<?xml version="1.0" encoding="utf-8" ?><rss version="2.0"><channel><title><![CDATA[xh_hit的博客]]></title><description><![CDATA[]]></description><link>https://blog.youkuaiyun.com/xh_hit</link><language>zh-cn</language><generator>https://blog.youkuaiyun.com/</generator><copyright><![CDATA[Copyright &copy; xh_hit]]></copyright><item><title><![CDATA[pytorch  权重组成分析]]></title><link>https://blog.youkuaiyun.com/xh_hit/article/details/112942161</link><guid>https://blog.youkuaiyun.com/xh_hit/article/details/112942161</guid><author>xh_hit</author><pubDate>Thu, 21 Jan 2021 14:57:56 +0800</pubDate><description><![CDATA[一般网络使用pytorch训练，权重保存在pth中。

读取pth使用state_dict = torch.load('path/*.pth', map_location='cpu')

得到的state_dict是一个字典，key为层的name，value为weight。假设block1为由conv2d，BN组成的，那么卷积对应的key为block1.0.weight，block1.0.bias，BN层参数较多，包括running_mean ，running_var，gamma，beta，eps，...]]></description><category></category></item><item><title><![CDATA[DANet: Dual Attention Network for Scene Segmentation]]></title><link>https://blog.youkuaiyun.com/xh_hit/article/details/88575853</link><guid>https://blog.youkuaiyun.com/xh_hit/article/details/88575853</guid><author>xh_hit</author><pubDate>Fri, 15 Mar 2019 16:31:00 +0800</pubDate><description><![CDATA[本文从增强全局的特征融合以及语义特征质之间的相关性为切入点，提出了Position Attetion 和 Channel Attention mechanism（位置注意力机制和通道注意力机制）的方法。

目前基于深度学习的语义分割网络采用multi scale融合或者U-Net的结构去融合低层和高层的语义特征，但是还是没有综合考虑各个位置的联系和相关性。因为CNN使用局部感受野进行特征的提取，这...]]></description><category></category></item><item><title><![CDATA[TensorRT保存序列化的结果]]></title><link>https://blog.youkuaiyun.com/xh_hit/article/details/82918162</link><guid>https://blog.youkuaiyun.com/xh_hit/article/details/82918162</guid><author>xh_hit</author><pubDate>Tue, 02 Oct 2018 16:40:40 +0800</pubDate><description><![CDATA[在上一篇博客中分析了tensorRT在加速caffe推断时的主要路程，其中序列化和反序列化是必不可少的。序列化时根据输入网络的prototxt和训练好的模型参数，对网络进行解析和参数保存，主要函数为：


// serialize the engine, then close everything down
	gieModelStream = engine-&amp;gt;serialize();

反序...]]></description><category></category></item><item><title><![CDATA[const关键字用法总结]]></title><link>https://blog.youkuaiyun.com/xh_hit/article/details/82924498</link><guid>https://blog.youkuaiyun.com/xh_hit/article/details/82924498</guid><author>xh_hit</author><pubDate>Tue, 02 Oct 2018 12:26:26 +0800</pubDate><description><![CDATA[const是编程过程中应该尽可能多使用的关键字，它指定一个不可变对象，编译器会强行执行这个约束，来增强的代码的健壮性。const可用来修饰变量、参数，函数返回值、函数本身，可谓多才多艺 。

1. const修饰变量

在Effective  C++条款2中讲到，尽量使用const声明常量来替换#define声明的宏定义常量。(inline替换#define的函数)
	
#define pi 3....]]></description><category></category></item><item><title><![CDATA[TensorRT Inference过程详解]]></title><link>https://blog.youkuaiyun.com/xh_hit/article/details/82917948</link><guid>https://blog.youkuaiyun.com/xh_hit/article/details/82917948</guid><author>xh_hit</author><pubDate>Mon, 01 Oct 2018 19:18:15 +0800</pubDate><description><![CDATA[TensorRT可实现深度学习网络数倍的加速，特别是在嵌入式设备TX2上。TensorRT引擎和加速原理简介请查看https://blog.youkuaiyun.com/xh_hit/article/details/79769599。本文以caffe模型为例对其推断过程进行分析。

