- 博客(16)
- 收藏
- 关注
RSS订阅原创 git+github代码仓库管理
前阵子机器不稳定出现bug，所以想着用github托管代码，这里记录一下流程。github web 操作首先添加本地的ssh公钥，如果没有的话ssh-keygen -t rsa一路回车，会生成在~/.ssh中。然后在github的web端添加然后在github新建一个仓库。本地操作在代码目录下git init初始化本地版本库，然后git add .加至暂存区跟踪，git commit -m "comment"提交至本地仓库并添加注释（这里可能需要首先添加邮箱和用户名） git config -
2022-05-09 22:07:35
302
原创 【阅读笔记】pointnet++
Qi大神提出的pointnet家族中的一员，相较于划时代的只有全局特征的pointnet，加入了局部特征，以下是整理的笔记和不理解的地方。简介PointNet是在点云上应用深度学习的先锋，但有两个缺点。第一，pointnet学习每个点得到逐点特征，并把所有点串联得到全局特征，这导致无法获得局部特征，限制了网络对精细场景的识别和对复杂场景的泛化能力。第二，pointnet均匀采样，但实际场景的点...
2021-08-26 10:35:04
357
原创 【阅读笔记】旋转目标检测R3Det与BBAvector
最近一个项目需要检测地物带方向的旋转框，于是看了下相关内容，用了R3Det和BBAVectors。这里做下记录。旋转目标检测定向包围框OBB（oriented bounding box），水平包围框HBB（horizontal bounding box）旋转目标检测的挑战：目标纵横比较大 排列紧密，类别不平衡，目标比例差异，遥感图像目标的比例变化很大，传感器的空间分辨率水平anchor高召回率，旋转anchor密集场景适应性R3Det上交和旷世2019提出的旋转目标检测网络，有mmdete
2021-08-25 21:53:11
1959
1
原创 常用loss函数总结篇
分割任务的losspixel-level把分割问题看做对每个点的分类，通常是crossEntropy的改进包括 CE，wCE，focal loss等focal loss使难分样本的权重大。由网络的输出与gt的偏差来决定哪些是难分类样本，实现网络自适应调整。同样有这种自适应方式的还有在线难样本挖掘（OHEM）class-leveldice loss = 2A∩B/(A+B)dice loss 是一种区域面积匹配，也可以用边界匹配度，如boundary loss，只对边界上的像素进行评估，根
2021-04-05 15:45:54
1115
原创 如何在pypi发布自己的python库
目标：把自己写的python库发布在Pypi，让大家可以直接pip install。在Pypi上注册账号安装setuptools，或者update；以及twine可以简化发布流程的工具git clone https://github.com/kennethreitz/setup.py，然后编辑该setup.py，比如包名等编写核心代码，源代码文件夹名应与setup.py中的包名一致打包上传python setup.py sdist bdist_wheel，然后twine upload dist
2021-01-12 14:18:45
398
1
原创 torch中保存的模型.pth
在pytorch进行模型保存的时候，一般有两种保存方式，一种是保存整个模型，另一种是只保存模型的参数。torch.save(model.state_dict(),"model.pth")#只保存模型参数torch.save(model,"model.pth")#保存整个模型保存的模型参数实际上一个字典类型，通过key-value的形式来存储模型的所有参数，本文以自己在实践过程中使用的一个.pth文件为例来说明，使用的是整个模型。一个完整的模型有四个键值：model,optimizer,schedu
2021-01-12 13:55:04
1441
1
原创 【文章翻译】解码肿瘤表型的无创成像使用定量放射组学方法
1 摘要人类癌症表现出强烈的表型差异，可以通过医学成像非侵入性地可视化。放射组学是指应用大量定量图像特征对肿瘤表型进行综合定量。在此，我们从1019名肺癌或头颈癌患者的计算机断层扫描数据中提取了440个量化肿瘤图像强度、形状和纹理的放射学特征。我们发现，大量的放射学特征对肺癌和头颈癌患者的独立数据集具有预测能力，其中许多以前没有被确定为显著的。放射基因组学分析显示，捕获瘤内异质性的预后放射体特征与潜在的基因表达模式相关。这些数据表明放射组学确定了存在于肺癌和头颈癌的一般预后表型。这可能会对临床产生影响，因
2020-07-12 18:12:32
776
原创 【文章翻译】pointsift
1 摘要近年来，三维理解的研究将重点从点云中直接提取特征[22,24]，这就需要对点云进行有效的形状模式描述。受杰出的二维形状描述符SIFT[15]的启发，我们设计了一个称为PointSIFT的模块，该模块对不同方向的信息进行编码，并且能够适应形状的尺度。具体地，一个方向编码单元被设计来描述八个关键的方向，并且通过堆叠几个方向编码单元来实现多尺度表示法。可以将PointSIFT模块集成到各种基于...
