<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[w_xiaomu的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/w_xiaomu</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; w_xiaomu]]></copyright><item><title><![CDATA[Centos/Linux安装Apahce出现bug汇总]]></title><link>https://blog.youkuaiyun.com/w_xiaomu/article/details/134578212</link><guid>https://blog.youkuaiyun.com/w_xiaomu/article/details/134578212</guid><author>w_xiaomu</author><pubDate>Thu, 23 Nov 2023 18:26:50 +0800</pubDate><description><![CDATA[apache安装可能出现问题汇总]]></description><category></category></item><item><title><![CDATA[python--Django学习1]]></title><link>https://blog.youkuaiyun.com/w_xiaomu/article/details/124688934</link><guid>https://blog.youkuaiyun.com/w_xiaomu/article/details/124688934</guid><author>w_xiaomu</author><pubDate>Tue, 10 May 2022 15:13:46 +0800</pubDate><description><![CDATA[python中django安装]]></description><category></category></item><item><title><![CDATA[关于pytorch膨胀卷积的程序]]></title><link>https://blog.youkuaiyun.com/w_xiaomu/article/details/116147491</link><guid>https://blog.youkuaiyun.com/w_xiaomu/article/details/116147491</guid><author>w_xiaomu</author><pubDate>Sat, 10 Jul 2021 13:26:28 +0800</pubDate><description><![CDATA[膨胀卷积
膨胀卷积的作用是在不增加参数量的情况下，增大感受野，获得更多的特征。故论文中使用膨胀卷积。
膨胀卷积的程序
nn.Conv2d(in_planes, out_planes, kernel_size=kernel_size, stride=stride, padding=padding, dilation=dilation, groups=groups, bias=bias)

膨胀卷积中，padding与dilation所使用的因子需要是相同的，否则，可能会导致图像的尺寸会发生变化，导致就不是膨胀]]></description><category></category></item><item><title><![CDATA[解读SQL必知必会]]></title><link>https://blog.youkuaiyun.com/w_xiaomu/article/details/109379166</link><guid>https://blog.youkuaiyun.com/w_xiaomu/article/details/109379166</guid><author>w_xiaomu</author><pubDate>Fri, 30 Oct 2020 09:56:20 +0800</pubDate><description><![CDATA[SQL必知必会的这本书主要是针对SQL sever写的一本书，书中涉及到很多的SQL语句，且会阐明不同的数据库中语法不同，即如果想使用一种语言，需要查找相应的书籍，来确定使用什么语法。接下来着重介绍书本中重点内容(书中每节内容很少，很快就可以看完)：
第1章简单介绍SQL数据库的应用；
第2-10章介绍常用的SQL语句，比如：select，order by，from， where， 分组查询，分组查询中用到having选择语句等；
第11-18章介绍常见的使用规则，比如组合规则，drop与delete区别；]]></description><category></category></item><item><title><![CDATA[深度学习python入门（推荐初学者）]]></title><link>https://blog.youkuaiyun.com/w_xiaomu/article/details/107376769</link><guid>https://blog.youkuaiyun.com/w_xiaomu/article/details/107376769</guid><author>w_xiaomu</author><pubDate>Thu, 16 Jul 2020 10:09:27 +0800</pubDate><description><![CDATA[学习Python的深度学习中，我们需要注意以下几方面：（推荐初学者）
1.首先了解正向传播和反向传播；
2.激活函数有几个？
ReLU；Sigmoid：tanh等；
分别的优缺点是什么？公式是什么样子的？在网络传播过程中是什么作用？
3.loss函数有几个，分别为哪些？
SGD，Momentum，Adam；
每个优缺点是什么？
4.学习率的设定等超参数的设定；
5.过拟合和欠拟合的区别，以及如何抑制过拟合，如何改变欠拟合？
6.一些基础的概念，比如图像分割、物体检测和识别的指的是什么？
7.python函数]]></description><category></category></item><item><title><![CDATA[MS COCO数据集与PASCAL VOC数据集一起训练网络]]></title><link>https://blog.youkuaiyun.com/w_xiaomu/article/details/106940294</link><guid>https://blog.youkuaiyun.com/w_xiaomu/article/details/106940294</guid><author>w_xiaomu</author><pubDate>Wed, 24 Jun 2020 11:25:26 +0800</pubDate><description><![CDATA[COCO 数据集与PASCAL VOC一起训练网络
将COCO数据集的格式转换为PASCAL VOC数据集的格式，参考如下的程序：COCO转换VOC格式
这部分会有详细的介绍。该链接的第四部分可以不使用matlab转为txt文件，可以使用python程序转换。
将COCO中的类与PASCAL VOC中的相同的类提取出来，并且使用上面所给的链接转换为与PASCAL VOC相同的格式，然后与PASCAL VOC原始的文件一起训练，并使用PASCAL VOCtest做测试。
参考链接：
https://blog.]]></description><category></category></item><item><title><![CDATA[DFANet: Deep Feature Aggregation for Real-Time Semantic Segmentation]]></title><link>https://blog.youkuaiyun.com/w_xiaomu/article/details/90296542</link><guid>https://blog.youkuaiyun.com/w_xiaomu/article/details/90296542</guid><author>w_xiaomu</author><pubDate>Wed, 24 Jun 2020 11:16:25 +0800</pubDate><description><![CDATA[简单介绍
Introduction
结构
实验
总结

