- 博客(21)
- 收藏
- 关注
RSS订阅原创 Swin Transformer做backbone的YoloX目标检测
使用Swin Transformer做骨干网络进行YoloX目标检测
2022-05-30 08:57:44
12989
151
原创 HRNet网络代码解读：Deep High-Resolution Representation Learning for Human Pose Estimation
HRNet网络搭建源码解读。
2022-05-19 16:07:48
893
1
原创 人体关键点检测——网络解读：Real-time 2D Multi-Person Pose Estimation on CPU: Lightweight OpenPose
人体关键点检测之网络解读
2022-05-16 14:07:12
2214
原创 YoloX引入注意力机制，CIoU、DIoU，DW卷积
本文以Bubbliiing的YoloX代码进行注意力机制的增加，并更改为DW卷积。
2022-04-24 09:19:31
7070
29
原创 面经：关于IoU的那些事
IoU交并比公式：可以反映预测框和真实框的检测效果具有尺度不变性，在回归任务中，判断预测框与真实框最直接的指标就是IoU。（满足非负性；同一性；对称性；三角不变性）import numpy as npdef Iou(box1, box2, wh=False): if wh == False: xmin1, ymin1, xmax1, ymax1 = box1 xmin2, ymin2, xmax2, ymax2 = box2 else: xmin1, ymin1 = i
2022-04-22 08:50:59
660
1
原创 面经：EfficientNetV12特点汇总
EfficientNetV1根据以往的经验，增加网络的深度depth能够得到更加丰富、复杂的特征并且能够很好的应用到其它任务中。但网络的深度过深会面临梯度消失，训练困难的问题。（c）增加网络的width能够获得更高细粒度的特征并且也更容易训练，但对于width很大而深度较浅的网络往往很难学习到更深层次的特征。（b）增加输入网络的图像分辨率能够潜在得获得更高细粒度的特征模板，但对于非常高的输入分辨率，准确率的增益也会减小。并且大分辨率图像会增加计算量。（d）同时增加网络的宽度（channels）深度
2022-04-19 14:48:35
615
原创 面经：ShuffleNetV12特点汇总
ShuffleNetV1当GConv的groups = input_channels，即为DW卷积。GConv虽然能够减少参数和计算量，但GConv中不同组之间的信息没有交流。为了解决这个问题，提出channel Shuffle的方法。在通过GConv之后，通过channel shuffle，取每个groups对应的通道数进行拼接，重新组成新的通道数。def channel_shuffle(x: Tensor, groups: int) -> Tensor: batch_size,
2022-04-19 11:03:36
416
原创 面经：MobileNetV123特点汇总
MobileNetV1提出了 Depthwise Separable Convolutions（深度可分离卷积），上述过程被拆分成了两个部分：深度卷积（Depthwise Convolution）与逐点卷积层（Pointwise Convolution）。总结一下，深度卷积每个卷积核只处理1个输入特征通道，而不是M个输入特征通道，这样大大减少了运算量。然而这里面有个问题，也就是通道与通道之间的联系被切断了，所以后面需要再用 1x1 大小的逐点卷积层来处理M个特征通道之间的信息。可以减少8—9倍的参数量。
2022-04-18 15:06:14
2932
原创 keras.LSTM实现自动生成文章
from tensorflow import kerasimport numpy as npfrom tensorflow.keras import layersimport randomimport sys# path = keras.utils.get_file(# 'nietzsche.txt',# origin='https://s3.amazonaws.c...
2020-03-18 23:15:13
1499
1
原创 next（data_batch)报错
for i in range(300): x, y = next(data_batch) y_onehot = onehot(y) model.fit(x, y_onehot)出现报错，原因是next函数读取data_batch的时候在最后一轮无法完全读入。for i in range(300): try: x, y = next(d...
2020-03-17 22:06:41
320
1
原创 一种全新考试标题关于tensorboard打不开
from tensorflow import kerasfrom tensorflow.keras import layersfrom tensorflow.keras.datasets import imdbfrom tensorflow.keras.preprocessing import sequencemax_features = 2000max_len = 500(x_t...
2020-03-16 21:27:29
296
原创 Python深度学习6-1复现（学习笔记）
import osfrom keras.preprocessing.text import Tokenizerfrom keras.preprocessing.sequence import pad_sequencesfrom keras.models import Sequentialfrom keras.layers import Embedding, Flatten, Densei...
2020-03-15 20:31:11
409
原创 Airsim仿真平台介绍
Airsim是一款基于Unreal Engine构建的无人机、汽车等模拟器的开源平台，并且可以跨平台的通过PX4飞行控制器进行仿真控制，在物理和视觉上逼真的模拟环境使得它成为一款很好的平台。不仅模拟了汽车无人机等动力学模型，甚至对天气效果灯光控制也做出了非常好的模拟。并且Microsoft官方发布了很多测试环境，诸如森林、平原、乡村、山脉景观等。Airsim公开了API，可以通过Python等语言...
2020-03-15 10:32:52
16817
1
原创 学过线代就可看懂的卷积神经网络基本结构
模型分析卷积神经网络(Convolutional Neural Networks, CNN)是目前计算机视觉较多使用的模型结构。其训练方法主要是通过卷积核（Kernel）遍历目标图像的像素点，提取图像特征，并对图像进行预测，在大量数据的反馈训练中不断调整网络参数，形成一套对测试图像有良好识别效果的网络。卷积神经网络相较于普通网络有着显著优点。针对于图片的像素点来说，往往在空间上下具有高度相似的特...
2020-03-15 10:21:56
2080
1
原创 基于深度学习网络在Airsim中的自动驾驶
Airsim仿真平台介绍及模型建立Airsim是一款基于Unreal Engine构建的无人机、汽车等模拟器的开源平台，并且可以跨平台的通过PX4飞行控制器进行仿真控制，在物理和视觉上逼真的模拟环境使得它成为一款很好的平台。不仅模拟了汽车无人机等动力学模型，甚至对天气效果灯光控制也做出了非常好的模拟。并且官方发布了很多测试环境，诸如森林、平原、乡村等。Airsim公开了API，可以通过Pytho...
2020-03-06 09:16:34
3470
1
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