<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[sinat_37145472的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/sinat_37145472</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; sinat_37145472]]></copyright><item><title><![CDATA[DKM: Dense Kernelized Feature Matching for Geometry Estimation]]></title><link>https://blog.youkuaiyun.com/sinat_37145472/article/details/139666650</link><guid>https://blog.youkuaiyun.com/sinat_37145472/article/details/139666650</guid><author>sinat_37145472</author><pubDate>Thu, 13 Jun 2024 23:32:45 +0800</pubDate><description><![CDATA[DKM: Dense Kernelized Feature Matching for Geometry Estimation 论文解读]]></description><category></category></item><item><title><![CDATA[ORB-SLAM2笔记]]></title><link>https://blog.youkuaiyun.com/sinat_37145472/article/details/129019302</link><guid>https://blog.youkuaiyun.com/sinat_37145472/article/details/129019302</guid><author>sinat_37145472</author><pubDate>Mon, 13 Feb 2023 23:57:54 +0800</pubDate><description><![CDATA[ORB-SLAM2笔记]]></description><category></category></item><item><title><![CDATA[Makefile语法快速查询]]></title><link>https://blog.youkuaiyun.com/sinat_37145472/article/details/124262768</link><guid>https://blog.youkuaiyun.com/sinat_37145472/article/details/124262768</guid><author>sinat_37145472</author><pubDate>Mon, 18 Apr 2022 23:52:54 +0800</pubDate><description><![CDATA[Makefile语法快速查询]]></description><category></category></item><item><title><![CDATA[gcc常用参数快速查询]]></title><link>https://blog.youkuaiyun.com/sinat_37145472/article/details/124262587</link><guid>https://blog.youkuaiyun.com/sinat_37145472/article/details/124262587</guid><author>sinat_37145472</author><pubDate>Mon, 18 Apr 2022 23:42:27 +0800</pubDate><description><![CDATA[gcc常用参数快速查询]]></description><category></category></item><item><title><![CDATA[小样本学习论文解读—FSOD：Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector]]></title><link>https://blog.youkuaiyun.com/sinat_37145472/article/details/108372702</link><guid>https://blog.youkuaiyun.com/sinat_37145472/article/details/108372702</guid><author>sinat_37145472</author><pubDate>Thu, 03 Sep 2020 00:22:15 +0800</pubDate><description><![CDATA[《Few-Shot Object Detection with Attention-RPN and Multi-Relation Detector》
关键词：
few-shot object detection
总结：
We propose a general few-shot object detection network that learns the matching metric between image pairs based on the Faster R-CNN framework eq.]]></description><category></category></item><item><title><![CDATA[Windows10家庭版彻底关闭HyperV]]></title><link>https://blog.youkuaiyun.com/sinat_37145472/article/details/104631468</link><guid>https://blog.youkuaiyun.com/sinat_37145472/article/details/104631468</guid><author>sinat_37145472</author><pubDate>Tue, 03 Mar 2020 14:56:04 +0800</pubDate><description><![CDATA[背景
原本是想在windows10家庭版内安装docker。但是意想不到的是整整让我爬了一天的坑。本文将介绍自己的爬坑经历，特别是目前国内其他博客能搜到的哪些解决方案可能对我们是不适用的。
目前国内网站对于在windows下安装docker大致有2种方案：
方案一
由于windows10家庭版没有hyperV，因此先安装之（类似于这种），然后安装docker for windows。
方案二
不安...]]></description><category></category></item><item><title><![CDATA[关于目标检测不平衡问题的一些工作]]></title><link>https://blog.youkuaiyun.com/sinat_37145472/article/details/102648150</link><guid>https://blog.youkuaiyun.com/sinat_37145472/article/details/102648150</guid><author>sinat_37145472</author><pubDate>Sun, 20 Oct 2019 14:13:25 +0800</pubDate><description><![CDATA[之前开的组会分享了一些在这方面的顶会，这边放博客上分享。
关于目标检测的不平衡问题，推荐阅读
two-stage目标检测算法回顾
本文主要分享的工作都是基于two-stage的，不妨先回顾一下。
以Faster RCNN为例：



