<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[Usper]]></title><description><![CDATA[实力还配不上你的野心，别急着岁月静好。]]></description><link>https://blog.youkuaiyun.com/uniqueyyc</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; uniqueyyc]]></copyright><item><title><![CDATA[字符串的应用整理（C++）]]></title><link>https://blog.youkuaiyun.com/uniqueyyc/article/details/88992492</link><guid>https://blog.youkuaiyun.com/uniqueyyc/article/details/88992492</guid><author>uniqueyyc</author><pubDate>Wed, 03 Apr 2019 13:32:49 +0800</pubDate><description><![CDATA[自己一直对字符串这方面的概念比较模糊，缺少宏观的理解，对它的使用也是每次要用的时候就去查，刷题的时候也是常有字符串类的题目，所以准备整理一下这方面的知识，让自己对这方面有比较深刻的理解和印象。

C++中字符串的使用分为两种：

C-style string(char数组)
	string类库
一、C-style string

字符串是存储在内存的连续字节中的一系列字符。所以存储在字节中的一系列...]]></description><category></category></item><item><title><![CDATA[Pycharm关于mxnet使用错误]]></title><link>https://blog.youkuaiyun.com/uniqueyyc/article/details/88122204</link><guid>https://blog.youkuaiyun.com/uniqueyyc/article/details/88122204</guid><author>uniqueyyc</author><pubDate>Mon, 04 Mar 2019 16:31:14 +0800</pubDate><description><![CDATA[错误提示如下：


OSError: libcusolver.so.9.0: cannot open shared object file: No such file or directory



问题解决及原因分析：

首先确定自己所选择的python环境是正确的，也就是在terminal终端是可以执行import mxnet的。如果环境不正确，则在pycharm下：File-&amp;gt;Sett...]]></description><category></category></item><item><title><![CDATA[ubuntu16.04中的gcc版本及版本切换]]></title><link>https://blog.youkuaiyun.com/uniqueyyc/article/details/85407693</link><guid>https://blog.youkuaiyun.com/uniqueyyc/article/details/85407693</guid><author>uniqueyyc</author><pubDate>Sun, 30 Dec 2018 21:09:24 +0800</pubDate><description><![CDATA[最近发现gcc版本对于编译类似于opencv，caffe等等都是有版本需求的。之前一直是去重新装gcc。但是昨天发现其实可以安装多个gcc版本互相切换的。我大概发现了两种方法，当然还可能有其他的，暂不去探究。当然也必然是参考其他大神的做法加以总结以便后用]]></description><category></category></item><item><title><![CDATA[N次编译opencv3.4.0后之感]]></title><link>https://blog.youkuaiyun.com/uniqueyyc/article/details/85341479</link><guid>https://blog.youkuaiyun.com/uniqueyyc/article/details/85341479</guid><author>uniqueyyc</author><pubDate>Sat, 29 Dec 2018 17:12:11 +0800</pubDate><description><![CDATA[这篇文章并不准备记录整个编译opencv的过程，主要是回想下我最近再次编译遇到的一些坑，简直让人“难忘”……

前言吧，最近使用到caffe框架，由于用到matlab接口，但之前没有编译matlab接口，遂重新编译caffe。之前安装的matlab2018b，其实之前尝试编译caffe时编译matlab接口，但是由于本机gcc版本为5.4，版本太低（matlab2018b依赖的gcc版本为6.3）...]]></description><category></category></item><item><title><![CDATA[caffe安装错误（补充）protobuf]]></title><link>https://blog.youkuaiyun.com/uniqueyyc/article/details/85006994</link><guid>https://blog.youkuaiyun.com/uniqueyyc/article/details/85006994</guid><author>uniqueyyc</author><pubDate>Fri, 14 Dec 2018 17:35:32 +0800</pubDate><description><![CDATA[之前在https://blog.youkuaiyun.com/uniqueyyc/article/details/83338889，这个里面已经列出错误并解决了。但是过了些天，想要重新编译时发现又会出错，我猜想可能的原因是在更新系统软件时也更新了protobuf，好像知道原因，但还是很难去解决，现在终于解决了就记录下来，免得下次再次碰到。

