<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[HXY]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/losss</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; losss]]></copyright><item><title><![CDATA[ensp_vlan实验手册_by_hxy]]></title><link>https://blog.youkuaiyun.com/losss/article/details/127980710</link><guid>https://blog.youkuaiyun.com/losss/article/details/127980710</guid><author>losss</author><pubDate>Tue, 22 Nov 2022 12:57:25 +0800</pubDate><description><![CDATA[【代码】ensp_vlan实验手册_by_hxy。]]></description><category></category></item><item><title><![CDATA[[01] Ubuntu 18.04 LTS 安装ros]]></title><link>https://blog.youkuaiyun.com/losss/article/details/120760921</link><guid>https://blog.youkuaiyun.com/losss/article/details/120760921</guid><author>losss</author><pubDate>Thu, 14 Oct 2021 11:41:39 +0800</pubDate><description><![CDATA[I. 环境

MAC OSX VMware虚拟机中安装 Ubuntu 18.04 LTS

II. 安装ROS
0. 安装Ubuntu 18.04

修改更新源

这一步在安装完Ubuntu之后就应该立即执行。百度搜索 ubuntu更新源，随便找个教程，在清华、阿里、中科大（本文选用）等源里随便选一个即可。



1. 增加ros软件源
A. 全部命令
sudo sh -c '. /etc/lsb-release &amp;&amp; echo "deb http://mirrors.ustc.edu.cn]]></description><category></category></item><item><title><![CDATA[2021-06-23 网络实验：华为ensp_路由表的配置_静态&RIP]]></title><link>https://blog.youkuaiyun.com/losss/article/details/118164411</link><guid>https://blog.youkuaiyun.com/losss/article/details/118164411</guid><author>losss</author><pubDate>Wed, 23 Jun 2021 23:05:13 +0800</pubDate><description><![CDATA[一、配置路由器的IP地址

按照下面的命令，根据拓扑图，配置路由器的各个接口的ip地址system-view #进入系统视图
#[]
int gig 0/0/0 #进入接口
ip addr 192.168.1.1 24 #配置接口ip地址



二. 手动配置路由表项

可以先查看路由表项 disp ip routing-table，从而确定哪些网段需要配置
通过以下命令为路由器配置路由表项system-view #进入系统视图。如果在接口视图下，需要用命令q退出到系统视图
#[]
ip route-sta]]></description><category></category></item><item><title><![CDATA[使用VS code通过SSH连接Google Colab]]></title><link>https://blog.youkuaiyun.com/losss/article/details/109675192</link><guid>https://blog.youkuaiyun.com/losss/article/details/109675192</guid><author>losss</author><pubDate>Fri, 13 Nov 2020 15:08:00 +0800</pubDate><description><![CDATA[I. 利用Ngrok通过SSH连接Colab
1. Colab端


1.1. 安装ngrok，启动ssh服务。
import random, string, urllib.request, json, getpass

#Generate root password
password = ''.join(random.choice(string.ascii_letters + string.digits) for i in range(20))

#Download ngrok
! wget -q -c ]]></description><category></category></item><item><title><![CDATA[nb_201003_2015_unet]]></title><link>https://blog.youkuaiyun.com/losss/article/details/108907999</link><guid>https://blog.youkuaiyun.com/losss/article/details/108907999</guid><author>losss</author><pubDate>Sat, 03 Oct 2020 09:51:19 +0800</pubDate><description><![CDATA[2015 ｜ U-Net: Convolutional Networks for Biomedical Image Segmentation | 参考

I. Introduction

本网络致力于通过数据增强的方式来增加标记数据集在网络训练中的的效力，网络实验针对生物细胞分割定位项目 （ISBI2012 的 EM stacks挑战赛），也就是像素级的像分割与分类标记问题，要求在像素级进行分类标注。
网络结构包含一个 CP （降采样通道，contracting path） 用于捕获上下文，和一个 SEP.]]></description><category></category></item><item><title><![CDATA[nb_200930_2019_wnet]]></title><link>https://blog.youkuaiyun.com/losss/article/details/108888459</link><guid>https://blog.youkuaiyun.com/losss/article/details/108888459</guid><author>losss</author><pubDate>Wed, 30 Sep 2020 17:27:28 +0800</pubDate><description><![CDATA[W-Net: Reinforced U-Net for Density Map Estimation


