- 博客(43)
- 收藏
- 关注
RSS订阅原创 Ubuntu更换源
pip config set global.index-url https://pypi.tuna.tsinghua.edu.cn/simple
2025-02-25 20:37:24
93
原创 Transformer课程总结
分层 ：解决复杂度高 swin transformer，细分辨率下，只在每个窗口内做attetnion,类似于CNN，但感受野比CNN大。Xclass这个代表了所有patch的信息，这个不是必要的，也可以把所有token embedding做avg得到。patch_size越大，性能越低，但计算量越小。patch_size越小，性能越高，计算量平方倍增长。图像分辨率越大，效果越好。改进：1、CNN+Transformer:局部+全局。为解决看不到其他地方的信息，改变格子的大小。QK: 内积，余弦相似度。
2025-01-02 10:15:18
262
原创 【报错：CUDA_HOME environment variable is not set. Please set it to your CUDA install root.】
conda install -c conda-forge cudatoolkit-devconda install -c conda-forge cudatoolkit-dev -y
2024-12-09 10:27:28
552
原创 突报错显存不足
通过逐一检查这些因素，你应该能够找到导致显存溢出的根本原因，并采取相应的解决方法。清理显存缓存，使用 torch.cuda.empty_cache()。检查 batch size 和数据是否发生变化。调试模型，查看哪些层或操作消耗显存较多。启用梯度裁剪 或更改优化器设置。检查数据集，确保输入尺寸一致。
2024-12-05 14:30:10
779
原创 pip镜像源
华为镜像源：https://repo.huaweicloud.com/repository/pypi/simple/中国科学技术大学 ：http://pypi.mirrors.ustc.edu.cn/simple/腾讯源：http://mirrors.cloud.tencent.com/pypi/simple。清华大学 ：https://pypi.tuna.tsinghua.edu.cn/simple/阿里云：http://mirrors.aliyun.com/pypi/simple/
2024-07-23 19:49:45
224
原创 装双系统时直接进入grub界面问题解决
只要正确设置了根目录，就可以使用ls / 命令查看文件和目录以找到Windows启动管理器的正确路径。查看磁盘上的所有分区（卷）（EFI 卷将被格式化为 FAT，其他将被格式化为 NTFS）需要为 set root= 命令输入EFI引导分区（而不是windows分区）的ID。为方便起见，通过键入以下内容分配驱动器号(其中 Z 是空闲（未使用）驱动器号)仍然在cmd提示中时，键入：Z:并按回车键，其中 Z 是刚刚创建的驱动器号。选择 EFI 卷，其中 Y 是SYSTEM卷（这几乎总是 EFI 分区）
2024-07-01 20:10:51
946
原创 Ubuntu系统黑屏
sudo apt list nvidia-driver-* 通过"apt list"命令去查看，发现nvidia driver是安装了的。sudo apt autoremove --purge nvidia-* 卸载显卡驱动。Ctrl + alt + F1~F6 进入命令行。nvidia-smi 查看显卡信息。reboot 重启。
2024-04-22 15:50:20
238
1原创 ubuntu18.04安装pcl
sudo apt-get install libflann1.9 libflann-dev # 有说ubuntu16对应1.8，ubuntu18对应1.9，我直接用了1.9。解决方法：下载并安装metslib包，下载链接： metslib-0.5.3.，解压并进入metslib-0.5.3文件夹，然后执行。原文链接：https://blog.youkuaiyun.com/zhiTjun/article/details/128067182。
2023-07-15 09:35:22
91
原创 SparseTT: Visual Tracking with Sparse Transformers
变形金刚已成功应用于视觉跟踪任务，显著提高了跟踪性能。为模拟长期依赖关系而设计的自我关注机制是《变形金刚》成功的关键。然而，自我注意缺乏对搜索区域中最相关信息的关注，容易被背景干扰。在本文中，我们通过稀疏注意机制来解决这个问题，将最相关的信息集中在搜索区域，从而实现更精确的跟踪。在此基础上，引入双头预测器，提高了前景背景分类和目标边界盒回归的精度，进一步提高了跟踪性能。大量的实验表明，在没有铃声和哨子的情况下，我们的方法在以40 FPS运行时，显著优于LaSOT、GOT-10k、TrackingNet和UA
2023-03-27 10:53:11
31
原创 DynamicViT: Efficient Vision Transformers with Dynamic Token Sparsification
特别是，通过对66%的输入标记进行分层修剪，我们可以大大降低31% ~ 37%的GFLOPs，并将吞吐量提高40%以上，而对于所有不同的视觉转换器，精度下降在0.5%以内。–类似于mask矩阵。由于具有结构下采样的cnn的层次结构提高了模型在各种视觉任务中的效率，我们希望探索非结构化和数据依赖的视觉变压器的下采样策略，进一步利用自注意的优势(我们的实验也表明，我们的DynamicViT的一个重要特征是标记稀疏化是分层执行的，也就是说，随着计算的进行，我们逐渐删除无信息的标记。视觉转换器的注意力是稀疏的。
2023-03-27 10:16:47
38
原创 RSKDD-Net: Random Sample-based Keypoint Detector and Descriptor
关键点检测器和描述子是点云配准的两个主要组成部分。以往基于学习的关键点检测器依赖于每个点的显著性估计或最远点样本(FPS)来选择候选点，效率低下，不适用于大规模场景。针对大规模点云配准问题，提出了一种基于随机样本的关键点检测器和描述子网络(RSKDD-Net)。关键思想是使用随机抽样来有效地选择候选点，并使用基于学习的方法来联合生成关键点和描述符。为了解决随机抽样的信息丢失问题，我们采用了一种新的随机扩张聚类策略来扩大每个抽样点的接受域，并采用一种注意机制来聚集相邻点的位置和特征。此外，我们提出了一个匹配损
2023-03-26 21:58:52
23
原创 Rethinking of learning-based 3D keypoints detection for large-scale point clouds registration
最远点抽样(FPS)方法(Qi等人，2017a)，逆密度重要性子抽样(IDISS)方法(Groh等人，2019)和随机抽样(RS)方法。基于体素网格的采样方法将每个体素中质心或质心的相邻点作为下采样点。FPS方法采样的每个点都是相对于所有已采样点的最远点。IDISS方法首先计算每个点的密度，然后保留低密度区域的点，RS方法从原始点云中随机选取K个点。典型的基于学习的抽样方法包括基于生成器的抽样(GS)方法(Dovrat等人，2019)、基于连续松弛的抽样(CRS)方法(Abubakar等人，2019)和基于
2023-03-26 21:44:54
29
原创 from torch._C import * ImportError: numpy.core.multiarray failed to import
c
2022-12-05 21:35:08
53
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人