<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[sinat_24674017的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/sinat_24674017</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; sinat_24674017]]></copyright><item><title><![CDATA[pytorch中expand和repeat的区别]]></title><link>https://blog.youkuaiyun.com/sinat_24674017/article/details/120238318</link><guid>https://blog.youkuaiyun.com/sinat_24674017/article/details/120238318</guid><author>sinat_24674017</author><pubDate>Sat, 11 Sep 2021 16:25:05 +0800</pubDate><description><![CDATA[expand
import torch
a = torch.Tensor([[1,2,3]])
'''
tensor(
	[[1.,2.,3.]]
)
'''

aa = a.expand(4, 3) # 也可写为a.expand(4, -1) # 对于某一个维度上的值为1的维度，可以在该维度上进行tensor的复制，若大于1则不行
'''
tensor(
	[[1.,2.,3.],
	[1.,2.,3.],
	[1.,2.,3.],
	[1.,2.,3.]]
)
'''

a = torch.Tensor]]></description><category></category></item><item><title><![CDATA[C++实用经验（五）]]></title><link>https://blog.youkuaiyun.com/sinat_24674017/article/details/106790427</link><guid>https://blog.youkuaiyun.com/sinat_24674017/article/details/106790427</guid><author>sinat_24674017</author><pubDate>Sun, 28 Jun 2020 16:30:51 +0800</pubDate><description><![CDATA[C++实用经验（五）禁止函数返回局部变量的引用函数传值、传指针和传引用的效率分析效率分析内联函数会像宏一样替换吗函数重载需要考虑什么不要让main返回void如何降低函数的圈复杂度
声明：以下内容总结自《C++程序员不可不知的101条实用经验》
禁止函数返回局部变量的引用
函数被调用时的操作：编译器首先把函数的输入/输出参数放到堆栈，指令寄存器IP放到堆栈（作为函数返回出口地址），然后是基址寄存器，接着是函数的局部变量。当函数返回时执行弹出操作，顺序正好和放到堆栈的顺序相反（首先释放堆栈中的局部存储变量，然]]></description><category></category></item><item><title><![CDATA[C++实用经验（四）]]></title><link>https://blog.youkuaiyun.com/sinat_24674017/article/details/101601547</link><guid>https://blog.youkuaiyun.com/sinat_24674017/article/details/101601547</guid><author>sinat_24674017</author><pubDate>Sun, 29 Sep 2019 15:35:22 +0800</pubDate><description><![CDATA[C++实用经验（四）运算符引发的混乱尽量使用C++转换操作符计算机如何存储变量五个存储区确保每个对象在使用前被初始化全局变量变量定义的位置和时机引用难道只是别人的替身枚举和一组预处理的#define有何不同为何struct x1{struct x1 stX};无法通过编译typedef的使用陷阱优化结构体中元素布局数据对齐内存对齐既有结构体，为何要联合体提防隐式转换带来的麻烦内置类型间的隐式转换n...]]></description><category></category></item><item><title><![CDATA[论文Action Tubelet Detector for Spatio-Temporal Action Localization解读]]></title><link>https://blog.youkuaiyun.com/sinat_24674017/article/details/99731174</link><guid>https://blog.youkuaiyun.com/sinat_24674017/article/details/99731174</guid><author>sinat_24674017</author><pubDate>Mon, 19 Aug 2019 21:00:40 +0800</pubDate><description><![CDATA[论文链接
https://arxiv.org/abs/1705.01861
动机
