06 Nov 2018 18:02:26 +0800</pubDate><description><![CDATA[

]]></description><category></category></item><item><title><![CDATA[显著目标检测论文(三)——Minimum Barrier Salient Object Detection at 80 FPS (2015)]]></title><link>https://blog.youkuaiyun.com/gzj2013/article/details/83652547</link><guid>https://blog.youkuaiyun.com/gzj2013/article/details/83652547</guid><author>gzj2013</author><pubDate>Fri, 02 Nov 2018 11:20:59 +0800</pubDate><description><![CDATA[这篇文章的最大一个亮点就是其实时性, 80 fps. 个人感觉论文的效果还是很惊艳的. 作者使用的机器配置如下:

3.2GHz x 2 CPU
12G RAM

论文中提出了 MB 方法和 MB+ 方法. 其中 MB 的代码使用 C 实现, MB+ 的代码使用 matlab 实现. 这里的 80 fps 指的是 MB 的运行速度.
另外, 没有计算 I/O 的时间消耗, 没有使用并行计算来同时处...]]></description><category></category></item><item><title><![CDATA[OpenCV 常用的 API]]></title><link>https://blog.youkuaiyun.com/gzj2013/article/details/82791219</link><guid>https://blog.youkuaiyun.com/gzj2013/article/details/82791219</guid><author>gzj2013</author><pubDate>Thu, 11 Oct 2018 08:40:26 +0800</pubDate><description><![CDATA[保存图片 - imwrite()
bool imwrite(const string&amp;amp;amp;amp;amp;amp;amp; filename, 
             InputArray img, 
             const vector&amp;amp;amp;amp;amp;amp;lt;int&amp;amp;amp;amp;amp;amp;gt;&amp;amp;amp;amp;amp;amp;amp; params=vector&amp;amp;amp;]]></description><category></category></item><item><title><![CDATA[显著目标检测论文(二) —— FASA: Fast, Accurate, and Size-Aware Salient Object Detection (2014)]]></title><link>https://blog.youkuaiyun.com/gzj2013/article/details/82781578</link><guid>https://blog.youkuaiyun.com/gzj2013/article/details/82781578</guid><author>gzj2013</author><pubDate>Thu, 20 Sep 2018 09:44:44 +0800</pubDate><description><![CDATA[当初读这篇论文的时候, 第一感觉是写的很难读懂, 倒不是说算法思想层面的东西难懂, 而是英文语法层面很难准确理解一句话的含义. 在这里对论文思路做一个梳理.
本文的目标是清楚地描述论文的核心思想, 但又不陷入翻译论文的套路. 如有一些不合适的观点, 还请各位看官批评指正, 在犯错中学习倒也记忆深刻.
言归正传.  按照作者的说法, 这篇论文有两个&amp;amp;amp;amp;amp;amp;amp;amp;amp;quot;亮点&amp;amp;amp;amp;amp;amp;amp;amp;amp]]></description><category></category></item><item><title><![CDATA[前景分割算法(一) - Shared Sampling for Real-Time Alpha Matting (2010年)]]></title><link>https://blog.youkuaiyun.com/gzj2013/article/details/82685389</link><guid>https://blog.youkuaiyun.com/gzj2013/article/details/82685389</guid><author>gzj2013</author><pubDate>Thu, 13 Sep 2018 13:41:17 +0800</pubDate><description><![CDATA[论文引用: 


  Shared Sampling for Real-Time Alpha Matting 
    Eduardo S. L. Gastal and Manuel M. Oliveira 
    Computer Graphics Forum. Volume 29 (2010), Number 2. 
    Proceedings of Eurographics 2010,...]]></description><category></category></item><item><title><![CDATA[(三) COCO Python API - 数据集类数量分布]]></title><link>https://blog.youkuaiyun.com/gzj2013/article/details/82425954</link><guid>https://blog.youkuaiyun.com/gzj2013/article/details/82425954</guid><author>gzj2013</author><pubDate>Wed, 05 Sep 2018 16:48:27 +0800</pubDate><description><![CDATA[COCO 数据集中各类数量的分布到底是怎样的?    

