wolf2345的博客

显卡掉了，驱动升级安装

内核自动升级导致ubuntu系统页面循环进不去，故选择降低内核版本解决

1.sudo vim /etc/network/interfaces增加如下内容auto eth0iface eth0 inet staticaddress 1172.20.0.116netmask 255.255.255.02.sudo systemctl restart networking

//如果创建一个Rect对象rect(100, 50, 50, 100)，那么rect会有以下几个功能：rect.area(); //返回rect的面积 5000rect.size(); //返回rect的尺寸 [50 × 100]rect.tl(); //返回rect的左上顶点的坐标 [100, 50]rect.br(); //返回rect的右下顶点的坐标 [150, 150]rect.width(); //返回rect的宽度 50rect.hei...

当运行conda出现:Traceback (most recent call last): File "/home/pc/anaconda3/bin/conda", line 7, in <module> from conda.cli import mainModuleNotFoundError: No module named 'conda'解决方法:更新anaconda,且不影响原始虚拟环境bash Anaconda3-5.3.1-Linux-x86_64.sh ...

https://lutzroeder.github.io/netron/

学习率是深度学习中的一个重要的超参，如何调整学习率是训练出好模型的关键要素之一。在通过SGD求解问题的极小值时，梯度不能太大，也不能太小。太大容易出现超调现象，即在极值点两端不断发散，或是剧烈震荡，总之随着迭代次数增大loss没有减小的趋势；太小会导致无法快速地找到好的下降的方向，随着迭代次数增大loss基本不变。因此，我们常常用一些退火的方法调整学习率。学习率调整方法基本上有两种 1...

https://github.com/wangxuewen99/Super-Resolution/tree/master/ESPCN摘要：当前基于深度神经网络的方法对于单图片的超分辨率在重建效率和计算量方面有了很大的成功。但是，这些方法中，都是用低分辨率的图片通过单一的滤波器，通常是双三次插值法，变成高分辨率的图片。这意味着超分辨率的工作是在高分辨率的基础上完成的。这种方法是次最优并且计算...

可视化理解卷积神经网络原文地址：http://blog.youkuaiyun.com/hjimce/article/details/50544370作者：hjimce一、相关理论 本篇博文主要讲解2014年ECCV上的一篇经典文献：《Visualizing and Understanding Convolutional Networks》，可以说是CNN领域可视化理解的开山之作，这篇文献告...

第一次配置matlab接口遇到的錯誤，記錄一下：wolf@wolf:~/Downloads/caffe-master$ make matcaffe -j32make: /usr/local/MATLAB/R2014a/bin/mexext: Command not foundMEX matlab/+caffe/private/caffe_.cpp/bin/sh: 1: /usr/loca...

#include&lt;vector&gt;#include&lt;string&gt;#include&lt;io.h&gt;#include&lt;iostream&gt;using namespace std;char * filePath = "D:\\JPEGImages";void getFiles(string path, vector&lt;string&gt;&a..

mansNetmobilenet v1，v2squeezeNetmobilenet_ssdPeleeNet 

http://lamda.nju.edu.cn/weixs/project/CNNTricks/CNNTricks.html 

OpenCV中使用Mask R-CNN进行基于深度学习的对象检测和实例分割（Python / C ++）我觉得可以尝试一下 几个星期前，我们用YOLOv3写了一篇关于物体检测的文章。对象检测器的输出是在图像或视频帧中检测到的对象周围的边界框阵列，但我们没有得到关于边界框内对象形状的任何线索。如果我们能找到一个包含对象的二进制掩码而不仅仅是边界框，那会不会很酷？在这篇文章中，...

十三种基于直方图的图像全局二值化算法原理、实现、代码及效果。非常好的资料，留存一下      图像二值化的目的是最大限度的将图象中感兴趣的部分保留下来，在很多情况下，也是进行图像分析、特征提取与模式识别之前的必要的图像预处理过程。这个看似简单的问题，在过去的四十年里受到国内外学者的广泛关注，产生了数以百计的阈值选取方法，但如同其他图像分割算法一样，没有一个现有方法对各种各样的图像都能得到令...

https://repo.continuum.io/archive/

https://blog.youkuaiyun.com/Julialove102123/article/details/80493066

Dilate convolution（空洞卷积）个人理解：空洞卷积设计的初衷，是为了解决卷积Pooling 操作后，信息丢失，感受野减小。图像语义分割，常用的做法是卷积经过Pooling 操作后，采用deconv对其进行上采样以扩大图片尺寸，这样在Pooling操作过程中仍然会有信息损失。另外，空洞卷积操作的填充的过程与Padding 0填充过程类似，都是在0填充操作。空洞卷积：感...

