- 博客(132)
- 资源 (26)
- 收藏
- 关注
RSS订阅原创 暴力枚举、全排列
比如 369258714 ，当a = 3 时，(100-3)*714 % 10 = (100-3)*4 % 10 = 8，可知b的个位为 8 ，那么就可以得出 b = 69258，c = 714！1. 首先从第1个数字开始划分，确定 a 可能的值，注意：a 必须小于num，比如样例中的num=100，当排列等于 369258714 时，a可取的值有 a=3,a=36两种情况；3. 那么，当num = 100时，对于排列 369258714 来说，a, b, c = 3，69258，714。
2023-03-21 19:23:13
536
1
翻译 TAM: Temporal Adaptive Module for Video Recognition
时间建模是捕捉视频时空结构进行动作识别的关键。由于摄像机运动、速度变化、不同活动等因素的影响，视频数据在时间维度上具有极其复杂的动态特性。为了有效地捕捉这种不同的运动模式，本文提出了一种新的时间自适应模块(TAM)来生成基于其自身特征映射的视频特定kernel。TAM提出了一种独特的两级自适应建模方案，将动态核解耦为一个位置不敏感的重要映射(importance map)和一个位置不变的聚集权重(aggregation weight)。
2023-03-20 22:06:04
443
翻译 Weakly Supervised Video Anomaly Detection with Temporal and Abnormal Information：基于时间和异常信息的弱监督视频异常检测
弱监督视频异常检测是将异常与视频中的正常场景和事件区分开来，在这个设置下，我们只知道视频中是否有异常事件，但不知道异常事件具体发生的时间。它通常被建模为MIL(多实例学习)问题，其中提供视频级标签来训练异常检测器以获得视频的帧级标签。然而，现有的大多数方法一般都忽略了异常视频(阳性包)中的时间信息，只使用阳性包中的一个样本(片段)进行训练。阳性包可能包含更多有用的信息，可能性高。因此，我们提出了一种具有时间特征和异常特征的弱监督视频异常检测方法，该方法同时考虑了时间信息和更多的异常样本。
2023-03-02 20:21:17
1363
1
翻译 Overlooked Video Classification in Weakly Supervised Video Anomaly Detection 【2022】
弱监督视频异常检测中的忽略视频分类
2022-11-29 21:20:17
258
翻译 Self-Training Multi-Sequence Learning with Transformer for Weakly Supervised VAD 【AAAI 2022】
用于弱监督视频异常检测的变压器自训练多序列学习
2022-11-29 16:12:56
373
翻译 RTFM：Weakly-supervised Video Anomaly Detection with Robust Temporal Feature【ICCV 2021】附代码注释
基于鲁棒时间特征幅值学习的弱监督视频异常检测
2022-11-22 09:43:04
973
翻译 Real-world Anomaly Detection in Surveillance Videos【CVPR 2018】（首次引入MIL）
监控视频中的真实世界异常检测
2022-11-21 09:17:43
1042
翻译 S3R:Self-Supervised Sparse Representation for Video Anomaly Detection 【ECCV 2022】
用于视频异常检测的自监督稀疏表示
2022-11-18 10:28:50
847
原创 【从零学Python】关于python下划线命名的事儿、enumerate()
在 Python 的官方推荐的代码样式中，还有一种单下划线结尾的样式，这在解析时并没有特别的含义，但通常用于和 Python 关键词区分开来，比如如果我们需要一个变量叫做 class，但 class 是 Python 的关键词，就可以以单下划线结尾写作 class_。双下划线开头双下划线结尾的是一些 Python 的“魔术”对象，如类成员的 init、del、add、getitem 等，以及全局的 file、name 等。3，以两个下划线开头和结尾的命名，如 init()如上述代码所示，应该将。
2022-09-03 11:51:56
700
原创 【从零学Python】理解nn.Softmax(dim=1)(outputs) 与 torch.max(probs, 1)[1]
分别输出typeProbs = torch.max(probs,1)[0] 与indexProbs = torch.max(probs, 1)[1]的值，也可以加以验证。可以看到torch.max(probs, 1)的值是一个2元tuple。
2022-09-03 11:46:56
690
1
原创 【从零学Python】什么时候调用forward()函数、图片预处理、return中的if...else...