如果一个数据集中各类数量分布差异很大, 是否会对深度学习模型训练有影响? 为什么?     

如果有影响, 那又应该如何处理?     



初步分析



以下这段代码给出了 COCO 数据集 2017_val 中的三大类: ‘person’,’dog’,’skateboard’ 的图片数据和标注数据的数量.   

from pyc...]]></description><category></category></item><item><title><![CDATA[(二) COCO Python API - 源码分析篇]]></title><link>https://blog.youkuaiyun.com/gzj2013/article/details/82421166</link><guid>https://blog.youkuaiyun.com/gzj2013/article/details/82421166</guid><author>gzj2013</author><pubDate>Wed, 05 Sep 2018 15:54:57 +0800</pubDate><description><![CDATA[如果对于 COCO 给出的标注信息只是做一些常规场景的使用, 参考  https://github.com/dengdan/coco/blob/master/PythonAPI/pycocoDemo.ipynb 脚本已经完全够用了.   

脚本的具体使用方法可以参考我的博客: (一) COCO Python API - 使用篇.   

但是对于那些想要进一步挖掘 COCO 数据集的小伙伴来说,...]]></description><category></category></item><item><title><![CDATA[(一) COCO Python API - 使用篇]]></title><link>https://blog.youkuaiyun.com/gzj2013/article/details/82385164</link><guid>https://blog.youkuaiyun.com/gzj2013/article/details/82385164</guid><author>gzj2013</author><pubDate>Wed, 05 Sep 2018 11:04:06 +0800</pubDate><description><![CDATA[为使用户更好地使用 COCO 数据集, COCO 提供了各种 API, 这里就 Python API 的使用做个简单介绍.  

在介绍 API 之前, 首先应该对 COCO 数据集有个大概的了解.  


根据年份来区分,  到目前为止, COCO 的数据集, 分别有 2014, 2015, 2017.    
根据用途不同, 数据集分为图像检测, 图像语义理解, 人体关节点;  


这里着重...]]></description><category></category></item><item><title><![CDATA[darknet 源码阅读(一) - 解析网络配置文件 cfg]]></title><link>https://blog.youkuaiyun.com/gzj2013/article/details/82349730</link><guid>https://blog.youkuaiyun.com/gzj2013/article/details/82349730</guid><author>gzj2013</author><pubDate>Mon, 03 Sep 2018 15:45:00 +0800</pubDate><description><![CDATA[说明: 以下各种场景的分析均是基于 YOLO 作为目标检测器的基础上.  

使用 YOLO 训练网络时, 需要在命令行指定一个网络结构的配置文件, 比如:   



./darknet detector train cfg/coco.data cfg/yolov3.cfg darknet53.conv.74 -gpus 0,1,2,3

其中,  cfg/yolov3.cfg 文件中保存的就是...]]></description><category></category></item><item><title><![CDATA[理解 YOLOv3 的训练输出日志信息]]></title><link>https://blog.youkuaiyun.com/gzj2013/article/details/82285511</link><guid>https://blog.youkuaiyun.com/gzj2013/article/details/82285511</guid><author>gzj2013</author><pubDate>Sat, 01 Sep 2018 11:17:18 +0800</pubDate><description><![CDATA[YOLOv3 训练过程中输出在终端的不同的参数分别代表什么含义, 如何去理解这些参数？  也许对于使用 YOLO 很久的用户来说, 对这些概念依然很模糊.   

本文将尝试着去回答这个问题, 下边是我训练中使用的 .cfg 文件（你可以在工程目录的 cfg/ 目录下找到它）：  



[net]
# Training
batch=64
subdivisions=8
height=416
wid...]]></description><category></category></item></channel></rss>