<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[mmdbhs的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/mmdbhs</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; mmdbhs]]></copyright><item><title><![CDATA[如何可视化yuv、nv12图片]]></title><link>https://blog.youkuaiyun.com/mmdbhs/article/details/132583400</link><guid>https://blog.youkuaiyun.com/mmdbhs/article/details/132583400</guid><author>mmdbhs</author><pubDate>Wed, 30 Aug 2023 15:31:29 +0800</pubDate><description><![CDATA[如何可视化yuv图片以及nv12图片]]></description><category></category></item><item><title><![CDATA[关于GAN训练过程中的报错：one of the variables needed for gradient computation has been modified by an inplace]]></title><link>https://blog.youkuaiyun.com/mmdbhs/article/details/123109619</link><guid>https://blog.youkuaiyun.com/mmdbhs/article/details/123109619</guid><author>mmdbhs</author><pubDate>Thu, 24 Feb 2022 13:49:30 +0800</pubDate><description><![CDATA[首先说明，按照我目前的查询，这可能是全网唯一公开的正确解决方法，所以一定要看下去
1、错误发生情景
在github和百度上搜索gan示例代码的时候，通常会得到下面这种代码：先更新辨别器，再更新生成器。
            netD.zero_grad()
            #optimizerD.step()
            real_out = netD(real_img).mean()
            fake_out = netD(fake_img).mean()
     ]]></description><category></category></item><item><title><![CDATA[去雨算法：Image De-raining Using a Conditional Generative Adversarial Network]]></title><link>https://blog.youkuaiyun.com/mmdbhs/article/details/122170935</link><guid>https://blog.youkuaiyun.com/mmdbhs/article/details/122170935</guid><author>mmdbhs</author><pubDate>Mon, 27 Dec 2021 15:45:02 +0800</pubDate><description><![CDATA[0 基本信息
时间：2017
期刊会议级别：IEEE
亮点：使用对抗神经网络GAN；新的损失函数
1、生成器（Generator with Symmetric Structure）

生成器为图片中的上半部分，功能为将有雨的图像转化为无雨图像，图片进入网络之后，会依次经过N个 （Dense+transition）。
每个Dense将由n*layer组成，这些layer是平行存在的，每个layer包括三个步骤： batch normalization (BN), leaky rectified linear ]]></description><category></category></item><item><title><![CDATA[去雨算法：Clearing the Skies: A Deep Network Architecture for Single-Image Rain Removal]]></title><link>https://blog.youkuaiyun.com/mmdbhs/article/details/122086955</link><guid>https://blog.youkuaiyun.com/mmdbhs/article/details/122086955</guid><author>mmdbhs</author><pubDate>Wed, 22 Dec 2021 15:40:11 +0800</pubDate><description><![CDATA[基本信息
时间：2017
期刊会议类别：IEEE
亮点：将图像分为base layer和detail layer
1、图像预处理
不同于以往直接将原图像直接输入进神经网络，本文使用低通滤波器将图像分为基层和细节层，而雨线都集中在细节层中，所以本文只将细节层作为网络输入。公式如下：

2、网络架构

1、按照第一节中提到的将图片分为基层（Base layer）和细节层（Detail layer）
2、随后将细节层送入两层卷积神经网络，再通过反卷积得到去雨后的细节图像（反卷积论文中没有提到，在代码中能看到）
3]]></description><category></category></item><item><title><![CDATA[关于ubuntu系统不显示wifi图标或WiFi无法连接问题解答]]></title><link>https://blog.youkuaiyun.com/mmdbhs/article/details/121734351</link><guid>https://blog.youkuaiyun.com/mmdbhs/article/details/121734351</guid><author>mmdbhs</author><pubDate>Sun, 05 Dec 2021 20:35:28 +0800</pubDate><description><![CDATA[描述了我的实际情况和我用过的两种解决方法。]]></description><category></category></item><item><title><![CDATA[关于AlreadyExistsError: Another metric with the same name already exists.的解决方案]]></title><link>https://blog.youkuaiyun.com/mmdbhs/article/details/121169727</link><guid>https://blog.youkuaiyun.com/mmdbhs/article/details/121169727</guid><author>mmdbhs</author><pubDate>Fri, 05 Nov 2021 20:05:12 +0800</pubDate><description><![CDATA[这项错误发生在我刚安装完tensorflow，想import keras包的时候发生了如下的错误：
Tensorflow.python.framework.errors_impl.
AlreadyExistsError: Another metric with the same name already exists

