<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[hanlinger_的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/hanlinger_</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; hanlinger_]]></copyright><item><title><![CDATA[latex重新编译不变，需要删除aux文件]]></title><link>https://blog.youkuaiyun.com/hanlinger_/article/details/135604149</link><guid>https://blog.youkuaiyun.com/hanlinger_/article/details/135604149</guid><author>hanlinger_</author><pubDate>Mon, 15 Jan 2024 16:13:10 +0800</pubDate><description><![CDATA[latex重新编译不变，需要删除aux文件]]></description><category></category></item><item><title><![CDATA[Object Tracking in Satellite Videos by Fusing the Kernel Correlation Filter and the Three-Frame-Diff]]></title><link>https://blog.youkuaiyun.com/hanlinger_/article/details/106428202</link><guid>https://blog.youkuaiyun.com/hanlinger_/article/details/106428202</guid><author>hanlinger_</author><pubDate>Sat, 30 May 2020 16:10:41 +0800</pubDate><description><![CDATA[抽象


对象跟踪是计算机视觉领域的热门话题。高分辨率遥感传感器提供的详细空间信息使跟踪卫星视频中的目标成为可能。近年来，相关过滤器已经产生了令人鼓舞的结果。但是，在处理卫星视频中的对象跟踪方面，由于每个目标的大小与整个图像相比都太小，并且目标和背景是非常相似。因此，在这封信中，我们通过融合KCF跟踪器和三帧差算法，提出了一种新的卫星视频目标跟踪方法。本文提出了一种特定的策略，以利用KCF跟踪器和三帧差异算法来构建强大的跟踪器。我们在三个卫星视频中评估了所提出的方法，并展示了其相对于其他最新跟踪方法的优越性]]></description><category></category></item><item><title><![CDATA[Sampled Training and Node Inheritance for Fast Evolutionary Neural Architecture Search]]></title><link>https://blog.youkuaiyun.com/hanlinger_/article/details/105199314</link><guid>https://blog.youkuaiyun.com/hanlinger_/article/details/105199314</guid><author>hanlinger_</author><pubDate>Thu, 28 May 2020 17:20:29 +0800</pubDate><description><![CDATA[摘要—深度神经网络的性能在很大程度上取决于其体系结构，并且已经针对自动化网络体系结构设计开发了各种神经体系结构搜索策略。最近，由于进化算法具有吸引人的全局优化功能，进化神经体系结构搜索（ENAS）受到了越来越多的关注。但是，由于进化优化中通常需要进行大量的性能评估，并且训练深度神经网络本身的计算量很大，因此ENAS承受着极高的计算成本。为了解决这个问题，本文提出了一种基于有向无环图的快速ENAS进...]]></description><category></category></item><item><title><![CDATA[Deep Adaptive Wavelet Network]]></title><link>https://blog.youkuaiyun.com/hanlinger_/article/details/106207289</link><guid>https://blog.youkuaiyun.com/hanlinger_/article/details/106207289</guid><author>hanlinger_</author><pubDate>Tue, 19 May 2020 15:56:08 +0800</pubDate><description><![CDATA[摘要

尽管卷积神经网络已成为许多计算机视觉领域的选择方法，但它们仍然缺乏可解释性，并且通常是在繁琐的试错过程中手动设计的。 本文旨在通过提出一种深度神经网络来克服这些限制，该系统以系统的方式设计并且可以解释，其方法是将多分辨率分析集成到深度神经网络设计的核心。 通过使用提升方案，可以生成小波表示并设计能够以端到端形式学习小波系数的网络。 与最新架构相比，该模型所需的超参数调整更少，并在图像分类任务中获得了竞争优势。 可以在https上找到为此研究实施的代码：https://github.com/mxbas]]></description><category></category></item><item><title><![CDATA[火狐 谷歌 360 win和linux同步书签]]></title><link>https://blog.youkuaiyun.com/hanlinger_/article/details/106188000</link><guid>https://blog.youkuaiyun.com/hanlinger_/article/details/106188000</guid><author>hanlinger_</author><pubDate>Mon, 18 May 2020 10:33:41 +0800</pubDate><description><![CDATA[Atavi - 书签管理器