之前还有个错误是C++编译版本，我在cmakelists文件中加入了...]]></description><category></category></item><item><title><![CDATA[caffe编写简单示例（C++，CMAKE）]]></title><link>https://blog.youkuaiyun.com/uniqueyyc/article/details/84954004</link><guid>https://blog.youkuaiyun.com/uniqueyyc/article/details/84954004</guid><author>uniqueyyc</author><pubDate>Tue, 11 Dec 2018 14:20:37 +0800</pubDate><description><![CDATA[看caffe相关书，在Blob部分可以尝试Blob的简单用法，我是在ubuntu上使用cmake尝试，使用的IDE是KDevelop。

其中cmakelists文件：


# 这里的项目名称为test_1，主文件为main.cpp
cmake_minimum_required(VERSION 2.6)
project(test_1)

set(Caffe_INCLUDE_DIRS /caffe所...]]></description><category></category></item><item><title><![CDATA[我与我的一年之约]]></title><link>https://blog.youkuaiyun.com/uniqueyyc/article/details/83928678</link><guid>https://blog.youkuaiyun.com/uniqueyyc/article/details/83928678</guid><author>uniqueyyc</author><pubDate>Sat, 10 Nov 2018 13:18:41 +0800</pubDate><description><![CDATA[    2018年11月10日，我想与自己定下一个一年之约。一年的时间，我想知道自己可以到达怎样的高度。学习是我现在唯一需要做的事情，如果在只做一件事情的情况下，我还没有办法达到心里的预期，那么还可以做好什么呢？从此刻起，做你想做的，坚持你所坚持的，相信自己你可以的 。...]]></description><category></category></item><item><title><![CDATA[CUDA9.0+Cudnn7.0+caffe重新编译]]></title><link>https://blog.youkuaiyun.com/uniqueyyc/article/details/83338889</link><guid>https://blog.youkuaiyun.com/uniqueyyc/article/details/83338889</guid><author>uniqueyyc</author><pubDate>Sat, 27 Oct 2018 13:03:18 +0800</pubDate><description><![CDATA[本来装好了cuda8.0+cudnn6.0，由于各种原因，不得不改。。。
（一）下载
https://developer.nvidia.com/cuda-90-download-archive?target_os=Linux&amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;amp;target_arch=x86_64&amp;amp;amp;amp;amp;am]]></description><category></category></item><item><title><![CDATA[深度补全（Sparsity Invariant CNNs）-论文阅读-翻译]]></title><link>https://blog.youkuaiyun.com/uniqueyyc/article/details/83340864</link><guid>https://blog.youkuaiyun.com/uniqueyyc/article/details/83340864</guid><author>uniqueyyc</author><pubDate>Wed, 24 Oct 2018 11:09:10 +0800</pubDate><description><![CDATA[（由于是直接从word上复制的，可能存在格式问题）