整体推断过程分为build、serialize、deserialize和run四个阶段。首先是build和序列化阶段代码如下：
...]]></description><category></category></item><item><title><![CDATA[多头文件和源文件工程构建CMakeLists写法]]></title><link>https://blog.youkuaiyun.com/xh_hit/article/details/82917548</link><guid>https://blog.youkuaiyun.com/xh_hit/article/details/82917548</guid><author>xh_hit</author><pubDate>Mon, 01 Oct 2018 18:15:47 +0800</pubDate><description><![CDATA[1.最简单的CMakeLists.txt如下，只有一个源文件：


cmake_minimum_required (VERSION 2.6)   #版本要求
project (Tutorial)                     #工程名称
add_executable(Tutorial tutorial.cpp)  #制定生成目标

2.如果有两个以上源文件，并在同级目录下：


cmak...]]></description><category></category></item><item><title><![CDATA[Cascade R-CNN：Delving into HIgh Quality Object Detection]]></title><link>https://blog.youkuaiyun.com/xh_hit/article/details/82765088</link><guid>https://blog.youkuaiyun.com/xh_hit/article/details/82765088</guid><author>xh_hit</author><pubDate>Tue, 18 Sep 2018 22:58:17 +0800</pubDate><description><![CDATA[本篇是2018CVPR收录的关于物体检测的文章，作者仔细分析目前物体检测框架中Iou阈值的选取对于物体定位精度和整体训练的影响。

Iou阈值直接影响训练阶段正负样本的划分，threshold太高，如0.7，正样本的质量越高，但是正样本的数量会急剧减少，加剧正负样本的不平衡，训练容易过拟合；threshold太低，如0.5，正样本的数量会增加，但是正样本的质量下降，容易产生false positi...]]></description><category></category></item><item><title><![CDATA[DetNet: A Backbone network for Object Detection论文阅读记录]]></title><link>https://blog.youkuaiyun.com/xh_hit/article/details/82716630</link><guid>https://blog.youkuaiyun.com/xh_hit/article/details/82716630</guid><author>xh_hit</author><pubDate>Sat, 15 Sep 2018 18:40:45 +0800</pubDate><description><![CDATA[概述：

DetNet: A Backbone network for Object Detection是ECCV2018收录的旷视的一篇物体检测的论文，其设计灵感源自图像分类与物体检测任务之间存在的落差。详细讲，DetNet 针对不同大小和尺度的物体而像 FPN 一样使用了更多的 stage；即便如此，在保留更大的特征图分辨率方面，它依然优于 ImageNet 预训练模型。但是，这会增加神经网络...]]></description><category></category></item><item><title><![CDATA[Soft-NMS: Improving object detection with one line of code]]></title><link>https://blog.youkuaiyun.com/xh_hit/article/details/82714623</link><guid>https://blog.youkuaiyun.com/xh_hit/article/details/82714623</guid><author>xh_hit</author><pubDate>Sat, 15 Sep 2018 17:37:38 +0800</pubDate><description><![CDATA[Improving object detection with one line of code 是ICCV2017的文章，主要是优化解决目标检测后处理中非极大值抑制（NMS，Non Maximum Suppression）的问题。

NMS：

在解析本文主旨之前，先回顾下当前目标检测算法中必不可少的NMS。当前，无论是两阶段的Faster-RCNN或者one-stage的SSD、YOLO等目标...]]></description><category></category></item><item><title><![CDATA[卡尔曼滤波简介]]></title><link>https://blog.youkuaiyun.com/xh_hit/article/details/82314500</link><guid>https://blog.youkuaiyun.com/xh_hit/article/details/82314500</guid><author>xh_hit</author><pubDate>Sun, 02 Sep 2018 12:56:28 +0800</pubDate><description><![CDATA[