cvpr 2019

I. Introduction

本文贡献：

算法：

一个基于U-Net的 DME （密度图估计，density map estimation） 模型。

该模型采用了完全相同的encoder-decoder流水线结构，外加一个强化分支。其中的enc模块用VGG16bn[9]替换。（通过对VGG16bn、resnet50[10]和一个基于Inception[11]的特征提取器.]]></description><category></category></item><item><title><![CDATA[nb_200926_2020_cvpr_PCNet]]></title><link>https://blog.youkuaiyun.com/losss/article/details/108808836</link><guid>https://blog.youkuaiyun.com/losss/article/details/108808836</guid><author>losss</author><pubDate>Sat, 26 Sep 2020 10:31:57 +0800</pubDate><description><![CDATA[Self-Supervised Scene De-occlusion
中文作者自述


cvpr2020

I. Abstract

Scene de-occlusion

目标：

分解图像：将图中物体提取出来成为独立的完整物体实体——判断遮挡顺序，补齐遮挡部分。
重组图像：重新组合提取到的物体，生成新的图像。


相关概念：

模态感知 （modal perception）：解析直接可见区域
非模态感知 （amodal perception）：感知物体的完整结构，包括不可见部分。
常见的Dl应用如目标.]]></description><category></category></item><item><title><![CDATA[nb_200916_2018_cvpr_RDN]]></title><link>https://blog.youkuaiyun.com/losss/article/details/108631140</link><guid>https://blog.youkuaiyun.com/losss/article/details/108631140</guid><author>losss</author><pubDate>Wed, 16 Sep 2020 21:38:26 +0800</pubDate><description><![CDATA[Residual dense network for image super-resolution


cvpr2018
BIN 的支撑网络

0. Abstract

当前基于CNN的 SR （超分辨率，super-resolution） 模型未能完全利用原始 LR （低分辨率，low-resolution） 图像的层级特征，由此影响其模型性能。因此，

本文提出的 RDN （残差密集网络，residual dense network） 用于解决图像SR问题，能够从所有conv层中提取层级特征。
本文提.]]></description><category></category></item><item><title><![CDATA[nb_200905_2019_cvpr_Slow-Motion from Blurry Videos]]></title><link>https://blog.youkuaiyun.com/losss/article/details/108417389</link><guid>https://blog.youkuaiyun.com/losss/article/details/108417389</guid><author>losss</author><pubDate>Sat, 05 Sep 2020 11:33:26 +0800</pubDate><description><![CDATA[Learning to Extract Flawless Slow Motion from Blurry Videos

2019cvpr｜预训练模型：slow-motion.pth
0. Abstract

本文目标是：给定一个低帧率的模糊视频，生成一个清晰的慢镜头视频。本文提出一个数据驱动的端到端方法，其训练数据由高帧率摄像头捕获，再经均值处理后得到对应的模糊视频。
时间平滑问题

由于各个图像帧是独立估计的，因此尽管能够从均值模糊图像得到原始高清视频，却无法保证能够获得平滑的完整视频。
为此本文提出.]]></description><category></category></item><item><title><![CDATA[nb_200826_2020_cvpr_StyleRig]]></title><link>https://blog.youkuaiyun.com/losss/article/details/108248168</link><guid>https://blog.youkuaiyun.com/losss/article/details/108248168</guid><author>losss</author><pubDate>Wed, 26 Aug 2020 21:37:22 +0800</pubDate><description><![CDATA[StyleRig: Rigging StyleGAN for 3D Control over Portrait Images
2020 cvpr(oral)

0. Abstract

StyleGAN[19,2019,cvpr]生成的真实人脸缺乏语义表征，如表情、面部姿态、光照等等。
3DMMs[10,2019,cvpr]提供面部语义表征，但其生成的人脸缺少头染、嘴内部、背景等部分，因此缺乏真实性。
本文提出 RigNet，生成带有语义表征的真实人脸。模型基于预训练的StyleGAN，结合3DMM的语义.]]></description><category></category></item><item><title><![CDATA[nb_200821_2020_cvpr_photo restoration]]></title><link>https://blog.youkuaiyun.com/losss/article/details/108143737</link><guid>https://blog.youkuaiyun.com/losss/article/details/108143737</guid><author>losss</author><pubDate>Fri, 21 Aug 2020 11:26:40 +0800</pubDate><description><![CDATA[Bring Old Photos Back to Life
2020 cvpr