Sparsity Invariant CNNs翻译

Abstract

本文考虑了基于稀疏输入的卷积神经网络，并将其应用于稀疏激光扫描数据的深度上采样。首先，传统的卷积网络在应用于稀疏数据时表现较差，即使在向网络提供缺失数据的位置时也是如此。为了克服这个问题，本文提出了一个简单而有效的稀疏卷积层，它明确地考虑了卷积运算中缺失数据的位置。而且在...]]></description><category></category></item><item><title><![CDATA[深度补全（Single-Image Depth Perception in the Wild）]]></title><link>https://blog.youkuaiyun.com/uniqueyyc/article/details/83181175</link><guid>https://blog.youkuaiyun.com/uniqueyyc/article/details/83181175</guid><author>uniqueyyc</author><pubDate>Fri, 19 Oct 2018 14:42:55 +0800</pubDate><description><![CDATA[Single-Image Depth Perception in the Wild
arXiv:1604.03901v2 [cs.CV] 6 Jan 2017
Abstract
本文研究了户外的深度感知，即从无约束设置下单个图像恢复深度。本文介绍了一种新的户外数据集深度，由户外的图像组成，这些图像在随机点对之间用相对深度标注。我们还提出了一种利用相对深度的标注来学习度量深度估计的新算法。与目前的技...]]></description><category></category></item><item><title><![CDATA[深度补全（1803）-论文阅读-翻译]]></title><link>https://blog.youkuaiyun.com/uniqueyyc/article/details/83094922</link><guid>https://blog.youkuaiyun.com/uniqueyyc/article/details/83094922</guid><author>uniqueyyc</author><pubDate>Tue, 16 Oct 2018 17:44:20 +0800</pubDate><description><![CDATA[Single View Stereo Matching
Abstract
以往的单目深度估计方法采用单一视角，直接回归预期结果。虽然最近的进展是通过在训练中应用几何启发损失函数来实现的，但是推理过程并没有明确地强加任何几何约束。因此，这些模型完全依赖于数据的质量和学习泛化的有效性。这要么导致了次优结果，要么需要大量昂贵的地面真值标签数据来产生合理的结果。本文首次证明了单目深度估计问题可以重新表述为...]]></description><category></category></item><item><title><![CDATA[深度补全（1804）-论文阅读-翻译]]></title><link>https://blog.youkuaiyun.com/uniqueyyc/article/details/83061595</link><guid>https://blog.youkuaiyun.com/uniqueyyc/article/details/83061595</guid><author>uniqueyyc</author><pubDate>Mon, 15 Oct 2018 17:10:06 +0800</pubDate><description><![CDATA[MegaDepth: Learning Single-View Depth Prediction from Internet Photos
Abstract
单视图深度预测是计算机视觉中的一个基本问题。近年来，深度学习方法取得了长足的进步，但这种方法受到现有训练数据的限制。目前基于3D传感器的数据集有一些关键的限制，包括仅含室内图像(NYU)、少量训练示例(Make3D)和稀疏采样(KITTI)。...]]></description><category></category></item><item><title><![CDATA[深度补全（四）-论文阅读-翻译]]></title><link>https://blog.youkuaiyun.com/uniqueyyc/article/details/83017122</link><guid>https://blog.youkuaiyun.com/uniqueyyc/article/details/83017122</guid><author>uniqueyyc</author><pubDate>Thu, 11 Oct 2018 18:55:08 +0800</pubDate><description><![CDATA[Joint Semantic Segmentation and Depth Estimation with Deep Convolutional Networks（基于深度卷积网络的联合语义分割与深度估计）
Abstract
多尺度深度CNNs已被成功地用于将每个像素映射到标签的问题，如深度估计和语义分割。它还表明这种体系结构是可重用的，可以用于多个任务。这些网络通常通过改变输出层和训练目标来单独...]]></description><category></category></item><item><title><![CDATA[深度补全（三）-论文阅读-翻译]]></title><link>https://blog.youkuaiyun.com/uniqueyyc/article/details/82986093</link><guid>https://blog.youkuaiyun.com/uniqueyyc/article/details/82986093</guid><author>uniqueyyc</author><pubDate>Tue, 09 Oct 2018 17:50:08 +0800</pubDate><description><![CDATA[A Two-Streamed Network for Estimating Fine-Scaled Depth Maps from Single RGB Images（一个双流式网络，用于从单个RGB图像估计精细的深度映射）
Abstract
从单个RGB图像估计深度是一个有问题的和固有的含糊不清的问题。最先进的深度学习方法现在可以估计精确的2D深度地图，但当地图投影到3D时，它们缺乏局部细节，而...]]></description><category></category></item><item><title><![CDATA[深度补全（二）-论文阅读-翻译]]></title><link>https://blog.youkuaiyun.com/uniqueyyc/article/details/82890657</link><guid>https://blog.youkuaiyun.com/uniqueyyc/article/details/82890657</guid><author>uniqueyyc</author><pubDate>Fri, 28 Sep 2018 21:55:18 +0800</pubDate><description><![CDATA[Predicting Depth, Surface Normals and Semantic Labels with a Common Multi-Scale Convolutional Architecture（用通用的多尺度卷积体系结构预测深度、表面法线和语义标签）2015
概述
本文实验一个单一的多尺度卷积网络架构来处理三种不同的计算机视觉任务：深度预测、表面正太估计、语义标记。本文的网络使...]]></description><category></category></item><item><title><![CDATA[深度补全（一）-论文阅读-翻译（Depth Map Prediction from a Single Image using a Multi-Scale Deep Network）]]></title><link>https://blog.youkuaiyun.com/uniqueyyc/article/details/82859500</link><guid>https://blog.youkuaiyun.com/uniqueyyc/article/details/82859500</guid><author>uniqueyyc</author><pubDate>Wed, 26 Sep 2018 21:14:28 +0800</pubDate><description><![CDATA[摘要
深度预测是理解场景三维几何结构的重要组成部分。对于立体图像来说，局部匹配就足够进行估计了，但是从单个图像中找到深度关系就不那么简单了，需要从各种线索中整合全局和局部信息。此外，这项任务本身是含糊不清的，很大一部分不确定性来自于总体规模。在本文中，我们提出了一种新的方法，通过使用两个深层网络栈来解决这个问题:一个是基于整个图像进行粗略的全局预测，另一个是在局部细化这个预测。我们还使用标度不变误...]]></description><category></category></item><item><title><![CDATA[“Physically-Based Rendering for Indoor Scene Understanding  Using Convolutional Neural Networks”论文阅读]]></title><link>https://blog.youkuaiyun.com/uniqueyyc/article/details/82764048</link><guid>https://blog.youkuaiyun.com/uniqueyyc/article/details/82764048</guid><author>uniqueyyc</author><pubDate>Tue, 18 Sep 2018 20:58:47 +0800</pubDate><description><![CDATA[论文地址：http://pbrs.cs.princeton.edu/cvpr2017_synclearn.pdf
github地址：https://github.com/yindaz/surface_normal
主页地址：http://pbrs.cs.princeton.edu/
基于物理的室内场景理解渲染（卷积神经网络）
作者研究了渲染方法和场景照明对三种计算机视觉任务训练的影响：表面法线预测...]]></description><category></category></item><item><title><![CDATA[PCL练习（一）——从OpenNI相机抓取点云]]></title><link>https://blog.youkuaiyun.com/uniqueyyc/article/details/82714479</link><guid>https://blog.youkuaiyun.com/uniqueyyc/article/details/82714479</guid><author>uniqueyyc</author><pubDate>Sat, 15 Sep 2018 15:36:17 +0800</pubDate><description><![CDATA[http://pointclouds.org/documentation/tutorials/openni_grabber.php#openni-grabber

