sinoai

欢迎访问我的博客首页。语义立体匹配和语义深度估计综述

欢迎访问我的博客首页。ViP-DeepLab1. 参考  ViP-DeepLab 由谷歌提出。1. 参考ViP-DeepLab，arxiv，2021。

欢迎访问我的博客首页。BANet

欢迎访问我的博客首页。PWA1. 参考  这篇文章来自韩国科学技术院 KAIST。1. 参考论文，AAAi。

BTS1. LPG1. LPG  LPG 即 local planar guidance，用于把输入特种上采样到原图尺寸。所以创建它时需要给一个上采样参数 upratio。  在 BTS 中，LPG 层的输入维度是 (b, 4, L/upratio, L/upratio)。其中 b 指 batch size，4 指 XXX，L 是原图边长，upratio 取 2、4、8 三个值。测试这个类：import torchimport numpy as npfrom bts import local_

鸢尾花数据集1.鸢尾花数据集1.鸢尾花数据集  鸢尾花数据集包含 3 类，每类各 50 个数据。每条记录都有 4 项特征：花萼长度、花萼宽度、花瓣长度、花瓣宽度，单位是厘米。可以通过这 4 个特征对 3 类鸢尾花分类。...

单目深度估计1. 效果评估2. 参考1. 效果评估2. 参考monodepth 中的效果估计

目标检测1. 评估方法1. 评估方法

Deeply1. 参考1. 参考全连接条件随机场的实现，优快云全连接条件随机场的实现，优快云全连接条件随机场的实现

欢迎访问我的博客首页。决策树  决策树既能做预测也能做回归。

欢迎访问我的博客首页。YOLO41. 参考1. 参考Bubbliiiing 的 githubBubbliiiing 的 优快云Bubbliiiing 的 B站

欢迎访问我的博客首页。网络1. 网络属性1. 网络属性  可以使用 torchstat 输出网络的参数量、计算量等参数，下面以一个简单的网络为例：from torchstat import statclass Net(torch.nn.Module): def __init__(self): super(Net, self).__init__() layers = list() layers.append(torch.nn.Conv2.

欢迎访问我的博客首页。MobileNet1. 定义在 torchvision 中的 MobileNet1. 定义在 torchvision 中的 MobileNet  可以使用下面两种方法使用定义在 torchvision 中的 MobileNet。第一种方法中函数 mobilenet_v2 创建并返回类 MobileNetV2 的对象，第二种方法直接创建并返回类 MobileNetV2 的对象。mobile_net = torchvision.models.mobilenet_v2()mo.

欢迎访问我的博客首页。Faster R-CNN1. 锚点2. 计算 iou3. 区域生成网络4. 重要的 pytorch 函数5.参考1. 锚点1. 基础锚点  以某一个锚点为中心，产生一组检测框。把这组检测框平移，就可以为图像上的不同区域生成检测框。import numpy as npimport matplotlib.pyplot as pltimport matplotlib.patches as mpathesdef generate_anchor_base(base_siz.

欢迎访问我的博客首页。决策树1. sklearn 中的决策树1. sklearn 中的决策树from sklearn import datasetsfrom sklearn.model_selection import train_test_splitfrom sklearn.tree import DecisionTreeClassifierdef train(): # 1.数据。 iris = datasets.load_iris() data, targe.

机器学习方法

SSD 目标检测算法1. 网络结构1. 网络结构下采样次数下采样的输出检测网络的输入检测网络的输出原图上被检测区域的边长x的值第3次(38, 38, 512)(38, 38, 4x)84第4次(19, 19, 1024)(19, 19, 4x)166第5次(10, 10, 512)(38, 38, 4x)306第6次(5, 5, 256)(5, 5, 4x)606第7次(3, 3, 256)(3, 3, 4x)10

ResNet181. 使用 PyTorch 定义 ResNet181. 使用 PyTorch 定义 ResNet18import torch.nn as nnfrom torch.nn import functional as Fclass BasicBlock(nn.Module): def __init__(self, in_channels, out_channels, stride, downsample=False): super(BasicBlock, se

YOLO5YOLO5 代码

损失函数与优化算法1. 损失函数1.1 多分类损失1.2 回归损失2. 优化算法1. 损失函数  Pytorch 损失函数的两个参数 size_average 和 reduce 已被废弃，采用 reduction 代替它们。reduction 的取值是 sum、mean、none 三个字符串，分别表示保留维度、取元素和、取元素均值，默认是 sum。1.1 多分类损失1. 负对数似然损失NLLLoss  log softmax加负对数似然等于交叉熵。2. 交叉熵损失CrossEntropyLo