0. 摘要

本文解决的问题是：对受损老照片恢复成清晰照片
传统方法采用合成图像进行监督学习，由于真是图像的退化原因复杂，且与合成图像的分布相差大，因此难以很好的泛化
本文提出方法：

训练两个 变分自编码器（variational autoencoders，VAEs)，用于分别将老照片和清晰照片转换至隐藏空间；
然后使用合成的成对照片数据来训练这两个空间之间的变换关系；
为了分别处理照片中的多种退化形式，设计两个分支结构，.]]></description><category></category></item><item><title><![CDATA[nb_200816_2020_cvpr_BIN]]></title><link>https://blog.youkuaiyun.com/losss/article/details/108046517</link><guid>https://blog.youkuaiyun.com/losss/article/details/108046517</guid><author>losss</author><pubDate>Sun, 16 Aug 2020 23:29:44 +0800</pubDate><description><![CDATA[模糊视频插帧｜Blurry Video Frame Interpolation

2020cvpr｜数据集：DeepVideoDeblurring_Dataset_Original_High_FPS_Videos.zip
0. 摘要

当前用于减少运动模糊（motion blur）和增强帧率的方法主要有两种：帧去模糊化（frame deblurring） 和 插帧（frame interpolation）。还有些研究专门解决帧率增强问题。
本文提出的插帧法，可以同时实现帧去模糊和帧率增强两个任务。
本文模.]]></description><category></category></item><item><title><![CDATA[nb_200814_opticalflow_2018_cvpr_PWC_Net]]></title><link>https://blog.youkuaiyun.com/losss/article/details/107998053</link><guid>https://blog.youkuaiyun.com/losss/article/details/107998053</guid><author>losss</author><pubDate>Fri, 14 Aug 2020 09:54:53 +0800</pubDate><description><![CDATA[Models Matter, So Does Training: An Empirical Study of CNNs for Optical Flow Estimation

Updated and extended version of “PWC-Net: CNNs for Optical Flow Using Pyramid, Warping, and Cost Volume.” CVPR 2018 or arXiv:1709.02371
应用CNN做光流估计——从模型和训练两个角度的经验性研究
〇.]]></description><category></category></item><item><title><![CDATA[nb_200804_flow_2019_PointFlowNet]]></title><link>https://blog.youkuaiyun.com/losss/article/details/107801764</link><guid>https://blog.youkuaiyun.com/losss/article/details/107801764</guid><author>losss</author><pubDate>Tue, 04 Aug 2020 22:23:11 +0800</pubDate><description><![CDATA[PointFlowNet: Learning Representations for Rigid Motion Estimation from Point Clouds

基于点云的刚体运动估计
1. Abstract

[设备：LIDAR] 基于图像的3D场景光流估计的传统方法不仅精确度难以满足应用要求，且往往需要更多的其它配置，比如在自动驾驶中用激光扫描代替传统相机，从而直接建立3D点云。
[模型：PointFlowNet] 本文根据这些无结构点云利用DNN进行3D运动估计。通过一次前向估计，模型同时.]]></description><category></category></item><item><title><![CDATA[nb_200728_crowd_2019_access_A Crowd Behavior Identification Method]]></title><link>https://blog.youkuaiyun.com/losss/article/details/107646725</link><guid>https://blog.youkuaiyun.com/losss/article/details/107646725</guid><author>losss</author><pubDate>Tue, 28 Jul 2020 22:19:23 +0800</pubDate><description><![CDATA[A Crowd Behavior Identification Method Combining the Streakline With the High-Accurate Variational Optical Flow Model

一种结合基于流体力学的脉线和高精度变分光流模型的群体行为识别方法

1. Abstract
– STEPS:

1.1 通过光流模型 (High-Accurate Variational Optical
Flow Model) 计算脉线 (streakline)，由此得到群]]></description><category></category></item><item><title><![CDATA[「python」用opencv画heatmap]]></title><link>https://blog.youkuaiyun.com/losss/article/details/106734706</link><guid>https://blog.youkuaiyun.com/losss/article/details/106734706</guid><author>losss</author><pubDate>Sat, 13 Jun 2020 18:04:58 +0800</pubDate><description><![CDATA[做一个人群分析的代码，算法得到一个np.array的二维数组pred，存储了每个像素点的人数概率