什么时候调用forward()函数、图片预处理、return中的if...else...
2022-09-03 11:44:26
2191
原创 三维Tensor维度分析,举例mask[0,:],mask[:,:,0],mask[:,0,:]
设三维张量的shape是x、y、z，则可理解为它是由x个二维张量构成，每个二维张量由y个一维张量构成，每个一维张量由z个标量构成。三种颜色分别代表三个维度.
2022-06-10 10:17:47
1603
原创 HOTR: End-to-End Human-Object Interaction Detection with Transformers
使用Transformer实现HOI检测,附带自己画的框架图,比较清晰的带你理解HOI检测的流程.
2022-06-01 15:49:27
648
转载 Ubuntu 安装 CUDA11.3
与安装CUDA8.0类似,在升级显卡驱动后,我也对CUDA11.3进行了升级.首先删除历史版本:sudo /usr/local/cuda-8.0/bin/uninstall_cuda_8.0.pl卸载之后，会发现 /usr/local/cuda-8.0目录下任然有文件存在，这是cudnn文件，所以还需要将cuda-8.0文件删除干净：sudo rm -rf /usr/local/cuda-8.0#或者sudo apt autoremove cudasudo apt --purge remov
2022-04-28 10:52:29
7770
转载 Ubuntu16.04 + GeForce GTX 1080 + Python3.6 安装 CUDA11.3
与安装CUDA8.0类似,在升级显卡驱动后,我也对CUDA11.3进行了升级.首先删除历史版本:sudo /usr/local/cuda-8.0/bin/uninstall_cuda_8.0.pl卸载之后，会发现 /usr/local/cuda-8.0目录下任然有文件存在，这是cudnn文件，所以还需要将cuda-8.0文件删除干净：sudo rm -rf /usr/local/cuda-8.0#或者sudo apt autoremove cudasudo apt --purge remov
2022-04-14 21:18:43
1418
转载 将cityscapes数据集Mask二值图像变为彩色图像
在语义分割时，为了方便可视化，需要将表示类别的灰度图，根据类别-颜色映射表，转换为彩色图 转到在数据量较大的情况下，使用逐像素遍历的方法速度极慢，使用矩阵、向量的操作方法可以极大提高运行速度以GID的单个gt（7200*6800）为例：1）gray转color逐像素遍历赋值np.vectorize按向量批量映射：7.56 秒，ref1矩阵映射：1.62秒，ref22）color转gray矩阵的布尔运算加布尔索引：4.78秒import os, sys, time, cv2impor
2022-04-12 21:54:38
1930
原创 tensorflow的安装
在import tensorflow时报了一系列的错误，主要是因为tensorflow的版本与cuda版本、protobuf等的版本不匹配。检测目前安装了哪些环境：conda info --envs使用 conda search --full-name tensorflow 看到针对python3.6版本可以安装的tensorflow版本，这里选择tensorflow-1.9.0pip install --no-cache-dir tensorflow==2.1.0命令可以直接下载 tenso
2022-04-06 16:33:45
1376
转载 Python基础知识速记
目录1.Python 的类的下划线命名有什么不同：1.Python 的类的下划线命名有什么不同：1，以一个下划线开头的命名 ，如_getFile 这个被常用于模块中，在一个模块中以单下划线开头的变量和函数被默认当作内部函数，如果使用 from a_module import * 导入时，这部分变量和函数不会被导入。2，以两个下划线开头的命名 ，如__filename . 双下划线开头的命名形式在 Python 的类成员中使用表示名字改编 (Name Mangling)，即如果有一 Test 类
2022-04-06 10:28:24
261
转载 一些工具类的使用
目录1.SummaryWriter()2. tqdm()1.SummaryWriter()使用SummaryWriter创建events；SummaryWriter()需要依赖tensorflow与tensorboard；from torch.utils.tensorboard import SummaryWriterlog_dir = os.path.join(save_dir, 'models', datetime.now().strftime('%b%d_%H-%M-%S') + '_' +
2022-04-06 09:45:44
126
转载 自定义语义分割数据集（划分训练集与验证集）、并且将一个文件夹下的所有图片的名字存到txt文件