Training stage：
RPN网络基于NMS，topN选出2000个proposals;
所有proposals计算IOU，根据阈值分成正负样本；
采样正负样...]]></description><category></category></item><item><title><![CDATA[异常检测论文解读—AnoGAN]]></title><link>https://blog.youkuaiyun.com/sinat_37145472/article/details/99305770</link><guid>https://blog.youkuaiyun.com/sinat_37145472/article/details/99305770</guid><author>sinat_37145472</author><pubDate>Mon, 12 Aug 2019 17:42:38 +0800</pubDate><description><![CDATA[这是第一篇将GAN思想用于图像异常检测的论文。

结合上图，其基本思想是：

训练阶段：仅利用正常样本在DCGAN上无监督地学习正常样本的一个在潜在空间中的流形分布（文中为Normal Anatomical Variability正常解剖变化，解剖是因为数据为医学图像233），并基于此提出了一个异常值来辨别是否异常。
测试阶段：读入测试样本（可能是正常样本或异常样本），送入GAN中的Discri...]]></description><category></category></item><item><title><![CDATA[异常检测论文解读—Memorizing Normality to Detect Anomaly]]></title><link>https://blog.youkuaiyun.com/sinat_37145472/article/details/98869328</link><guid>https://blog.youkuaiyun.com/sinat_37145472/article/details/98869328</guid><author>sinat_37145472</author><pubDate>Thu, 08 Aug 2019 19:01:23 +0800</pubDate><description><![CDATA[论文链接
暂时未开源
这是一篇异常检测方向的paper；ICCV2019已收录。

论文背景
目前视觉中基于无监督学习的异常检测主要为编码器-解码器结构，仅训练正常样本，希望测试阶段的正常样本有较低的reconstruction error，而输入的异常样本reconstruction error超过一定阈值。但是这样的假设实际工作中常常不work，因为AE（autoencoder）可能效果太好（...]]></description><category></category></item><item><title><![CDATA[Numpy与Pytorch对比（二）随机数生成]]></title><link>https://blog.youkuaiyun.com/sinat_37145472/article/details/94755405</link><guid>https://blog.youkuaiyun.com/sinat_37145472/article/details/94755405</guid><author>sinat_37145472</author><pubDate>Fri, 05 Jul 2019 19:48:38 +0800</pubDate><description><![CDATA[np.random
np.random.rand()
均匀分布
Create an array of the given shape and populate it with random samples from a uniform distribution [0, 1).
np.random.random()
均匀分布
Return random floats in the half-open...]]></description><category></category></item><item><title><![CDATA[Numpy与Pytorch对比（一）最大/最小值寻找]]></title><link>https://blog.youkuaiyun.com/sinat_37145472/article/details/94753866</link><guid>https://blog.youkuaiyun.com/sinat_37145472/article/details/94753866</guid><author>sinat_37145472</author><pubDate>Fri, 05 Jul 2019 19:27:02 +0800</pubDate><description><![CDATA[为减少篇幅，本文只对两个框架关于最小值查找的对比。
Numpy
np.min
Return the minimum of an array or minimum along an axis.
np.argmin
Return the indices of the minimum values.
np.minimum
Element-wise minimum of two arrays, propa...]]></description><category></category></item><item><title><![CDATA[Libra R-CNN论文与代码解读]]></title><link>https://blog.youkuaiyun.com/sinat_37145472/article/details/93903922</link><guid>https://blog.youkuaiyun.com/sinat_37145472/article/details/93903922</guid><author>sinat_37145472</author><pubDate>Fri, 28 Jun 2019 09:56:57 +0800</pubDate><description><![CDATA[一篇来自浙大、港中文、商汤的目标检测文章。
现在CV领域各种模型真的是满天飞，这篇Libra RCNN在不大量增加模型复杂度的前提下还可以有效涨分，还是给人眼前一亮的。
论文链接