当前的行为定位算法都是在每一帧上进行目标检测得到空间定位，再连接每一帧上的检测结果得到时间上的定位。这种方式将每一帧作为独立的输入，没有将视频帧的时间连续性特征信息考虑进去，容易造成检测结果的模糊
贡献
提出一个Action Tubelet detector (ACT-detector)，输入多帧连续视频帧，输出预测...]]></description><category></category></item><item><title><![CDATA[目标检测FCOS: Fully Convolutional One-Stage Object Detection论文详解]]></title><link>https://blog.youkuaiyun.com/sinat_24674017/article/details/98526330</link><guid>https://blog.youkuaiyun.com/sinat_24674017/article/details/98526330</guid><author>sinat_24674017</author><pubDate>Tue, 06 Aug 2019 22:42:27 +0800</pubDate><description><![CDATA[论文链接
https://arxiv.org/abs/1904.01355
动机
1.目标检测中的anchor机制有以下缺点：（1）检测性能容易受先验的anchor box的大小、长宽比和数量的影响 （2）在训练和检测过程中anchor box都是固定的，当出现目标形状剧烈变化时，会难以适应这种变化从而影响检测效果 （3）为了实现高召回率，需要在图片上提取大量anchor box进行筛选，其中大部...]]></description><category></category></item><item><title><![CDATA[目标检测CornerNet: Detecting Objects as Paired Keypoints论文详解]]></title><link>https://blog.youkuaiyun.com/sinat_24674017/article/details/97831833</link><guid>https://blog.youkuaiyun.com/sinat_24674017/article/details/97831833</guid><author>sinat_24674017</author><pubDate>Thu, 01 Aug 2019 10:30:59 +0800</pubDate><description><![CDATA[论文链接
https://arxiv.org/abs/1808.01244
动机
在目标检测中使用anchor box的两个缺点：（1）在检测过程中会生成大量anchor box并计算每个anchor box和ground truth box的IoU。其中大部分的anchor box都是负样本而被丢弃。这个机制减慢了训练速度，增加了计算开销。 （2）anchor机制引入了更多的超参数，比如anch...]]></description><category></category></item><item><title><![CDATA[Faster-RCNN论文解读]]></title><link>https://blog.youkuaiyun.com/sinat_24674017/article/details/97570964</link><guid>https://blog.youkuaiyun.com/sinat_24674017/article/details/97570964</guid><author>sinat_24674017</author><pubDate>Sun, 28 Jul 2019 00:52:11 +0800</pubDate><description><![CDATA[动机
选取region proposal的算法在CPU上比较消耗时间。Selective search算法速度大约是一张图片两秒，Edgeboxes算法大约是一张图片0.2秒
贡献
提出region proposal network，能够替代selective search算法和edgeboxes算法，直接在GPU上进行region proposal的选取和过滤，并且几乎不需要太多计算开销
算法
...]]></description><category></category></item><item><title><![CDATA[TensorRT-FP32转INT8的校准原理]]></title><link>https://blog.youkuaiyun.com/sinat_24674017/article/details/97541683</link><guid>https://blog.youkuaiyun.com/sinat_24674017/article/details/97541683</guid><author>sinat_24674017</author><pubDate>Sat, 27 Jul 2019 19:06:33 +0800</pubDate><description><![CDATA[Nvidia官网对TensorRT的介绍：https://docs.nvidia.com/deeplearning/sdk/tensorrt-developer-guide/index.html
TensorRT-FP32转INT8的校准原理：https://arleyzhang.github.io/articles/923e2c40/