]]></description><category></category></item><item><title><![CDATA[链表创建与翻转]]></title><link>https://blog.youkuaiyun.com/xh_hit/article/details/81812894</link><guid>https://blog.youkuaiyun.com/xh_hit/article/details/81812894</guid><author>xh_hit</author><pubDate>Sat, 18 Aug 2018 21:26:51 +0800</pubDate><description><![CDATA[
#include&amp;lt;iostream&amp;gt;
using namespace std;

typedef struct ListNode
{
	int val;
	struct ListNode *next;
	ListNode(int x) : val(x), next(NULL) {}
} ListNode, *LinkList;

class Solution
{
public:
	L...]]></description><category></category></item><item><title><![CDATA[SENets：Squeeze-and-Excitation Networks 论文阅读]]></title><link>https://blog.youkuaiyun.com/xh_hit/article/details/81054645</link><guid>https://blog.youkuaiyun.com/xh_hit/article/details/81054645</guid><author>xh_hit</author><pubDate>Sun, 15 Jul 2018 17:01:11 +0800</pubDate><description><![CDATA[概述：本文ILSVRC 2017 classification的冠军之作，着重考察了深度卷积各通道间的关系，提出了Squeeze-and-Excitation结构，是网络结构设计的一种新的思想。基于目前主流的Inception或者ResNet结构，Squeeze-and-Excitation结构也非常易于添加实现。Abstract：卷积通过在一定感受野内融合空间和各通道间的信息达到提取特征的目的，...]]></description><category></category></item><item><title><![CDATA[PANet：Path Aggregation Network for Instance Segmentation论文阅读]]></title><link>https://blog.youkuaiyun.com/xh_hit/article/details/81046299</link><guid>https://blog.youkuaiyun.com/xh_hit/article/details/81046299</guid><author>xh_hit</author><pubDate>Sat, 14 Jul 2018 18:34:05 +0800</pubDate><description><![CDATA[概述本文出自于港中文和腾讯优图，是COCO2017 instance segmentation的冠军作品。作者针对Mask-RCNN做了部分改进，笔者认为其两大贡献在于：bottom-up path augmentation 以及adaptive feature pooling。Abstract：层与层之间信息的传播在深度学习网络中至关重要，低层特征包含精准的位置信息，因此本文提出了bottom-...]]></description><category></category></item><item><title><![CDATA[LinkNet: Exploiting Encoder Representations for Efficient Semantic Segmentation论文阅读]]></title><link>https://blog.youkuaiyun.com/xh_hit/article/details/80672247</link><guid>https://blog.youkuaiyun.com/xh_hit/article/details/80672247</guid><author>xh_hit</author><pubDate>Tue, 12 Jun 2018 22:37:16 +0800</pubDate><description><![CDATA[概述取得了不错的效果，并兼顾的速度和准确性。以下是博主自己对于本文的拙见和翻译，不完全对，欢迎讨论。]]></description><category></category></item><item><title><![CDATA[PSPNet：Pyramid Scene Parsing Network论文阅读]]></title><link>https://blog.youkuaiyun.com/xh_hit/article/details/80670371</link><guid>https://blog.youkuaiyun.com/xh_hit/article/details/80670371</guid><author>xh_hit</author><pubDate>Tue, 12 Jun 2018 19:59:50 +0800</pubDate><description><![CDATA[概述这篇语义分割的论文出自于商汤，是ImageNet scene parsing challenge的冠军之作。作者将SPPNet中金字塔池化的方法用于语义分割，充分利用全局上下文（场景）信息，以及不同的局部子区域信息，取得很好的效果。以下是博主自己对于本文的拙见和翻译，不完全对，欢迎讨论。背景介绍自FCN以来，使用CNN进行语义分割取得快速的进展。一些主要的方法和技巧也随之发展，诸如dilate...]]></description><category></category></item><item><title><![CDATA[Ubuntu查看文件夹下文件的个数]]></title><link>https://blog.youkuaiyun.com/xh_hit/article/details/80651565</link><guid>https://blog.youkuaiyun.com/xh_hit/article/details/80651565</guid><author>xh_hit</author><pubDate>Mon, 11 Jun 2018 14:20:05 +0800</pubDate><description><![CDATA[在深度学习训练时，需要统计训练集图片的个数，因为图片的文件名不是连续整数，所以不可能挨个数。因此可用以下命令：Linux下统计当前文件夹下的文件个数、目录个数查看当前目录下的文件数量（不包含子目录中的文件）ls -l|grep &quot;^-&quot;| wc -l查看当前目录下的文件数量（包含子目录中的文件） 注意：R，代表子目录ls -lR|grep &quot;^-&quot;| wc -l查看当前目录下的文件夹目录个数（不包...]]></description><category></category></item><item><title><![CDATA[TensorRT Inference 引擎简介及加速原理简介]]></title><link>https://blog.youkuaiyun.com/xh_hit/article/details/79769599</link><guid>https://blog.youkuaiyun.com/xh_hit/article/details/79769599</guid><author>xh_hit</author><pubDate>Sat, 31 Mar 2018 19:40:39 +0800</pubDate><description><![CDATA[1.TensorRT简介