]]></description><category></category></item><item><title><![CDATA[关于torch1.4d的get_trace_graph的报错]]></title><link>https://blog.youkuaiyun.com/hanlinger_/article/details/106175099</link><guid>https://blog.youkuaiyun.com/hanlinger_/article/details/106175099</guid><author>hanlinger_</author><pubDate>Sun, 17 May 2020 15:27:34 +0800</pubDate><description><![CDATA[由于版本原因，有些torch版本下get_trace_graph报错

module 'torch.jit' has no attribute 'get_trace_graph--------报错


这是因为版本变化，1.1torch可以用get_trace_graph其他把get_trace_graph改为_get_trace_graph

查看了torch.jit的新版本源代码，与旧版本相比，它将功能名称从get_trace_graph更改为_get_trace_graph。


...]]></description><category></category></item><item><title><![CDATA[latex > Runaway argument?  > ! File ended while scanning use of 。。。]]></title><link>https://blog.youkuaiyun.com/hanlinger_/article/details/103369277</link><guid>https://blog.youkuaiyun.com/hanlinger_/article/details/103369277</guid><author>hanlinger_</author><pubDate>Tue, 03 Dec 2019 16:07:31 +0800</pubDate><description><![CDATA[&gt; Runaway argument?

&gt; ! File ended while scanning use of xxx.



遇到这种错打一顿 latex就好了

。。。开玩笑

删掉aux文件，重新编译就好了。
]]></description><category></category></item><item><title><![CDATA[Relation Distillation Networks for Video Object Detection]]></title><link>https://blog.youkuaiyun.com/hanlinger_/article/details/102521416</link><guid>https://blog.youkuaiyun.com/hanlinger_/article/details/102521416</guid><author>hanlinger_</author><pubDate>Tue, 19 Nov 2019 11:32:54 +0800</pubDate><description><![CDATA[摘要

众所周知，对对象之间的关系建模将有助于对象检测。然而，这个问题并非微不足道，特别是在探索物体之间的相互作用以增强视频物体检测器时。困难源于以下方面：视频中可靠的对象关系不仅应取决于当前帧中的对象，而且还取决于视频的长距离跨度中提取的所有支持对象。在本文中，我们引入了一种新的设计来捕获时空上下文中跨对象的交互。具体来说，我们提出了关系蒸馏网络（RDN）-一种新颖的体系结构，该体系结构新颖地聚...]]></description><category></category></item><item><title><![CDATA[latex 插入图片后不显示 图片是全白]]></title><link>https://blog.youkuaiyun.com/hanlinger_/article/details/103138772</link><guid>https://blog.youkuaiyun.com/hanlinger_/article/details/103138772</guid><author>hanlinger_</author><pubDate>Tue, 19 Nov 2019 11:31:45 +0800</pubDate><description><![CDATA[图片是esp格式，保存方式与格式都正确

我遇到的是从excel的画图转存esp，它其实有一圈“白边”，用ps把他白边去掉，保存esp格式就ok了
]]></description><category></category></item><item><title><![CDATA[使用Latex编辑IEEE模板【插入图片】时出现“undefined control sequence”问题的解决方法]]></title><link>https://blog.youkuaiyun.com/hanlinger_/article/details/102969022</link><guid>https://blog.youkuaiyun.com/hanlinger_/article/details/102969022</guid><author>hanlinger_</author><pubDate>Fri, 08 Nov 2019 10:55:19 +0800</pubDate><description><![CDATA[网上查了方法都不行

根据意思undefined 感觉是没有调用包，产生的错误。

我的错误是在\includegraphics 地方“undefined control sequence”