]]></description><category></category></item><item><title><![CDATA[yolo演化史]]></title><link>https://blog.youkuaiyun.com/sinat_24674017/article/details/96849116</link><guid>https://blog.youkuaiyun.com/sinat_24674017/article/details/96849116</guid><author>sinat_24674017</author><pubDate>Fri, 26 Jul 2019 00:15:02 +0800</pubDate><description><![CDATA[https://blog.youkuaiyun.com/qq_35916487/article/details/89076570

]]></description><category></category></item><item><title><![CDATA[语义分割Searching for Efficient Multi-Scale Architectures for Dense Image Prediction论文详解]]></title><link>https://blog.youkuaiyun.com/sinat_24674017/article/details/97157005</link><guid>https://blog.youkuaiyun.com/sinat_24674017/article/details/97157005</guid><author>sinat_24674017</author><pubDate>Wed, 24 Jul 2019 19:29:56 +0800</pubDate><description><![CDATA[论文链接
https://arxiv.org/abs/1809.04184
动机
目前的工作显示了在图像分类任务上，通过meta learning自动设计的网络的表现已经超过了一些人工设计的网络。但是我们希望把meta learning技巧运用到其他视觉任务上，比如语义分割、目标检测。这类任务依赖高分辨率的图片输入以及多尺度的图片特征表达。但是把分类任务的想法运用到这类更复杂的任务上无法满足任务要...]]></description><category></category></item><item><title><![CDATA[实时语义分割BiSeNet: Bilateral Segmentation Network for Real-time Semantic Segmentation论文解读]]></title><link>https://blog.youkuaiyun.com/sinat_24674017/article/details/97156868</link><guid>https://blog.youkuaiyun.com/sinat_24674017/article/details/97156868</guid><author>sinat_24674017</author><pubDate>Wed, 24 Jul 2019 19:27:33 +0800</pubDate><description><![CDATA[论文链接
http://openaccess.thecvf.com/content_ECCV_2018/papers/Changqian_Yu_BiSeNet_Bilateral_Segmentation_ECCV_2018_paper.pdf
动机
目前加速实时语义分割的方法：（1）限制输入图片的分辨率以减少计算复杂度，但导致了空间细节信息丢失 （2）减少网络通道数，但减弱了空间特征信息容纳能力...]]></description><category></category></item><item><title><![CDATA[实时语义分割网络结构汇总]]></title><link>https://blog.youkuaiyun.com/sinat_24674017/article/details/97047659</link><guid>https://blog.youkuaiyun.com/sinat_24674017/article/details/97047659</guid><author>sinat_24674017</author><pubDate>Tue, 23 Jul 2019 23:16:26 +0800</pubDate><description><![CDATA[为激发语义分割研究的新想法，特将最近的实时语义分割网络结构进行了汇总，方便大家对实时语义分割网络结构有一个直观快速的了解。
Design of Real-time Semantic Segmentation Decoder for Automated Driving

An efficient solution for semantic segmentation: ShuffleNet V2 wi...]]></description><category></category></item><item><title><![CDATA[语义分割Analysis of efficient CNN design techniques for semantic segmentation论文解读]]></title><link>https://blog.youkuaiyun.com/sinat_24674017/article/details/96587343</link><guid>https://blog.youkuaiyun.com/sinat_24674017/article/details/96587343</guid><author>sinat_24674017</author><pubDate>Sat, 20 Jul 2019 16:01:42 +0800</pubDate><description><![CDATA[论文链接
http://openaccess.thecvf.com/content_cvpr_2018_workshops/papers/w12/Briot_Analysis_of_Efficient_CVPR_2018_paper.pdf
动机
目前有许多关于如何设计高效网络结构的研究，涉及到各种不同的技巧，但是对高效的网络结构设计技巧没有系统性的总结
贡献
对语义分割领域的网络设计方法技巧进行...]]></description><category></category></item><item><title><![CDATA[C++实用经验（三）]]></title><link>https://blog.youkuaiyun.com/sinat_24674017/article/details/96573756</link><guid>https://blog.youkuaiyun.com/sinat_24674017/article/details/96573756</guid><author>sinat_24674017</author><pubDate>Sat, 20 Jul 2019 13:26:03 +0800</pubDate><description><![CDATA[C++实用经验（二）理解指针的本质论数组和指针的等价性再论数组和指针的差异性充满疑惑的数组指针和指针数组数组指针指针数组禁止
声明：以下内容总结自《C++程序员不可不知的101条实用经验》
理解指针的本质

C++标准规定：存放地址的变量称为指针变量，变量的地址称为变量的指针
指针的两个属性：（1）指针变量值的范围在[0, 2^n-1]，n是机器地址线的数量，即指针变量占用n个bit； （2）指针...]]></description><category></category></item><item><title><![CDATA[车道线检测Towards End-to-End Lane Detection: an Instance Segmentation Approach论文解读]]></title><link>https://blog.youkuaiyun.com/sinat_24674017/article/details/96500353</link><guid>https://blog.youkuaiyun.com/sinat_24674017/article/details/96500353</guid><author>sinat_24674017</author><pubDate>Fri, 19 Jul 2019 23:57:31 +0800</pubDate><description><![CDATA[论文链接
https://arxiv.org/pdf/1802.05591.pdf
动机
传统车道线检测算法不够灵活，对于不同的检测场景缺少适应性。而基于深度学习的算法在做语义分割后需要进行后处理区分，但是后处理往往计算量大，缺乏灵活性。有些算法对车道线进行分类，直接通过类别对各个车道线进行区分，但这个方法使得可预测的车道线数量固定，只能检测ego lane，当车道线数量变化时，无法适应
贡献

