Xiongchao99的博客

安装ROS时，rosdep init出错的解决办法@TOC

1、神经网络基本原理介绍：（1）深度神经网络（DNN）模型与前向传播算法：http://www.cnblogs.com/pinard/p/6418668.html（2）深度神经网络（DNN）反向传播算法(BP)：http://www.cnblogs.com/pinard/p/6422831.html（3）深度神经网络（DNN）损失函数和激活函数的选择：http://

转载自：http://blog.youkuaiyun.com/fabulousli/article/details/78633531在FCN网络在2104年提出后，越来越多的关于图像分割的深度学习网络被提出，相比传统方法，这些网络效果更好，运算速度更快，已经能成熟的运用在自然图像上。语义分割显然已经是计算机视觉领域的一个热门研究领域，也是通往实现完全场景理解的道路之一，被广泛应用于无人驾驶、人机交互、医疗图

以下问题是在Ubuntu下用faster rcnn(caffe与matlab)训练时所遇到的，我的解决方法不见得对其他人都使用：1、错误使用 containers.Map/values，此容器中不存在指定的键。出错 roidb_from_voc>attach_proposals (line 172)gt_classes = class_to_id.values({voc_rec.objec

转载自：http://blog.youkuaiyun.com/zoro_lov3/article/details/74550735 **FCN制作自己的数据集、训练和测试全流程** 花了两三周的时间，在导师的催促下，把FCN的全部流程走了一遍，期间走了很多弯路，现在记录一下。系统环境：ubuntu 16.04LTS一、数据集的制作 注：我的数据集是仿照VOC数据集进行制作的1.resi

有系统自带的Python2.7，同时又安装Anoconda3（Python3.5），那么系统就拥有两种Python环境。这样对于各种环境下的包安装和应用运行环境选择：（1）安装命令：pip——>Python2.7环境；pip3——>Python3.5环境；（2）运行命令：①：sudo python ……——>Python2.7环境；python ……——>Python3.5环境；②

在确保自己安装成功caffe后，import caffe等类似导入时，出现上述错误可以再import caffe前面添加以下两句命令：import syssys.path.insert(0, '/home/hustac/caffe/python') #/home/hustac/caffe/python是我的caffe编译地址

转载自：http://blog.youkuaiyun.com/ying86615791/article/details/71194209所需文件及程序1,caffe2,cuda8.03,cudnn5.11,NIVIDA显卡驱动安装先禁用nouveau驱动：(本机只有独显，GTX780Ti，如果是独显+核显的可能不一样)先去 /etc/modprobe.d/blacklist.conf中最

【引子】2013年，来自微软的rbg大神发表了基于深度学习的detection方法：R-CNN。一年以后，大神单枪匹马又将自己之前的工作提升到了一个新的水平（fast R-CNN）。2015年，来自微软亚洲研究院的Shaoqing Ren，Kaiming He研究组在rbg的基础上，进一步地将该方法提升到了实时的水平（faster R-CNN），这也是我们今天的主题。值得说明的

转载自：http://blog.youkuaiyun.com/wei_guo_xd/article/details/78579534环境：Ubuntu16.04+cuda8.0+cudnn6.0+Anaconda3.4.1.1+tensorflow1.4.1+keras2.1.3**注意**：（1）Mask Rcnn要求tensorflow1.3+，而如果需要使用cuDNN的话，tensorflow1

现在，官方版开源代码终于来了。同时发布的，是这项研究背后的一个基础平台：Detectron。官方地址：https://github.com/facebookresearch/DetectronDetectron是Facebook的物体检测平台，今天宣布开源，它基于Caffe2，用Python写成，这次开放的代码中就包含了Mask R-CNN的实现。除此之外，Detectron还包含了ICCV 20...

简介论文地址：Mask R-CNN 源代码：matterport - github代码源于matterport的工作组，可以在github上fork它们组的工作。软件必备复现的Mask R-CNN是基于Python3，Keras，TensorFlow。Python 3.4+TensorFlow 1.3+Keras 2.0.8+Jupyter NotebookNu...

转载自：https://blog.youkuaiyun.com/l297969586/article/details/79140840 本文是转载的，但可以做个补充：将model.train()的头结构训练阶段的epochs=1改为较大的数，如100，将全网络训练的epochs=1改为200，可以在tensorboard上得到较为平滑的loss曲线。如果不改，得到的loss曲线是一条直线（只保存了两...

