<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[u013102349的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/u013102349</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; u013102349]]></copyright><item><title><![CDATA[Mask R-CNN]]></title><link>https://blog.youkuaiyun.com/u013102349/article/details/89813887</link><guid>https://blog.youkuaiyun.com/u013102349/article/details/89813887</guid><author>u013102349</author><pubDate>Sat, 04 May 2019 15:47:52 +0800</pubDate><description><![CDATA[1.整体框架



Mask R-CNN在Faster R-CNN的CNN特征提取层后增加了一个全卷积网络（Fully Convolutional Network, FCN）用于生成mask(分割结果)。

作者在文中提到，backbone选用ResNet-FPN得到的性能最佳。

2. RoIAlign

2.1 RoIPooling局限性分析

在两极目标检测框架中，ROIPooling的作用...]]></description><category></category></item><item><title><![CDATA[排序算法]]></title><link>https://blog.youkuaiyun.com/u013102349/article/details/82596722</link><guid>https://blog.youkuaiyun.com/u013102349/article/details/82596722</guid><author>u013102349</author><pubDate>Mon, 10 Sep 2018 22:16:50 +0800</pubDate><description><![CDATA[排序可以分为内部排序和外部排序，内部排序是数据记录在内存中进行排序，外部排序是因为排序的数据量很大，一次不能容纳全部的排序记录，在排序过程中需要访问外部存储空间。

内存中排序算法介绍。

冒泡排序

思想:通过与相邻元素的比较和交换把最小的数交换到最前面，从后向前遍历（或者把最大的数交换到最后面，从前到后遍历）。平均和最差的时间复杂度O(n^2)。空间复杂度O(1)。稳定的算法。如果算法优化，最...]]></description><category></category></item><item><title><![CDATA[STL容器]]></title><link>https://blog.youkuaiyun.com/u013102349/article/details/82319318</link><guid>https://blog.youkuaiyun.com/u013102349/article/details/82319318</guid><author>u013102349</author><pubDate>Sun, 02 Sep 2018 21:17:10 +0800</pubDate><description><![CDATA[vector(向量)：只能在vector的“前面”增加数据。

deque(双端队列，double-ended queue):功能上和vector类似，但是可以在前后两端向其中添加数据。

list(列表)：游标一次只能移动一步，是一个双向链表，每个节点有指向前驱和指向后继的两个指针。

set(集合)：包含了经过排序的数据，这些数据的值必须是唯一的。

map(映射)：经过排序的二元组的集合，m...]]></description><category></category></item><item><title><![CDATA[弱监督学习]]></title><link>https://blog.youkuaiyun.com/u013102349/article/details/82290764</link><guid>https://blog.youkuaiyun.com/u013102349/article/details/82290764</guid><author>u013102349</author><pubDate>Sat, 01 Sep 2018 21:25:50 +0800</pubDate><description><![CDATA[弱监督学习是指数据集的标签是不可靠的，如（x,y）,y对于x的标记是不可靠的。这里的不可靠是指标记不正确、多种标记、标记不充分、局部标记等。针对监督信息不完整或不明确对象的学习问题统称为弱监督学习。

监督学习技术通过学习大量训练样本来构建预测模型，其中每个训练样本都有一个标签标明其真值输出。尽管当前的技术已经取得了巨大的成功，但是值得注意的是，由于数据标注过程的高成本，很多任务很难获得如全部真值...]]></description><category></category></item><item><title><![CDATA[Ubuntu挂载]]></title><link>https://blog.youkuaiyun.com/u013102349/article/details/81607533</link><guid>https://blog.youkuaiyun.com/u013102349/article/details/81607533</guid><author>u013102349</author><pubDate>Sun, 12 Aug 2018 16:33:45 +0800</pubDate><description><![CDATA[将新的硬盘挂载到需要添加存储介质的目录下：