TensorRT是NVIDIA 推出的一款基于CUDA和cudnn的神经网络推断加速引擎，相比于一般的深度学习框架，在CPU或者GPU模式下其可提供10X乃至100X的加速，极大提高了深度学习模型在边缘设备上的推断速度。将TensorRT应用在NVIDIA 的TX1或者TX2上，可实现深度学习网络的时时推荐，且不需在内存较少的嵌入式设备上部署任何深度学习框架。

2.T...]]></description><category></category></item><item><title><![CDATA[cmake   ubuntu卸载源码安装的cmake]]></title><link>https://blog.youkuaiyun.com/xh_hit/article/details/79639930</link><guid>https://blog.youkuaiyun.com/xh_hit/article/details/79639930</guid><author>xh_hit</author><pubDate>Wed, 21 Mar 2018 14:57:10 +0800</pubDate><description><![CDATA[cmake的版本在ubuntu编译程序时至关重要，特别是编译他人的工程时，有时必须保证cmake的版本与工程所有者相同。对于cmake的卸载问题，现在一般博客中给的指导是：sudo apt-get remove cmake但是此句指令是针对于通过sudo apt-get install cmake 安装的用户。如果是从源码安装，以上删除方式则不能成功删除，因此对于源码安装的cmake，博主经过实践...]]></description><category></category></item><item><title><![CDATA[STDN:Scale-Transferrable Object Detection 论文阅读]]></title><link>https://blog.youkuaiyun.com/xh_hit/article/details/79512146</link><guid>https://blog.youkuaiyun.com/xh_hit/article/details/79512146</guid><author>xh_hit</author><pubDate>Sun, 11 Mar 2018 11:36:06 +0800</pubDate><description><![CDATA[概述这篇是CVPR 2018收录的上海交通大学电子系人工智能实验室物体检测方面的论文。博主认为此算法亦为SSD的改进分支，属于典型的one-stage物体检测模型，作者尝试通过尺度变换模块（scale-transfer module ）去解决物体检测中不同目标检测时的尺度问题，取得了不错的效果，并兼顾的速度和准确性。以下是博主自己对于本文的拙见和翻译，不完全对，欢迎讨论。STDN模型介绍为解决物体...]]></description><category></category></item><item><title><![CDATA[TX2安装cuda8.0搭建深度学习部署环境  CUDA cannot be installed on the device]]></title><link>https://blog.youkuaiyun.com/xh_hit/article/details/79284995</link><guid>https://blog.youkuaiyun.com/xh_hit/article/details/79284995</guid><author>xh_hit</author><pubDate>Thu, 08 Feb 2018 09:50:17 +0800</pubDate><description><![CDATA[]]></description><category></category></item></channel></rss>