]]></description><category></category></item><item><title><![CDATA[基于tensorflow来训练SSD，RON文章中的程序]]></title><link>https://blog.youkuaiyun.com/w_xiaomu/article/details/103078709</link><guid>https://blog.youkuaiyun.com/w_xiaomu/article/details/103078709</guid><author>w_xiaomu</author><pubDate>Fri, 15 Nov 2019 08:56:32 +0800</pubDate><description><![CDATA[1.训练SSD文章的程序；
在已发表的文章中，SSD的实验结果较低，我们使用以下链接可以得到77%左右的准确性。
https://github.com/HiKapok/SSD.TensorFlow
2.训练RON文章的程序
https://github.com/HiKapok/RON_Tensorflow
原始文章使用caffe的程序链接：
https://github.com/taokong/R...]]></description><category></category></item><item><title><![CDATA[COCO数据集转换为tfrecord(目标检测)]]></title><link>https://blog.youkuaiyun.com/w_xiaomu/article/details/103078591</link><guid>https://blog.youkuaiyun.com/w_xiaomu/article/details/103078591</guid><author>w_xiaomu</author><pubDate>Fri, 15 Nov 2019 08:51:23 +0800</pubDate><description><![CDATA[首先将COCO数据集转换为tfrecord格式，然后在对得到的tfrecord文档使用该文件得到没有bbox的图片。
1 COCO数据集转换为tfrecord格式：
参考model，代码链接为：得到Create_COCO_tfrecord.py
2.删选出不含bbox的图片
import os
import tensorflow as tf

file_list = tf.gfile.Glob(o...]]></description><category></category></item><item><title><![CDATA[A Simple Pooling-Based Design for Real-Time Salient Object Detection]]></title><link>https://blog.youkuaiyun.com/w_xiaomu/article/details/95600533</link><guid>https://blog.youkuaiyun.com/w_xiaomu/article/details/95600533</guid><author>w_xiaomu</author><pubDate>Wed, 17 Jul 2019 15:18:00 +0800</pubDate><description><![CDATA[简单介绍
网络结构
实验

]]></description><category></category></item><item><title><![CDATA[一般的检测目标的方法]]></title><link>https://blog.youkuaiyun.com/w_xiaomu/article/details/95938074</link><guid>https://blog.youkuaiyun.com/w_xiaomu/article/details/95938074</guid><author>w_xiaomu</author><pubDate>Mon, 15 Jul 2019 08:47:36 +0800</pubDate><description><![CDATA[当前的目标检测的一般方法如下：
1.特征金字塔，典型的论文FPN等；
2.RoI 典型的论文，Fast R-CNN及Faster R-CNN等；
3.多层特征融合；相应的论文有：https://mp.youkuaiyun.com/mdeditor/90296135#
上述地址中的论文可以看成是一类型。还有其他的类型的论文，后续在更新。。。
这些只是个人借鉴，如有其他问题，希望指正。谢谢！

...]]></description><category></category></item><item><title><![CDATA[FastFCN: Rethinking Dilated Convolution in the Backbone for Semantic Segmentation]]></title><link>https://blog.youkuaiyun.com/w_xiaomu/article/details/90296135</link><guid>https://blog.youkuaiyun.com/w_xiaomu/article/details/90296135</guid><author>w_xiaomu</author><pubDate>Sun, 14 Jul 2019 10:37:46 +0800</pubDate><description><![CDATA[简介：
Introduction

结构
总体结构图




实验







总结：

]]></description><category></category></item><item><title><![CDATA[High-level Semantic Feature Detection: A New Perspective for Pedestrian Detection]]></title><link>https://blog.youkuaiyun.com/w_xiaomu/article/details/90296462</link><guid>https://blog.youkuaiyun.com/w_xiaomu/article/details/90296462</guid><author>w_xiaomu</author><pubDate>Sat, 13 Jul 2019 09:33:14 +0800</pubDate><description><![CDATA[总体介绍
Introduction
结构

