prinTao的博客

加权GPA

由于TSP问题数据类型多样，储存方式、评价指标多样，因此想成功加载所有数据需要写较多逻辑。本项目就解决了这个问题。我还封装了类来简化使用。项目配合写了latex小论文代码地址项目地址详细看readme.md主文件存放我的开源pip库：官方网站测量函数运行时间，用于后续训练final_report 最终报告latex文档代码mid_term 中期文档latex代码proposal 开题latex代码code 代码TSP_tst_data TSP测试数据

优雅排版翻论文

鸽了很久的小物体目标检测代码https://github.com/LT1st/SmallObstacleDetection/tree/main/code#readmePytorch: Small ObstacleTODO Modify for 4 channel inputTrainingFollow below steps below to train your model:Input arguments: (see full input arguments via python t

远程使用tensorboardhttps://www.jianshu.com/p/9a0ecef29025bugpandas 和tqdm的tf.progress_apply(eval)等报错直接apply数据集划分从 YOLOX到YOLO5

只用video0，1有目标的图中，离线数据集制作。切整图epoch小一点early stop 防止 过拟合

预训练好的预训练很关键对比学习同类型比赛的、更好的训练方法、对比学习（大规模模型，多用于大厂，主要是为了水下的能力，完全无监督）、更新的损失函数。水下目标检测的数据集 做pretrain，学习在水下检测目标的能力。记忆的不是像素级特征，更高维度。数据增强就是这个思想，让自己变还要保持这样的能力。mae不通用moco增加内存，利用负样本SimCLR不容数据增强，利用MLP筛选最优BYOL一个view去预测同类的其他view，容易崩塌（GAN）。网络上半部分online，NES作为损失，

minehttps://toolbox.google.com/datasetsearchhttps://github.com/awesomedata/awesome-public-datasetshttp://www.cvpapers.com/datasets.htmlhttps://github.com/jbhuang0604/awesome-computer-vision#datasetshttps://small-obstacle-dataset.github.io/outdatase

translation invariance或translation invariant什么是？不变性意味着您可以将对象识别为对象，即使它的外观以某种方式发生变化。这通常是一件好事，因为它在视觉输入细节的变化（例如查看器/相机和对象的相对位置）中保留了对象的身份、类别（等）。下图包含同一雕像的许多视图。你（和训练有素的神经网络）可以识别出同一个对象出现在每张图片中，即使实际像素值完全不同。请注意，这里的翻译在视觉中具有特定的含义，是从几何学中借来的。它不涉及任何类型的转换，不像从法语到英语或文件格式

从头搞一个torch，造一个轮子。参考https://minitorch.github.io/contributing.html安装python -m pip install -r requirements.extra.txtconda install llvmliteconda虚拟环境中安装numba时报错 推荐试试其他的虚拟化Installing collected packages: llvmlite, numbaAttempting uninstall: llvmliteFoun

概念所谓decorater，就是wrapper在函数定义时使用一个包装器，使得这个函数在执行的时候外面码被裹了一层代码\color{red}{被裹了一层代码}被裹了一层代码。修饰器在被读取时立即执行，因此修饰器函数的定义得在使用之前，编译器来不及找def 包装器(传入的需要修饰函数): def 包装器要做什么(*args)： 预处理函数() 包装器输出 = 传入的需要修饰函数(*args) 善后函数() return 包装器输出 return 包装器要做什么 @包装器

数据结构使用16进制数的一维数列来传递信息。其中的每个4位的数控制4个pixe的亮灭。两个拼在一起控制8个像素。但是其扫描的排列却是竖着的。具体来说，第一列表示为0XFF，灯全亮。第二列表示为0X01,只有第一个亮了。因此自己写取模软件时候，需要每八行为一组，每组表示一个8位数。同时注意字符串是反着的第一列第二列1110101010101010算法一按照数据格式直观来写：伪代码for 组数 in 图像高度/8:

在传统cv中，涉及到颜色的任务有时会用hsv颜色模型。而在深度学习中全在用rgb，推测这一问题没有被深度学习领域的作者发现。于是今天我做了实验，发现只是有轻微提升，可能是rgb映射到hsv早已被模型学到了。点子失效。。。...