所以在前面加了 \usepackage{graphicx}

就好了
...]]></description><category></category></item><item><title><![CDATA[SCNN:A General Distribution based Statistical Convolutional Neural Network with Application to Video]]></title><link>https://blog.youkuaiyun.com/hanlinger_/article/details/102497150</link><guid>https://blog.youkuaiyun.com/hanlinger_/article/details/102497150</guid><author>hanlinger_</author><pubDate>Fri, 11 Oct 2019 15:25:09 +0800</pubDate><description><![CDATA[SCNN:A General Distribution based Statistical Convolutional Neural Network with Application to Video翻译]]></description><category></category></item><item><title><![CDATA[制作自己的数据（cifar-10）-python]]></title><link>https://blog.youkuaiyun.com/hanlinger_/article/details/100126641</link><guid>https://blog.youkuaiyun.com/hanlinger_/article/details/100126641</guid><author>hanlinger_</author><pubDate>Thu, 29 Aug 2019 17:31:16 +0800</pubDate><description><![CDATA[CIFAR-10 介绍
　　该数据集共有60000张彩色图像，这些图像是32*32，分为10个类，每类6000张图。这里面有50000张用于训练，构成了5个训练批，每一批10000张图；另外10000用于测试，单独构成一批。测试批的数据里，取自10类中的每一类，每一类随机取1000张。抽剩下的就随机排列组成了训练批。注意一个训练批中的各类图像并不一定数量相同，总的来看训练批，每一类都有5000张...]]></description><category></category></item><item><title><![CDATA[Towards Multi-class Object Detection in Unconstrained Remote Sensing Imagery 译]]></title><link>https://blog.youkuaiyun.com/hanlinger_/article/details/88944459</link><guid>https://blog.youkuaiyun.com/hanlinger_/article/details/88944459</guid><author>hanlinger_</author><pubDate>Mon, 01 Apr 2019 11:33:18 +0800</pubDate><description><![CDATA[Towards Multi-class Object Detection in Unconstrained Remote Sensing Imagery

无约束遥感图像中的多类目标检测



摘要;

无约束情景下的遥感图像中的自动多类物体检测对于包括交通监控和灾害管理在内的多种应用非常有用。对象尺度，方向，类别和复杂背景的巨大变化以及不同的相机传感器对当前算法提出了巨大挑战。在这项工作中，我...]]></description><category></category></item><item><title><![CDATA[Occlusions, Motion and Depth Boundaries with a Generic Network for Disparity, Optical Flow or Scene]]></title><link>https://blog.youkuaiyun.com/hanlinger_/article/details/84962678</link><guid>https://blog.youkuaiyun.com/hanlinger_/article/details/84962678</guid><author>hanlinger_</author><pubDate>Wed, 12 Dec 2018 15:31:57 +0800</pubDate><description><![CDATA[首先看效果：（需要下载...120Mb）

Occlusions, Motion and Depth Boundaries with a Generic Network for Disparity, Optical Flow or Scene这篇是基于FlowNet2.0 基础上再做的提高，发在ECCV2018上

论文： pdf

project：他们的网站

感觉含金量不如2.0

翻译：

...]]></description><category></category></item><item><title><![CDATA[FlowNet到FlowNet2.0]]></title><link>https://blog.youkuaiyun.com/hanlinger_/article/details/84952673</link><guid>https://blog.youkuaiyun.com/hanlinger_/article/details/84952673</guid><author>hanlinger_</author><pubDate>Tue, 11 Dec 2018 21:33:38 +0800</pubDate><description><![CDATA[FlowNet: Learning Optical Flow with Convolutional Networks（主要是翻译论文）