其它1. 过拟合、不收敛、梯度爆炸2. 预训练和迁移学习1. 过拟合、不收敛、梯度爆炸2. 预训练和迁移学习  预训练：预训练是指在其它任务上做的训练。预训练为我们提供更好的网络初始化参数，我们可以直接用这些参数或在这些参数的基础上继续训练。  迁移学习：网络的作用是提取图像特征。即使任务完全不同，网络也可以相同。网络至少可以部分相同，尤其是网络前面若干层可以完全相同。这就说明我们可以用训练好的网络参数来初始化新网络的全部或部分参数。训练好的模型就是预训练模型。利用训练好的模型处理新的任务就是迁移

LeNet51. 创建 LeNet1. 创建 LeNet  创建一个包含卷积层、BN 层、激活函数层、池化层、全连接层、Dropout 层的 LeNet。import torchclass LeNet(torch.nn.Module): def __init__(self): super(LeNet, self).__init__() self.net1 = torch.nn.Sequential( # 卷积块1

网络各层1. 卷积层2. 池化层3. 激活函数层4. BN层5. Dropout层6. 全连接层1. 卷积层  卷积层的参数有 weight、bias，即权重、偏置。1. 常规卷积2. 空洞卷积3. 深度可分离卷积4. 分组卷积2. 池化层3. 激活函数层  激活层没有参数。激活函数必须是非线性的，值域和单调性无要求。  当特征的值在大概 [-5, 5] 的区间时，Sigmoid 和 tanh 函数的值才有明显变化。所以当特征或权重过大时，如果没有 BN 层，这两个函数很容易饱和，

网络1. ModuleList 和 Sequential2. 创建 LeNet1. ModuleList 和 Sequential# 1.使用torch.nn.ModuleList定义网络。class Net(torch.nn.Module): def __init__(self): super(Net, self).__init__() layers = [] layers.append(torch.nn.Conv2d(1, 1, kerne

训练1. 损失函数1.1 多分类损失1.2 回归损失1. 损失函数  Pytorch 损失函数的两个参数 size_average 和 reduce 已被废弃，采用 reduction 代替它们。reduction 的取值是 sum、mean、none 三个字符串，分别表示保留维度、取元素和、取元素均值，默认是 sum。1.1 多分类损失1. 负对数似然损失NLLLoss  log softmax加负对数似然等于交叉熵。2. 交叉熵损失CrossEntropyLossCrossEntrop

数据1. 读取图像1. 读取图像

VGG网络1. 网络结构1. 网络结构  VGG网络在2014年ILSVRC竞赛获第二名（第一名是GoogLeNet）。下图是VGG的网络结构。  上图列出了6种VGG结构(两种VGG-11、一种VGG-13、两种VGG-16、一种VGG-19)。VGG网络有5个卷积块、5个最大池化层（分别在5个卷积块后）、3个全连接层、1个soft-max层，如上图所示。6种VGG的区别在于5个卷积块。...

正向传播与反向传播的推导1. 网络结构2. 正向传播与反向传播3. 参考  为了分析一个神经元的反向传播过程，对一个 2×2 的感受野卷积一次，通过学习，让它认识这个感受野的特征为 1。1. 网络结构x=[0.10.20.30.4]x =\begin{bmatrix}0.1 & 0.2\\0.3 & 0.4\\\end{bmatrix}x=[0.10.3​0.20.4​]  感受野即输入特征 x 的值是上面的矩阵。填充方法 padding=‘VALID’，不然会卷积4次。优

MNN参考文献参考文献云雀 MNN 文档

深度学习中的归一化和正则化1. 权重归一化  机器学习的学习过程基于概率和统计学，学习到的知识能用于其它数据的一个基本假设是独立同分布(IID)，因此把数据变成同分布是很有必要的。1. 权重归一化  权重归一化不归一化特征，而是归一化权重。假设卷积核的向量形式是w⃗\vec ww，感受野的向量形式是x⃗\vec xx，偏置为bbb。一个神经元的输出可以表示为：y=ϕ(w⃗⋅x⃗+b).y ...

pytorch拟合一元一次函数1. 这个程序定义网络的方式很特别2. 使用卷积拟合  拟合函数y=a×x+by=a\times x+by=a×x+b，其中a=1,b=2a=1,b=2a=1,b=2。1. 这个程序定义网络的方式很特别import torchimport numpy as npclass Net: def __init__(self): self....

Pytorch从读取数据到项目落地1.下载数据新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入—以用LeNet...

Single Shot MultiBox Detector  SSD算法来自ECCV2016，结合了faster RCNN和YOLO。

PyTorch程序设计1. 程序示例1. 程序示例import torch, osfrom torch.utils.data import Dataset, DataLoaderimport numpy as npclass MyDataSet(Dataset): def __init__(self, images, labels): self.images = images self.labels = labels def __getitem