总览
论文主要讲述了三个贡献：

IoU-balanced sampling—— reducing the imbalance at sample，让选择的样本更 representative；
balanced fe...]]></description><category></category></item><item><title><![CDATA[ssd.pytorch源码分析（五）—损失函数及Hard negative mining]]></title><link>https://blog.youkuaiyun.com/sinat_37145472/article/details/90259649</link><guid>https://blog.youkuaiyun.com/sinat_37145472/article/details/90259649</guid><author>sinat_37145472</author><pubDate>Thu, 16 May 2019 16:57:54 +0800</pubDate><description><![CDATA[MultiBoxLoss源码
SSD论文链接
本文代码涉及很多复杂矩阵索引操作，推荐阅读。
损失函数总览
在SSD中，默认框default boxes和真实目标ground truth先进行匹配。
匹配策略细节
然后根据匹配到的一对boxes分别计算分类损失和定位损失。

从上面的描述可以看出，可能有多个default boxes匹配到一个ground truth的情况。其中α为权重系数，论文和代...]]></description><category></category></item><item><title><![CDATA[ssd.pytorch源码分析（四）—default boxes与真实目标的匹配]]></title><link>https://blog.youkuaiyun.com/sinat_37145472/article/details/90244393</link><guid>https://blog.youkuaiyun.com/sinat_37145472/article/details/90244393</guid><author>sinat_37145472</author><pubDate>Wed, 15 May 2019 23:29:04 +0800</pubDate><description><![CDATA[NMS源码
SSD论文链接
default boxes与真实目标匹配介绍
论文中的匹配策略：

匹配用于训练阶段。为了计算损失函数，必须要选取一个预测框和一个真实框，两者匹配后其差异体现在损失函数中，这样才可以进行训练。但是default boxes和真实目标都不是唯一的，如何才可以众里寻他千百度，找到一对有缘的框呢？
作者分为2步：

首先对每一个ground truth框匹配一个与之iou最大...]]></description><category></category></item><item><title><![CDATA[ssd.pytorch源码分析（三）— 非极大值抑制NMS]]></title><link>https://blog.youkuaiyun.com/sinat_37145472/article/details/90232622</link><guid>https://blog.youkuaiyun.com/sinat_37145472/article/details/90232622</guid><author>sinat_37145472</author><pubDate>Wed, 15 May 2019 19:20:37 +0800</pubDate><description><![CDATA[NMS源码
SSD论文链接
NMS介绍
吴恩达对于NMS（非极大值抑制）的介绍：

说白了，NMS的作用就是去掉目标检测任务重复的检测框。 例如，一个目标有多个选择框，现在要去掉多余的选择框。怎么做呢？循环执行步骤1和2， 直到只剩下一个框：

1、选出置信度p_c最高的框；
2、去掉和这个框IOU＞0.7的框。

相关函数
一、torch.clamp( ）
torch.clamp(input, ...]]></description><category></category></item><item><title><![CDATA[ssd.pytorch源码分析（二）— 默认框PriorBox的生成]]></title><link>https://blog.youkuaiyun.com/sinat_37145472/article/details/90182115</link><guid>https://blog.youkuaiyun.com/sinat_37145472/article/details/90182115</guid><author>sinat_37145472</author><pubDate>Mon, 13 May 2019 23:50:45 +0800</pubDate><description><![CDATA[PriorBox构建源码
论文链接
实际上PriorBox即default boxes即anchors。本文代码将要复现的是论文中对于Choosing scales and aspect ratios for default boxes这一节的描述。
default box 设置原理
早先的工作已经反映出浅层能够获取更多目标的细节，因此可以提升语义分割的质量。因此SSD借鉴这一特点，同时利用浅层和...]]></description><category></category></item><item><title><![CDATA[ssd.pytorch源码分析（一）— 网络结构]]></title><link>https://blog.youkuaiyun.com/sinat_37145472/article/details/90168159</link><guid>https://blog.youkuaiyun.com/sinat_37145472/article/details/90168159</guid><author>sinat_37145472</author><pubDate>Mon, 13 May 2019 14:49:34 +0800</pubDate><description><![CDATA[结构定义源码地址
论文链接
一、总览
在ssd的原论文中，采用的backbone为VGG16。VGG16定义如下图C这一列。从上到下依次为：conv1_2、conv2_2、conv3_3、conv4_3、conv5_3、fc6、fc7、fc8。其中_n指有n层。可以看到参数层为2+2+3+3+3+1+1+1=16层。

SSD作者在原VGG16的基础上进行了改进：将原来的FC7改为Conv7，并增...]]></description><category></category></item></channel></rss>