摘要

卷积神经网络（CNNs）最近在各种计算机视觉任务中非常成功，特别是那些与识别有关的任务。光流量估计并不在CNN能够成功完成的任务当中。本文提出了一种能够将光流估计问题作为监督学习任务的CNNs。我们提出并比较两个架构：一个通用架构和另一个架构，包括一个在...]]></description><category></category></item><item><title><![CDATA[制作VOC数据集]]></title><link>https://blog.youkuaiyun.com/hanlinger_/article/details/84111277</link><guid>https://blog.youkuaiyun.com/hanlinger_/article/details/84111277</guid><author>hanlinger_</author><pubDate>Thu, 15 Nov 2018 22:24:24 +0800</pubDate><description><![CDATA[一、VOC数据集长什么样
PASCAL VOC为图像识别和分类提供了一整套标准化的优秀的数据集，从2005年到2012年每年都会举行一场图像识别challenge。
本文主要分析PASCAL VOC数据集中和图像中物体识别相关的内容。
在这里采用PASCAL VOC2012作为例子。下载地址为：点击打开链接。（本文中的系统环境为ubuntu14.04）
下载完之后解压，可以在VOCdevkit目录...]]></description><category></category></item><item><title><![CDATA[SITF 特征匹配 代码]]></title><link>https://blog.youkuaiyun.com/hanlinger_/article/details/83625983</link><guid>https://blog.youkuaiyun.com/hanlinger_/article/details/83625983</guid><author>hanlinger_</author><pubDate>Thu, 01 Nov 2018 20:03:37 +0800</pubDate><description><![CDATA[
#coding=utf-8
import cv2
import scipy as sp

img1 = cv2.imread('0.jpg',0) # queryImage
img2 = cv2.imread('1.jpg',0) # trainImage

# Initiate SIFT detector
sift = cv2.xfeatures2d.SIFT_create()

# find...]]></description><category></category></item><item><title><![CDATA[PSPNet学习]]></title><link>https://blog.youkuaiyun.com/hanlinger_/article/details/81702205</link><guid>https://blog.youkuaiyun.com/hanlinger_/article/details/81702205</guid><author>hanlinger_</author><pubDate>Thu, 16 Aug 2018 15:09:24 +0800</pubDate><description><![CDATA[原文地址： PSPNet

代码:

pspnet-github
	Keras
	tensorflow
 



如图,PSPNet最大贡献就是金字塔池化:

基础层经过预训练的模型(ResNet101)和空洞卷积策略提取feature map,提取后的feature map是输入的1/8大小
	feature map经过Pyramid Pooling Module得到融合的带有整体信息的feat...]]></description><category></category></item><item><title><![CDATA[FPN（feature pyramid networks）算法讲解2]]></title><link>https://blog.youkuaiyun.com/hanlinger_/article/details/80410811</link><guid>https://blog.youkuaiyun.com/hanlinger_/article/details/80410811</guid><author>hanlinger_</author><pubDate>Tue, 22 May 2018 22:17:54 +0800</pubDate><description><![CDATA[                这篇论文是CVPR2017年的文章，采用特征金字塔做目标检测，有许多亮点，特来分享。论文：feature pyramid networks for object detection 论文链接：https://arxiv.org/abs/1612.03144论文概述：作者提出的多尺度的object detection算法：FPN（feature pyramid net...]]></description><category></category></item><item><title><![CDATA[FPN]]></title><link>https://blog.youkuaiyun.com/hanlinger_/article/details/80365468</link><guid>https://blog.youkuaiyun.com/hanlinger_/article/details/80365468</guid><author>hanlinger_</author><pubDate>Fri, 18 May 2018 18:39:57 +0800</pubDate><description><![CDATA[论文：Feature Pyramid Networks for Object Detection论文地址：https://arxiv.org/abs/1612.03144这里介绍的文章是来自 Facebook 的特征金字塔网络 Feature Pyramid Networks(FPN)。FPN 主要解决的是物体检测中的多尺度问题，通过简单的网络连接改变，在基本不增加原有模型计算量情况下，大幅度提升...]]></description><category></category></item></channel></rss>