2020-04-10 10:53:20
1188
原创 【文章翻译】pointrcnn实验部分翻译
1 实现细节1.1 网络结构对于训练集中的每个3D点云场景，我们从每个场景中选取16384个点作为输入。对于点数小于16384的场景，我们随机重复这些点数，得到16384个点。对于第一阶段的子网络，我们遵循pointnet++的网络结构，其中四个具有多尺度分组的集抽象层被用来将点分成大小为4096、1024、256、64的组。然后利用四个特征提取层，得到每个点的特征向量，进行分割和生成建议。...
2020-04-01 23:25:57
1420
2
原创 optimizer优化器的选择
最近跑一个框架，结果不理想，在第30个epoch附近AP出现了很大的下降，看tensorboard发现在学习率出了些莫名其妙的问题，于是想把这部分的基础再看一下。（自己跑的开源code提供了Adam、sgd和Adam_onecycle，adam似乎也是应用最广的优化器吧）1 梯度下降最常见的3种变形bgd，sgd，mbgd1 bgd 梯度下降Batch Gradient Descent，将...
2020-03-31 21:06:04
781
原创 【文章翻译】Point GNN：使用图神经网络的3d目标检测方法
摘要在本文中，我们提出了一个图神经网络来从激光雷达点云检测目标。对这个目标，我们将点云有效地编码到一个固定半径的近邻图中。我们设计了一个图神经网络，称为点Point GNN，来预测类别和图中每个顶点所属的对象的形状。在PointGNN里，我们提出了一个自动配准的机制来保证平移不变性（reduce translation variance），并设计一个框合并和打分操作，以精确结合多个顶点的检测结果...
2020-03-23 14:26:28
6165
1
原创 【阅读笔记】PV-RCNN
目前在kitti数据集榜单第一名，收录在CVPR2020。与pointRCNN同作者。1 简介文章称该方法把point-based和voxel-based两种方法的优势结合起来，提高了3D目标检测的表现。基于体素的操作可以高效的编码多尺度特征表示并生成高质量3D提案框，基于点操作有可变的感受野故可以保留更精确的位置信息。voxel-based（grid）优缺点：高效、但信息损失降低定位细粒度...
2020-03-04 14:09:11
5986
2
原创 【阅读笔记】pointrcnn
2019年港中文发表的pointrcnn，在KITTI数据集（仅使用点云，不用rgb图）中的行人和车辆目标检测中有着一定优势，以下把阅读过程中的一些重要内容和不理解的地方做下笔记。摘要整个框架有两个阶段：第一阶段是自底向上的3D提案生成，第二阶段是在规范坐标（canonical coordinates？）中优化提案来获得最终检测结果。stage1: 旨在以自下而上的方案生成3D边界框提案。将...
2020-02-16 23:33:27
1338
原创 【阅读笔记】voxelnet
2018年提出的voxelnet，把阅读过程中的一些关键内容和没看懂的地方做下笔记。摘要关键词：将高度稀疏的雷达点云与区域建议网络（RPN）进行接口。将特征提取和包围框预测统一到一个阶段，是一个端到端可训练的深度网络。引入体素特征编码层voxel feature encoding（VFE），点云被编码为描述性的体积表示，然后将其连接到RPN以产生检测。介绍由于3D空间的非均匀采样、传感器的...
2020-02-07 22:43:08
1037
原创 在pycharm中配置pytorch出现的问题（macos）
在pycharm中配置pytorch出现的问题（macos）第一次配置，出现了挺多问题的，在这里mark一下，如有不当请多指教。首先看这个，对小白太友好了。https://blog.youkuaiyun.com/aa3615058/article/details/89339790下载anaconda比较简单，官网下载即可，教程已经很多了就不再赘述。下载pytorch官网给出的是homebrew安...
2020-01-10 10:48:00
666
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人