...]]></description><category></category></item><item><title><![CDATA[语义分割Deeplabv3+论文解读]]></title><link>https://blog.youkuaiyun.com/sinat_24674017/article/details/96455574</link><guid>https://blog.youkuaiyun.com/sinat_24674017/article/details/96455574</guid><author>sinat_24674017</author><pubDate>Thu, 18 Jul 2019 23:52:17 +0800</pubDate><description><![CDATA[论文链接
https://arxiv.org/abs/1802.02611
动机

在Deeplabv3和PSPNet中，虽然丰富的语义信息被编码，但是在backbone网络中多次下采样使得被分割物体的边缘信息丢失，导致边缘模糊
使用空洞卷积可以减少下采样，缓解由于下采样过多而使得被分割物体的边缘信息丢失的问题，但是空洞卷积往往导致占用过多显存，计算过于复杂，特别使当输出的分辨率是输入分辨率的1/...]]></description><category></category></item><item><title><![CDATA[车道图片与分割图片进行半透明叠加]]></title><link>https://blog.youkuaiyun.com/sinat_24674017/article/details/96154643</link><guid>https://blog.youkuaiyun.com/sinat_24674017/article/details/96154643</guid><author>sinat_24674017</author><pubDate>Tue, 16 Jul 2019 17:11:53 +0800</pubDate><description><![CDATA[实现车道分割算法时需要将车道分割结果叠加到原图上，方便观察分割效果。以下图例来自bdd100k数据集
import numpy as np
import cv2
import matplotlib.pyplot as plt

color_label_path = "color_label.png"
img_path = "img.jpg"

img = cv2.imread(img_path)
...]]></description><category></category></item><item><title><![CDATA[opencv Rect用法]]></title><link>https://blog.youkuaiyun.com/sinat_24674017/article/details/96033625</link><guid>https://blog.youkuaiyun.com/sinat_24674017/article/details/96033625</guid><author>sinat_24674017</author><pubDate>Mon, 15 Jul 2019 22:42:46 +0800</pubDate><description><![CDATA[转载：https://blog.youkuaiyun.com/kh1445291129/article/details/51149849
//如果创建一个Rect对象rect(100, 50, 50, 100)，那么rect会有以下几个功能：
rect.area();     //返回rect的面积 5000
rect.size();     //返回rect的尺寸 [50 × 100]
rect.tl();...]]></description><category></category></item><item><title><![CDATA[在本地浏览器显示服务器端运行的tensorboard]]></title><link>https://blog.youkuaiyun.com/sinat_24674017/article/details/95992091</link><guid>https://blog.youkuaiyun.com/sinat_24674017/article/details/95992091</guid><author>sinat_24674017</author><pubDate>Mon, 15 Jul 2019 19:31:01 +0800</pubDate><description><![CDATA[使用tensorboard必须安装tensorflow，但发现官网没有提供旧版本tensorflow-1.12.0。可以从

]]></description><category></category></item><item><title><![CDATA[github上传修改删除命令总结]]></title><link>https://blog.youkuaiyun.com/sinat_24674017/article/details/95729445</link><guid>https://blog.youkuaiyun.com/sinat_24674017/article/details/95729445</guid><author>sinat_24674017</author><pubDate>Sat, 13 Jul 2019 14:31:20 +0800</pubDate><description><![CDATA[上传代码

登录github账号，在Repositories页面上点击New，出来界面如下：

输入仓库名字、描述，选择权限、是否初始化一个README.md文件，添加.gitignore和license
1）初始化和不初始化README.md文件会导致后续代码上传过程有一些区别，会在后面详细介绍
2）添加.gitignore。在使用Git的过程中，我们喜欢有的文件比如日志，临时文件，编译的中间文...]]></description><category></category></item></channel></rss>