qq_273058791的博客

【代码】【Kaggle】House Prices - Advanced Regression Techniques。

保留拓扑精度对于一些任务很重要，比如对血管分割来分析血流。目前针对管状曲线结构的语义分网络，常用的两个定量评估标准为：1）基于重叠的度量，例如Dice；2）基于体积距离度量。目前大多问题关注点为局部管状结构和全局形成的网络，二者之中最重要的是全局网络拓扑的连通性。以血管数据为例，对全局平均损失的训练会导致对大血管的体积分割的强烈偏向。（如下紫色区域相对于红色区域）针对二值几何图形，根据不同的拓扑定义，基于细化和中间区的各种算法已证明是可以保留拓扑关系的。然而目前还没提出端到端的损失函数。本文借此提出了一

作者在本次调查中，涵盖了语义和实例级分割的广泛开创性工作，包括全卷积像素标记网络，编码器-解码器体系结构，多尺度以及基于金字塔的方法，递归网络，视觉注意模型和对抗环境中的生成模型。研究了这些深度学习模型的相似性，优势和挑战，研究了使用最广泛的数据集，报告了性能，并讨论了该领域有希望的未来研究方向。结论：综述总结

创新点：1.总结深度学习网络架构、优化目标2.总结了相关现有数据集不足：分析：结论：综述总结。

创新点：1.建立了航片路面标志数据集2.在不同步骤中将输入图像的离散小波变换插入到FCNNs中来保存高频信息（包括标线），从而专注于小尺寸车道标记不足：分析：积结论：SOTA、end-to-end、pixels-to-pixels。

精读论文U-Net: Convolutional Networks for Biomedical Image Segmentation（附翻译和代码）

创新点：1.端到端，逐像素预测，自监督预训练2.接受任意大小输入，推理并学习产生相应大小输出3.将浅层信息与深层信息相结合不足：分析：结论：SOTA、end-to-end、pixels-to-pixels。

1.编码器和解码器直接相连，共享了学习信息，保留了通常丢失掉的空间信息2.编码器用ResNet18，编解码器参数更少不足：123结论：CamVid中的SOTA、

一些常识

提出面向RGB图像针对车道线的语义分割网络SCNN，实现行和列上的信息传递发布车道线检测数据集CULane Dataset（三次样条曲线标注四条线）不足：只有四条车道线；基于语义分割；代码配置？1.分割单通道多通道都还行2.细长结构信息，可解决外显不明显问题3.有益于大目标分割结论：传递空间信息 、易集成、端到端、1st in a challenge。

提出用参数贝塞尔曲线模型进行端到端检测RGB图车道线的方法提出基于变形卷积的特征反转融合来利用对称性不足：特征翻转融合是专为前置相机设计的，很难集成到边缘设备上1.针对前置摄像头拍的RGB图算法能否应用到俯视单通道强度图上？2.能否将原来的(实线虚线)目标检测转化为关键点检测？可能后续精度要好些（关键点检测和目标检测和语义分割的关系）3.啥是可变形卷积？结论：a new SOTA；低延时，小模型，端到端，anchor-free，NMS-free。

闲来无事摸鱼一波~最近较为流行的Windows系统有和，根据安装后的系统组成又可分为和。但网上的指南鱼龙混杂且不乏好多破解版的教程，所以今天就此来总结一下，作为笔记供日后查阅。哈哈哈哈哈🐱‍🏍。

将预定的版本下载到本地，解压缩后配置环境配置环境中的requirements.txt中的torch默认为CPU版本的，下载GPU 版本的需要去pytorch官网去下载哔哩哔哩参考视频

运行YoloV5可选为GPU或CPU环境。默认CPU环境无需配置，GPU环境需要安装与显卡版本对应的cuda，本文即针对GPU环境配置cuda过程

1.rectangle_fitting.py# Object shape recognition with L-shape fittingimport matplotlib.pyplot as pltimport numpy as npimport itertoolsfrom enum import Enumfrom simulator import VehicleSimulator, LidarSimulatorshow_animation = Trueclass LShap.

读取交通路口毫米波雷达数据并显示为散点图import matplotlib.pyplot as pltimport xlrdimport jsonfrom tkinter import filedialogimport numpy as npimport pandas as pddef read(file, sheet_index=0): workbook = xlrd.open_workbook(file) sheet = workbook.sheet_by_inde.

这里写自定义目录标题欢迎使用Markdown编辑器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欢迎使用Markdown编辑器你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar

文件 nmi.mfunction score = nmi(true_labels, cluster_labels)%NMI Compute normalized mutual information (NMI) using the true and cluster% labels and return the value in 'score'.%% Input : true_labels : N-by-1 vector containing true labels% .