1. 用这段代码可以直接根据pred画出热力图：
import matplotlib.pyplot as plt
plt.imshow(pred, cmap=plt.cm.jet)
plt.show()


2. 为了后续工作，需要用cv2来画。先上代码：
import cv2
heatmapshow = None
heatmapshow = cv2.normalize(pred, heatmapshow.]]></description><category></category></item><item><title><![CDATA[[操作系统居家课程讲义]ch06_自旋锁与互斥锁]]></title><link>https://blog.youkuaiyun.com/losss/article/details/105264265</link><guid>https://blog.youkuaiyun.com/losss/article/details/105264265</guid><author>losss</author><pubDate>Thu, 02 Apr 2020 10:43:52 +0800</pubDate><description><![CDATA[author: hxy
date: 2020.4.1

上一节我们提出了一个概念，信号量。在上一节的例子里，它就像交通灯、标识符一样，起到通知其它进程的作用。
这节课涉及到一些程序，希望大家可以多思考，理解背后的原理。

1. 原子操作
由于上一节所说的原因，如果用一个程序变量 flag 来控制进程对资源的使用权，由于在硬件实现过程中，一个简单的赋值操作也需要多个硬件指令来完成，而在这期间，有各种...]]></description><category></category></item><item><title><![CDATA[[操作系统居家课程讲义]ch05_进程同步]]></title><link>https://blog.youkuaiyun.com/losss/article/details/105170114</link><guid>https://blog.youkuaiyun.com/losss/article/details/105170114</guid><author>losss</author><pubDate>Sat, 28 Mar 2020 22:23:20 +0800</pubDate><description><![CDATA[author: hxy
date: 2020.3.28

一个不幸的消息是，这一部分是需要大家写程序的。加油吧少年。

进程的同步
所谓 进程同步 ，简单说就是在程序（实际上是进程）并发执行的过程中，进程之间需要互相协作、共享资源时，对资源的一种保护和协调。

比如说，如果你在线看电影，你的在线播放器一般会用两个进程来实现这个功能（也可能用两个线程，这个后面再讲）。为什么呢？因为目前为止在我们的知...]]></description><category></category></item><item><title><![CDATA[[操作系统居家课程讲义]ch04_进程的特征和状态]]></title><link>https://blog.youkuaiyun.com/losss/article/details/105144371</link><guid>https://blog.youkuaiyun.com/losss/article/details/105144371</guid><author>losss</author><pubDate>Fri, 27 Mar 2020 16:27:10 +0800</pubDate><description><![CDATA[author: hxy
date: 2020.3.27

今天开始正式开始学习进程。

一、进程的特征
1. 程序和进程
上一讲我们说，为使程序可以更安全方便的并发执行，因此有了进程。那么进程是什么？进程、程序、软件分别是什么呢？
程序和软件非常相似，类比一下，比如你在网上买了一部新手机，那部手机就相当于程序，而你收到的那个包裹就是软件。 实际上我们一般不会严格区分这两者。
进程通常和程序作为一组...]]></description><category></category></item><item><title><![CDATA[[操作系统居家课程讲义]ch03_程序执行顺序]]></title><link>https://blog.youkuaiyun.com/losss/article/details/105121813</link><guid>https://blog.youkuaiyun.com/losss/article/details/105121813</guid><author>losss</author><pubDate>Thu, 26 Mar 2020 16:31:55 +0800</pubDate><description><![CDATA[author: hxy
date: 2020.3.26

这节课开始我们要进入到操作系统五大功能之一 ——— 处理机管理的内容了。
处理机管理的核心在于进程管理，我们从认识进程开始吧。
这里面会有一点点程序，我基本上以C语言的格式来写。不过别害怕，程序绝对都很简单，基本只要认识英文单词都能看懂。

程序执行的顺序

说明一下，软件都是由 程序 （也叫代码，code， program，都是一个意思，...]]></description><category></category></item></channel></rss>