1.查看磁盘信息


sudo fdisk -l



选取/dev/sda将其挂载到/home/NewDisk(该目录应为空)下面。

查看硬盘使用情况命令：


df -kh



2. 查看硬盘UUID和磁盘类型


sudo blkid



记录下/dev/sda的UUID和分区格式（TYPE）

3.取消挂载目标盘


sudo umoun...]]></description><category></category></item><item><title><![CDATA[Ubuntu 终端语言更改]]></title><link>https://blog.youkuaiyun.com/u013102349/article/details/81606372</link><guid>https://blog.youkuaiyun.com/u013102349/article/details/81606372</guid><author>u013102349</author><pubDate>Sun, 12 Aug 2018 14:52:22 +0800</pubDate><description><![CDATA[中文在Ubuntu终端会出现乱码的情况，因此修改Ubuntu语言为英文，具体操作步骤如下：


sudo vim /etc/default/locale

修改为：


LANG=”en_US.UTF-8″
LANGUAGE=”en_US:en”

重启Ubuntu：


sudo reboot

 

参考：

[1] https://blog.youkuaiyun.com/u012732259/artic...]]></description><category></category></item><item><title><![CDATA[最大似然估计]]></title><link>https://blog.youkuaiyun.com/u013102349/article/details/81415175</link><guid>https://blog.youkuaiyun.com/u013102349/article/details/81415175</guid><author>u013102349</author><pubDate>Sat, 04 Aug 2018 20:56:43 +0800</pubDate><description><![CDATA[最大似然估计（maximum likelihood estimation，缩写为MLE），也称最大概似估计，是用来估计一个概率模型的参数的一种方法。

给定一个概率分布，已知其概率密度函数（连续分布）或概率质量函数（离散分布）为，以及一个分布参数，我们可以从这个分布中抽出一个具有个值的采样，利用计算出其似然函数：





若是离散分布，即是在参数为时观测到这一采样的概率。若其是连续分布，则为联合...]]></description><category></category></item><item><title><![CDATA[C++ const]]></title><link>https://blog.youkuaiyun.com/u013102349/article/details/81413929</link><guid>https://blog.youkuaiyun.com/u013102349/article/details/81413929</guid><author>u013102349</author><pubDate>Sat, 04 Aug 2018 18:42:32 +0800</pubDate><description><![CDATA[const是C++中类型修饰符，常类型的变量或者对象值是不可以被更改的。

const修饰基本数据类型 

1.const修饰一般常量及数组  

          const int a=10;               等价的书写方式：     int const a=10;
          const int arr[3]={1,2,3};                      ...]]></description><category></category></item><item><title><![CDATA[ResNet]]></title><link>https://blog.youkuaiyun.com/u013102349/article/details/81331349</link><guid>https://blog.youkuaiyun.com/u013102349/article/details/81331349</guid><author>u013102349</author><pubDate>Wed, 01 Aug 2018 15:25:36 +0800</pubDate><description><![CDATA[网络结构:



在计算机视觉里，特征的“等级”随增网络深度的加深而变高，研究表明，网络的深度是实现好的效果的重要因素。然而梯度弥散/爆炸成为训练深层次的网络的障碍，导致无法收敛。
有一些方法可以弥补，如归一初始化，各层输入归一化，使得可以收敛的网络的深度提升为原来的十倍。然而，虽然收敛了，但网络却开始退化了，即增加网络层数却导致更大的误差， 如下图。 这种deep plain net收敛率十分低...]]></description><category></category></item><item><title><![CDATA[Inception]]></title><link>https://blog.youkuaiyun.com/u013102349/article/details/81331008</link><guid>https://blog.youkuaiyun.com/u013102349/article/details/81331008</guid><author>u013102349</author><pubDate>Wed, 01 Aug 2018 15:14:39 +0800</pubDate><description><![CDATA[Inception V1模型

　Inception v1的网络，将1x1，3x3，5x5的conv和3x3的pooling，堆叠在一起，一方面增加了网络的width，另一方面增加了网络对尺度的适应性:



所有的卷积核都在上一层的所有输出上来做，那5×5的卷积核所需的计算量就太大了，造成了特征图厚度很大。为了避免这一现象提出的inception具有如下结构，在3x3前，5x5前，max poo...]]></description><category></category></item><item><title><![CDATA[生成式对抗网络GAN]]></title><link>https://blog.youkuaiyun.com/u013102349/article/details/80425075</link><guid>https://blog.youkuaiyun.com/u013102349/article/details/80425075</guid><author>u013102349</author><pubDate>Wed, 23 May 2018 20:26:21 +0800</pubDate><description><![CDATA[生成模型 G 捕捉样本数据的分布，用服从某一分布（均匀分布，高斯分布等）的噪声 z 生成一个类似真实训练数据的样本，追求效果是越像真实样本越好；判别模型 D 是一个二分类器，估计一个样本来自于训练数据（而非生成数据）的概率，如果样本来自于真实的训练数据，D 输出大概率，否则，D 输出小概率。判别模型的目标函数如下：假设我们的生成模型是g(z)，其中z是一个随机噪声，而g将这个随机噪声转化为数据类型...]]></description><category></category></item><item><title><![CDATA[Batch Normalization]]></title><link>https://blog.youkuaiyun.com/u013102349/article/details/80102559</link><guid>https://blog.youkuaiyun.com/u013102349/article/details/80102559</guid><author>u013102349</author><pubDate>Fri, 27 Apr 2018 09:04:50 +0800</pubDate><description><![CDATA[Batch Normalization（批量标准化）是有google提出的一种训练优化方法，参考论文：Batch Normalization Accelerating Deep Network Training by Reducing Internal Covariate Shift 。神经网络学习过程本质就是为了学习数据分布，一旦训练数据和测试数据的分布不同，那么网络的泛化能力也就大大降低；另一...]]></description><category></category></item><item><title><![CDATA[快速傅里叶变换]]></title><link>https://blog.youkuaiyun.com/u013102349/article/details/80100270</link><guid>https://blog.youkuaiyun.com/u013102349/article/details/80100270</guid><author>u013102349</author><pubDate>Thu, 26 Apr 2018 21:45:26 +0800</pubDate><description><![CDATA[首先，按照被变换的输入信号类型不同，傅立叶变换可以分为 4种类型：1、 非周期性连续信号傅立叶变换（Fourier Transform）2、 周期性连续信号傅立叶级数(Fourier Series)3、 非周期性离散信号离散时域傅立叶变换（Discrete Time Fourier Transform）4、 周期性离散信号离散傅立叶变换(Discrete Fourier Transform)下面是...]]></description><category></category></item><item><title><![CDATA[图割 Graph Cut]]></title><link>https://blog.youkuaiyun.com/u013102349/article/details/80032439</link><guid>https://blog.youkuaiyun.com/u013102349/article/details/80032439</guid><author>u013102349</author><pubDate>Sat, 21 Apr 2018 20:35:45 +0800</pubDate><description><![CDATA[Graph cuts是一种能量优化算法。此类方法把图像的分割问题与图的最小割（min cut）问题相关联，常用于图像中前景和背景的分割问题中。首先用一个无向图G=&amp;lt;V,E&amp;gt;表示要分割的图像，V和E分别是顶点（Vertex）和边（edge）的集合。Graph cuts图在普通图的基础上多了两个点，分别用S和T表示，统称为终端定点。其他所有的顶点都和S与T相连，并且构成的边属于E中的一部分...]]></description><category></category></item><item><title><![CDATA[linux系统盘使用率达到100%]]></title><link>https://blog.youkuaiyun.com/u013102349/article/details/79933808</link><guid>https://blog.youkuaiyun.com/u013102349/article/details/79933808</guid><author>u013102349</author><pubDate>Fri, 13 Apr 2018 20:00:13 +0800</pubDate><description><![CDATA[在用linux时，有时候比较奇怪，明明存放的东西不多，但是磁盘却显示被占满。问题原因：删除正在使用的文件时，空间不会被释放。在Linux或者Unix系统中，通过rm或者文件管理器删除文件将会从文件系统的目录结构上解除链接(unlink)，然而如果文件是被打开的（有一个进程正在使用），那么进程将仍然可以读取该文件，磁盘空间也一直被占用，这样就会导致我们明明删除了文件，但是磁盘空间却未被释放。