我们可以借助Pytorch从文件夹中读取数据集，十分方便，但是Pytorch中没有提供数据集划分的操作，需要手动将原始的数据集划分为训练集、验证集和测试集，废话不多说，这里写了一个工具类，帮助大家将数据集自动划分为训练集、验证集和测试集，还可以指定比例，代码如下。工具类# 工具类import osimport randomimport shutilfrom shutil import copy2def data_set_split(src_data_folder, target_data_
2022-04-05 09:39:27
2815
原创 nn.Softmax(dim=1)(outputs) 与 torch.max(probs, 1)[1]的理解
已知在模型训练之后，会得出一个outputs，后遇到torch.max(probs, 1)[1]这行代码，不是很清楚它的意思，所以对其进行逐步调试，理清了思路：outputs = model(inputs)probs = nn.Softmax(dim=1)(outputs) # 得出一个(batch_size, 101)的Tensor, 指的是outputs在维度1,即每行上的元素相加等于1，即每个视频动作分别属于101个动作的概率相加等于1# tupleProbs = torch.max(pro
2022-04-01 10:18:16
1491
转载 Ubuntu16.04 + GeForce GTX 1080 + Python3.6 安装 CUDA8.0
torch.cuda.is_available()结果为false:显卡驱动、cuda、pytorch三个版本对齐:先从显卡驱动版本找到对应的cuda版本:https://blog.youkuaiyun.com/kellyroslyn/article/details/109668001然后同时更新cuda和pytorch（还有torchvision）的版本:https://pytorch.org/get-started/previous-versions/详细步骤：1.使用nvidia-smi查询驱动版本
2022-03-28 14:54:17
686
原创 Ubuntu20.04系统安装后，如何配置？
目录1.显卡驱动2.Ubuntu安装Anaconda3及系统环境变量配置1.显卡驱动（1）查看显卡型号：ubuntu-drivers devices这里会推荐适合你的显卡的nvidia驱动版本。如图提示我recommended nvidia-driver-510主版本。（2）自动安装ubuntu-drivers autoinstall2.Ubuntu安装Anaconda3及系统环境变量配置（1）首先查看ubuntu自带的python版本（2）从Anaconda官网下载Linux版本的A
2022-03-07 11:23:21
1267
转载 CS229 Fall 2020 Python Tutorial
Python Operatorsprint(5 // 2) # integer division output=2Python doesn’t have command like “a++” or “a–”.Functiondef func2(*args, **kwargs): print(args) print(kwargs) def func1(v, *args, **kwargs): func2(*args, **kwargs)
2022-02-21 22:09:16
117
转载 DT(密集轨迹)算法和iDT(改善的密集轨迹)算法
目录图像多尺度技术图像金字塔图像多尺度技术https://blog.youkuaiyun.com/qq_26570133/article/details/78846982 多尺度图像技术也叫做多分辨率技术（MRA），指对图像采用多尺度的表达，并且在不同尺度下分别进行处理。这样做的理由是很多情况下在一种尺度中不容易看清的或者获取的特性在另外的某种尺度下就很容易发现或者是提取。所以多尺度技术在提取图像特征时更加的常用。要在多尺度情况下对图像进行处理首先要在多尺度情况下对图像进行表达，并且找到各尺度之间的相互联系。而
2022-02-20 21:46:02
3620
翻译 全卷积网络 FCN
通常CNN网络在卷积层之后会接上若干个全连接层, 将卷积层产生的特征图(feature map)映射成一个固定长度的特征向量。以AlexNet为代表的经典CNN结构适合于图像级的分类和回归任务，因为它们最后都期望得到整个输入图像的一个数值描述（概率），比如AlexNet的ImageNet模型输出一个1000维的向量表示输入图像属于每一类的概率(softmax归一化)。核心思想该论文包含了当下CNN的三个思潮不含全连接层(fc)的全卷积(fully conv)网络。可适应任意尺寸输入。增大数据
2022-02-20 20:23:46
2531
基于SSM技术的网上购物系统
2020-06-16
基于SSM框架的记事簿管理系统
2020-06-16
Android应用开发使用ContentProvider以及SQLite实现对数据库的相关操作
2020-01-09
防PC版网易云音乐页面
2020-01-09
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人