总体结构图


实验




总结

]]></description><category></category></item><item><title><![CDATA[Deep Feature Pyramid Reconfiguration for Object Detection]]></title><link>https://blog.youkuaiyun.com/w_xiaomu/article/details/95600440</link><guid>https://blog.youkuaiyun.com/w_xiaomu/article/details/95600440</guid><author>w_xiaomu</author><pubDate>Fri, 12 Jul 2019 16:30:38 +0800</pubDate><description><![CDATA[论文介绍
本文结构
实验

]]></description><category></category></item><item><title><![CDATA[tensorflow计算参数的数量以及FLOPs的估算]]></title><link>https://blog.youkuaiyun.com/w_xiaomu/article/details/95599310</link><guid>https://blog.youkuaiyun.com/w_xiaomu/article/details/95599310</guid><author>w_xiaomu</author><pubDate>Fri, 12 Jul 2019 11:16:17 +0800</pubDate><description><![CDATA[1 参数量的计算
该函数需要在训练的函数中调用即可执行，可以得出该网络执行的总参数。
def count():
    total_parameters = 0
    for variable in tf.trainable_variables():
        # shape is an array of tf.Dimension
        shape = variable.get_...]]></description><category></category></item><item><title><![CDATA[使用tensorflow训练tfrecord文件的时候，loss开始下降后来上升的原因]]></title><link>https://blog.youkuaiyun.com/w_xiaomu/article/details/90740084</link><guid>https://blog.youkuaiyun.com/w_xiaomu/article/details/90740084</guid><author>w_xiaomu</author><pubDate>Sun, 02 Jun 2019 16:05:55 +0800</pubDate><description><![CDATA[以下内容是本人在训练时候所遇到，并且解决的，如果还有没有涉及到的，希望可以交流：
1.刚开始下降，后来上升，可能是数据集的问题，假如数据集训练集的总大小是5000张图片，如果你写为6000或者只要不是5000张的，都可能会出现开始下降后来上升的问题。如果解决该问题的方法是，修改数据集的总大小等于你训练数据集的总大小。
2 可能是模型的问题：如何判断是模型的问题，首先你使用未修改(此处指的是比如re...]]></description><category></category></item><item><title><![CDATA[python修改文件名]]></title><link>https://blog.youkuaiyun.com/w_xiaomu/article/details/90729201</link><guid>https://blog.youkuaiyun.com/w_xiaomu/article/details/90729201</guid><author>w_xiaomu</author><pubDate>Sat, 01 Jun 2019 15:06:03 +0800</pubDate><description><![CDATA[修改图片的文件名，并将修改的文件名保存到相应的文件夹中。
# -*- coding: utf-8 -*-
"""
Created on Sun May 26 18:17:40 2019

@author: Administrator
"""

#!/usr/bin/env python
 # -*- coding:utf-8 -*-
import os

root = os.getcwd() #获...]]></description><category></category></item><item><title><![CDATA[VOC07+12合并训练用于图像分类]]></title><link>https://blog.youkuaiyun.com/w_xiaomu/article/details/90729082</link><guid>https://blog.youkuaiyun.com/w_xiaomu/article/details/90729082</guid><author>w_xiaomu</author><pubDate>Sat, 01 Jun 2019 14:53:45 +0800</pubDate><description><![CDATA[该程序可以用于图像分类，比如Voc2012的数据集，首先将数据集中标签和图片按照类别分为20类，然后在使用该程序将分好类的文件，转换为tfrecord格式，用于训练图像分类。具体程序如下：
# -*- coding: utf-8 -*-
"""
Created on Sat Mar  9 13:22:18 2019

import os
import sys
import random
impor...]]></description><category></category></item><item><title><![CDATA[Rotated Feature Network for multi-orientation object detection]]></title><link>https://blog.youkuaiyun.com/w_xiaomu/article/details/89429236</link><guid>https://blog.youkuaiyun.com/w_xiaomu/article/details/89429236</guid><author>w_xiaomu</author><pubDate>Mon, 22 Apr 2019 08:56:25 +0800</pubDate><description><![CDATA[**论文地址：**http://arxiv.org/abs/1903.09839
Introduction
1 本文提出Encoder-Decoder architecture即RFN，解决多位置的目标检测；
2 提出了两个模块，第一：RI解决特征映射的分类问题；RS解决特征映射的回归问题；
3 分为两个单元；编码单元：为旋转的特征映射指定权重；解码单元：提取RI和RS的特征
结构

...]]></description><category></category></item><item><title><![CDATA[Dual Attention Network for Scene Segmentation]]></title><link>https://blog.youkuaiyun.com/w_xiaomu/article/details/89187157</link><guid>https://blog.youkuaiyun.com/w_xiaomu/article/details/89187157</guid><author>w_xiaomu</author><pubDate>Mon, 15 Apr 2019 08:48:55 +0800</pubDate><description><![CDATA[论文地址：http://arxiv.org/abs/1809.02983
Introduction

]]></description><category></category></item></channel></rss>