在Ubuntu 16.04上利用kdevelop的程序示例：

CmakeLists.txt

cmake_minimum_required(VERSION 2.8 FATAL_ERROR)
# rgb_depth_saver为工程的名...]]></description><category></category></item><item><title><![CDATA[torch运行错误libcudnn && Unsupported HDF5 version: 1.10.2错误]]></title><link>https://blog.youkuaiyun.com/uniqueyyc/article/details/82688158</link><guid>https://blog.youkuaiyun.com/uniqueyyc/article/details/82688158</guid><author>uniqueyyc</author><pubDate>Thu, 13 Sep 2018 14:57:45 +0800</pubDate><description><![CDATA[torch运行程序遇到以下问题

Please install CuDNN from https://developer.nvidia.com/cuDNN
Then make sure files named as libcudnn.so.7 or libcudnn.7.dylib are placed in
your library load path (for example /usr/loc...]]></description><category></category></item><item><title><![CDATA[Deep Depth Completion of a Single RGB-D Image(Supplementary Material)论文阅读]]></title><link>https://blog.youkuaiyun.com/uniqueyyc/article/details/82662379</link><guid>https://blog.youkuaiyun.com/uniqueyyc/article/details/82662379</guid><author>uniqueyyc</author><pubDate>Wed, 12 Sep 2018 17:19:10 +0800</pubDate><description><![CDATA[承接我的另一篇笔记：https://blog.youkuaiyun.com/uniqueyyc/article/details/81834947 
此文包含进一步的实施细节和结果的消融研究，跨数据集实验，并与其他方法作比较。 
此论文地址：http://deepcompletion.cs.princeton.edu/supp.pdf

1、Further Implementation Details

1.1...]]></description><category></category></item></channel></rss>