RCNN RCNN（Regions with CNN features）是将CNN方法应用到目标检测问题上的一个里程碑，由年轻有为的RBG大神提出，借助CNN良好的特征提取和分类性能，通过RegionProposal方法实现目标检测问题的转化。 算法可以分为四步： 1）候选区域选择 Region Proposal是一类传统的区域提取方法，可以看

转载自：http://blog.youkuaiyun.com/wei_guo_xd/article/details/78579473matterport/Mask_RCNN官方教程这是一个基于python3,keras和tensorflow的mask rcnn模型。这个模型对图像中的每一个目标实例产生候选框和分割掩膜。这个模型基于特征金字塔网络（Feature Pyramid Network, FPN）和

一. Mask-RCNN 介绍 上篇文章介绍了 FCN，这篇文章引入个新的概念 Mask-RCNN，看着比较好理解哈，就是在 RCNN 的基础上添加 Mask。 Mask-RCNN 来自于年轻有为的 Kaiming 大神，通过在 Faster-RCNN 的基础上添加一个分支网络，在实现目标检测的同时，把目标像素分割出来。 论文下载：Mask R-CN

硬件配置：台式机、i7处理器、NVIDIA GTX1080显卡、32G内存系统：Ubuntu16.04.2 LTS(64bit)显卡驱动：ppa上的最新版nvidia 378.131、CUDA8.0安装参考：http://www.52nlp.cn/%E6%B7%B1%E5%BA%A6%E5%AD%A6%E4%B9%A0%E4%B8%BB%E6%9C%BA%E7%8E%A

1、我的机子是：联想32位、双显卡（intel集显和nvidia独显），ubuntu是32位的ubuntu12.04.05版本，属于长期支持版本，在ubuntu官网下载，我是用u盘安装的，过程不再累述，自行百度谷歌。2、由于双显卡，所以系统安装好以后要安装独显驱动不可直接到nvidia官网下载安装，否则可能会造成重启后无法进入系统。对于双显卡，常见方法是使用安装bumble

caffe自带的mnist模型训练好后，使用该模型测试手写字识别精度sudo ./build/tools/caffe.bin test -model=examples/mnist/lenet_train_test.prototxt -weights=examples/mnist/lenet_iter_5000.caffemodel

1、首次使用su（超级管理员模式），设置管理员密码：sudo passwd，然后输入su的密码即可。进入管理员模式只需输入指令su，然后输入su密码即可。2、包括intel集成显卡和nvidia独显的双显卡机，要按装nvidia驱动，需使用Bumblebee(大黄蜂)的安装实现，命令如下：sudoadd-apt-repository ppa:bumblebee/stablesu

在介绍Faster R-CNN之前，先来介绍一些前验知识，为Faster R-CNN做铺垫。一、基于Region Proposal（候选区域）的深度学习目标检测算法Region Proposal（候选区域），就是预先找出图中目标可能出现的位置，通过利用图像中的纹理、边缘、颜色等信息，保证在选取较少窗口（几千个甚至几百个）的情况下保持较高的召回率（IoU，Intersection-over-Union

CNN转载自：http://blog.youkuaiyun.com/zhongkeli/article/details/51854619在介绍CNN网络之前，我们先介绍下卷积的含义：大家学习数学时都有学过卷积的知识，微积分中卷积的表达式为：S(t)=∫x(t−a)w(a)daS(t)=∫x(t−a)w(a)da离散形式是：s(t)=∑ax(t−a)w(a)s(t)=∑ax(t−a)w(a)这个式子

转载自：http://blog.youkuaiyun.com/zhuiqiuk/article/details/72935081关于卷积神经网络CNN，网络和文献中有非常多的资料，我在工作/研究中也用了好一段时间各种常见的model了，就想着简单整理一下，以备查阅之需。如果读者是初接触CNN，建议可以先看一看“Deep Learning（深度学习）学习笔记整理系列”中关于CNN的介绍[1]，是介绍我们常说的Le

神经网络之激活函数(Activation Function)转载自：http://blog.youkuaiyun.com/cyh_24/article/details/50593400 本博客仅为作者记录笔记之用，不免有很多细节不对之处。 还望各位看官能够见谅，欢迎批评指正。 更多相关博客请猛戳：http://blog.youkuaiyun.com/cyh_24 如需转载，请附上本文链接：http://blog.

机器学习1、SVM分类器答：SVM算法就是找一个超平面，并且它到离他最近的训练样本的距离要最大。即最优分割超平面最大化训练样本边界。如下图所示，就是将两种不同类别的样本特征分隔开，且分割面要在最优分隔位置：注意：1）两个虚线称为间隔边界，两个虚线间的距离Gap就称为分类间隔（margin），大小为2/||w||，||w||表示向量的二范数也就是该向量的模；例如，

转载自：http://www.cnblogs.com/rainsoul/p/6247779.html首先将这个问题分为分类问题与检测问题两个方面进行理解：（1）在分类问题中，这个问题相对好理解一点，比如人脸识别中的例子，正样本很好理解，就是人脸的图片，负样本的选取就与问题场景相关，具体而言，如果你要进行教室中学生的人脸识别，那么负样本就是教室的窗子、墙等等，也就是说，不能是与你要研究的问题

转载自：http://blog.youkuaiyun.com/u010402786/article/details/72883421 一 全卷积神经网络文章所有代码已上传至github，觉得好用就给个star吧，谢谢https://github.com/315386775/FCN_train深度学习图像分割（FCN）训练自己的模型大致可以以下三步：1.为自己的数据制作label；2.将自

1、第一种方式：直接文本编辑模式下新建编辑filename.py文件，然后终端使用python命令编译。但要注意如果filename.py不是在caffe根目录下的python文件（我的是/home/xxx/caffe/python/）中新建的，那么需要在python文件中添加python接口文件目录，如下语句：caffe_root='/home/xxx/caffe/' import sys