获得一个...]]></description><category></category></item><item><title><![CDATA[Ubuntu代码提交github]]></title><link>https://blog.youkuaiyun.com/u013102349/article/details/79928056</link><guid>https://blog.youkuaiyun.com/u013102349/article/details/79928056</guid><author>u013102349</author><pubDate>Fri, 13 Apr 2018 14:26:56 +0800</pubDate><description><![CDATA[首先你需要有一个github账户。GitHub官网网址：https://github.com/设置SSH key本地Git仓库与GitHub网站仓库之间传输通过SSH加密，因此需要设置SSH keys。打开终端，输入自己邮箱，创建SSH key:ssh-keygen -t rsa -C &quot;youremail@example.com&quot;其中，”youremail@example.com”是你的邮件地址...]]></description><category></category></item><item><title><![CDATA[Ubuntu环境变量]]></title><link>https://blog.youkuaiyun.com/u013102349/article/details/79840592</link><guid>https://blog.youkuaiyun.com/u013102349/article/details/79840592</guid><author>u013102349</author><pubDate>Sat, 07 Apr 2018 12:56:58 +0800</pubDate><description><![CDATA[在Ubuntu中有如下几个文件可以设置环境变量：/etc/profile:在登录时,操作系统定制用户环境时使用的第一个文件,此文件为系统的每个用户设置环境信息,当用户第一次登录时,该文件被执行./etc/environment:在登录时操作系统使用的第二个文件,系统在读取你自己的profile前,设置环境文件的环境变量。~/.profile:在登录时用到的第三个文件是.profile文件,每个用户...]]></description><category></category></item><item><title><![CDATA[图像分割算法]]></title><link>https://blog.youkuaiyun.com/u013102349/article/details/79758841</link><guid>https://blog.youkuaiyun.com/u013102349/article/details/79758841</guid><author>u013102349</author><pubDate>Sat, 31 Mar 2018 13:36:24 +0800</pubDate><description><![CDATA[图像分割是指根据灰度、颜色、纹理和形状等特征把图像划分成若干互不交迭的区域，并是这些特征在同一区域内呈现出相似性，而在不同区域间呈现出明显的差异性。基于阈值的分割方法 阈值法的基本思想是基于图像的灰度特征来计算一个或多个灰度阈值，并将图像中每个像素的灰度值与阈值相比较，最后将像素根据比较结果分到合适的类别中。因此，该类方法最为关键的一步就是按照某个准则函数来求解最佳灰度阈值。基于边缘的分割方法边缘...]]></description><category></category></item><item><title><![CDATA[C++ static]]></title><link>https://blog.youkuaiyun.com/u013102349/article/details/79754252</link><guid>https://blog.youkuaiyun.com/u013102349/article/details/79754252</guid><author>u013102349</author><pubDate>Fri, 30 Mar 2018 11:12:28 +0800</pubDate><description><![CDATA[C++中static关键字有两种用法：面向过程程序设计中的static和面向对象程序设计中的static.前者应用于普通变量和函数；后者应用于类中。面向过程程序设计中的static静态全局变量全局变量前加static,该全局变量即被定义成为一个静态全局变量。静态全局变量特点：(1)在全局数据存储区分配内存；(2)未经过初始化的静态全局变量被初始化为0（没有被初始化的自动变量的值是随机的）；(3)静...]]></description><category></category></item><item><title><![CDATA[TextBoxes++]]></title><link>https://blog.youkuaiyun.com/u013102349/article/details/79532981</link><guid>https://blog.youkuaiyun.com/u013102349/article/details/79532981</guid><author>u013102349</author><pubDate>Tue, 13 Mar 2018 08:49:58 +0800</pubDate><description><![CDATA[TextBoxes++是基于SSD和TextBoxes的。论文：https://arxiv.org/pdf/1801.02765.pdf前言文本检测和其他物体检测的区别：(1) 文本检测有比较大的长宽比；(2) 一半的convolutional filter无法全部检测到；可能的解决方案：(1) 长的卷积核；(2) inception convolutional kernels;(3) part ...]]></description><category></category></item></channel></rss>