文章转载自http://www.codeceo.com/article/cpp-new-keyword.html“new”是C++的一个关键字，同时也是操作符。关于new的话题非常多，因为它确实比较复杂，也非常神秘，下面我将把我了解到的与new有关的内容做一个总结。new的过程当我们使用关键字new在堆上动态创建一个对象时，它实际上做了三件事：获得一块内存空间、调用构造函数、返回正确的指针。当然，...

http://coliru.stacked-crooked.com/

1、安装NFS服务器$sudo apt-get install nfs-kernel-server nfs-common2、编辑/etc/exports文件#sudo vi /etc/exports在最后一行增加需要挂载的目录：/home/wolf/Downloads *(subtree_check,rw,no_root_squash,async)3、重启NFS服务

选项：-i：安装软件包-r：删除软件包-P: 删除软件包的同时删除其配置文件-L：显示软件包关联文件-l：显示已安装软件包列表--unpack：解开软件包-c：显示软件包内文件列表--configure：配置软件包

重刷系统第一次启用，需要用串口启动：&sudo minicom&ifconfig 查看网段&cd 进入根目录&rm .ssh/*&ssh root@xxx.xxx.x.xxx挂载网络分区脚本：#!/bin/bash# am57xx run this shellmount -t nfs XXX.XXX.X.XXX:/home/wolf/Downloads /mnt -o vers=3,nolock

Python 里面最常用的图像操作库是Image library（PIL），功能上，虽然还不能跟Matlab比较，但是还是比较强大的，废话补多少，写点记录笔记。getbbox()包含非零区域的最小bboxhistogram(mask=None)统计直方图offset(dx,d

安装m4wget http://mirrors.kernel.org/gnu/m4/m4-1.4.13.tar.gz \ && tar -xzvf m4-1.4.13.tar.gz \ && cd m4-1.4.13 \ && ./configure –prefix=/usr/local make && make install安装autoconfwget ht

#xd  -d XXX.tar.xz会生成XXX.tar文件#tar -xvf XXX.tar

Feature Pyramid Networks for Object Detection（FPN）特征金字塔网络用于目标检测 特征金字塔是识别中的基本组成部分用于检测不同尺度物体的系统。但是最近深度学习对象检测器避免了金字塔表示，部分是因为它们是计算和内存密集。在本文中，我们利用固有的多尺度，深层卷积网络的锥体层次构造功能金字塔边际额外成本。自上而下侧向连接的体系结构正在开发之中，在各个尺度上构...

在启动系统前，按F11或者F12，可以看到很多启动项，选择进入win启动项，Enter键入即可进入。

实现的关键变量是：propagate_down 含义：表示当前层的梯度是否向前传播比如有4个全连接层A-&gt;B-&gt;C-&gt;D    a. 你希望C层的参数不会改变，C前面的AB层的参数也不会改变，这种情况也就是D层的梯度不往前反向传播到D层的输入blob（也就是C层的输出blob 没有得到梯度），你可以通过设置D层的propagate_down为false来做到。         p...

import ospath ="C:\\Users\\wolf\\Desktop\\tools\\data\\VOC2007\\Annotations\\"#print "name :", os.listdir(path)listName = os.listdir(path)for files in listName:    #print files    xmlName = files + '....

上一篇我们说完了AnchorTargetLayer层，然后我将Faster rcnn中的其他层看了，这里把ROIPoolingLayer层说一下；我先说一下它的实现原理：RPN生成的roi区域大小是对应与输入图像大小（而且每一个roi大小都不同，因为先是禅城九种anchors，又经过回归，所以大小各不同），所以在ROIPoolingLayer层中，先将每一个roi区域映射到经过conv5的feat...

紧接着之前的博客，我们继续来看faster rcnn中的AnchorTargetLayer层：该层定义在lib&gt;rpn&gt;中，见该层定义：首先说一下这一层的目的是输出在特征图上所有点的anchors（经过二分类和回归）；（1）输入blob：bottom[0]储存特征图信息，bottom[1]储存gt框坐标,bottom[2]储存im_info信息；（2）输出blob：top[0]存储an...

接着上篇的博客，咱们继续看一下Faster RCNN的代码～上次大致讲完了Faster rcnn在训练时是如何获取imdb和roidb文件的，主要都在train_rpn()的get_roidb()函数中，train_rpn()函数后面的部分基本没什么需要讲的了，那我们再回到训练流程中来：这一步训练的网络结构见下图：训练的第一步就这么完成了（RPN网络使用gt_roidb训练完成），还有，这里的tr...

摘要Faster R-CNN是一种众所周知的物体检测方法，它将区域提议的生成及其分类结合到单个管线中。 在本文中，我们将Faster R-CNN应用于公司徽标检测任务。 受小型对象实例的R-CNN性能较弱的推动，我们对提案和分类阶段进行了详细检查，检查了它们在各种对象大小下的行为。 另外，我们看看feature map分辨率对这些阶段性能的影响。 我们引入了一个改进的方案来生成锚定提案，并提出对F...

在Matlab 2014b中编译生成.exe文件出现：Matlab 2014b,Test checkout of feature 'Compiler' failed.出现这个错误的主要原因是Matlab 2014b激活不完全所致：下载解压一下文件，查看word文件按照步骤替换文件即可链接：https://pan.baidu.com/s/145YAwR_J1qAplCYFGIbjuA 密码：xjjn...

from __future__ import division在python2.7中使用python3.6的功能

原文地址：http://www.veryarm.com/arm-linux-gnueabihf-gccveryarm是个不错的网站，里面介绍了很多相关的基础知识。arm-linux-gnueabihf-gcc是由 Linaro 公司基于GCC推出的的ARM交叉编译工具。可用于交叉编译ARM系统中所有环节的代码，包括裸机程序、u-boot、Linux kernel、filesys