经过一番查询问题应该是keras包版本的问题，具体原因我现在还不知道，但是经验证，解决方法如下：
1、卸载已有的keras包，博主目前出错版本是2.7
pip uninstall keras]]></description><category></category></item><item><title><![CDATA[yolov1的阅读笔记]]></title><link>https://blog.youkuaiyun.com/mmdbhs/article/details/120892056</link><guid>https://blog.youkuaiyun.com/mmdbhs/article/details/120892056</guid><author>mmdbhs</author><pubDate>Thu, 21 Oct 2021 23:24:38 +0800</pubDate><description><![CDATA[一，目标检测简介
二，yolov1网络的输出结果分析
我们首先来看一下yolov1的网络图，如下图所示。

在yolov1的网络当中，输入的图片的大小为448x448x3，这个在图中也可以很明显的看出来。重点是，输出的7x7x30的输出结果包含哪些信息。首先我们先看一下下面这张图片：

在图片当中，可以看到，图像被分为7x7的网格，与上面提到的网络输出7x7x30相对应，可以看出每一个网格都包含30个输出参数。接下来我们来讲解一下，这三十个输出参数都代表什么信息。看接下来这张图片：

在yolov1当中每一]]></description><category></category></item><item><title><![CDATA[如何使用Docker编译本地文件（非搬运）]]></title><link>https://blog.youkuaiyun.com/mmdbhs/article/details/119647342</link><guid>https://blog.youkuaiyun.com/mmdbhs/article/details/119647342</guid><author>mmdbhs</author><pubDate>Thu, 12 Aug 2021 16:26:51 +0800</pubDate><description><![CDATA[本文的前提是你已经加载完docker镜像，可使用以下命令查看
docker images


接下来是最重要的一步,使用以下命令将你的本地文件夹映射到镜像当中，你可以理解为你的本地系统和镜像可以共同访问同一个文件夹：
docker run -it --rm -v /share:/share/ docker.hobot.cc/aitools/horizon_xj3_tc:xj3_1.1.21i

其中：
-v 代表映射文件夹，即将你本地的文件夹映射到镜像当中，然后你就可以从镜像当中访问到你本地的文件
第一个/]]></description><category></category></item><item><title><![CDATA[关于esp32电灯不亮以及io输出高电平问题]]></title><link>https://blog.youkuaiyun.com/mmdbhs/article/details/116028767</link><guid>https://blog.youkuaiyun.com/mmdbhs/article/details/116028767</guid><author>mmdbhs</author><pubDate>Thu, 22 Apr 2021 19:51:58 +0800</pubDate><description><![CDATA[本文章是基于arduino的库编写esp32程序，为本人亲测文章。
在使用esp32的spi通信，自定义片选引脚过程中发现，自定义引脚输出高低电平不受控制。
经过长时间调试和查阅资料发现，esp32的引脚分为数字引脚和模拟引脚（官方叫电容式触摸GPIO和模数转换GPIO），当使用以下程序输出高电平时
digitalWrite(GOPIOPin, HIGH);

只有数字引脚正常输出，模拟引脚将不受控制。但是在板子的引脚标号上分不出来模拟和数字引脚，需对照官方手册或者代码库区分。
在arduino库中，引脚分]]></description><category></category></item><item><title><![CDATA[## ROS新手教程中的[rospack] Error: package ‘beginner_tutorials‘ not found问题解决]]></title><link>https://blog.youkuaiyun.com/mmdbhs/article/details/115607295</link><guid>https://blog.youkuaiyun.com/mmdbhs/article/details/115607295</guid><author>mmdbhs</author><pubDate>Sun, 11 Apr 2021 21:39:30 +0800</pubDate><description><![CDATA[ROS新手教程中的[rospack] Error: package ‘beginner_tutorials’ not found问题解决
最近ros刚入门，但是刚安装完ros之后，运行第一个程序就出现了一个瓶颈，如下图
这可难坏我了，到处找反复按照教程来和找解决方法！！
找遍全网基本上就没找到什么解决方法，最后不得不自己一步一步研究教程每一步的含义。
最后！！！终于让我找到了原因！！！！
网上的ros第一个程序的教程都千篇一律，内容参差不齐，但基本上都有两个问题。
第一：
运行下面这句命令之后要开另外一个终]]></description><category></category></item></channel></rss>