原创 self.info["photoshop"] = photoshop UnboundLocalError: local variable 'photoshop' referenced before

Initializing Datasets and Dataloaders... Clipping input data to the valid range for imshow with RGB data ([0..1] for fl

原创 maskrcnn_benchmark-----Step-by-step tutorial 如何訓練自己的數據集以及網絡的finetune

https://github.com/facebookresearch/maskrcnn-benchmark/issues/521 ps:如果只需要fintune的話,直接看第二部分,是可以查看model的各個鍵值的,然後根據需要進行刪減

原创 人體姿態估計數據集整理(Pose Estimation/Keypoint):MSCOCO(逐年)、LSP、FLIC、MPII、AI Challenge及打分標準

姿態估計等數據集收集整理; LSP:     樣本數:2K     關節點個數:14     全身,單人 Leeds Sports Dataset [12]及其擴展[13],我們將通過LSP共同表示。它們包含11000個訓練和100

原创 關於卷積的 非常形象的圖

圖是別的博客轉載知乎的,沒給地址,我也不知道原作是誰,畫的很好,感謝。 但下面第一張圖的最上面應該改爲:Feature Matric:()  卷積的實現思想: 將image轉爲一個matrix,將卷積操作轉爲矩陣乘法運算 看下第二幅圖

原创 卷積核膨脹詳細解析

原文:https://blog.csdn.net/jiongnima/article/details/69487519  const int kernel_extent = dilation_data[i] * (kernel_shape

原创 import scipy.sparse VS from scipy.sparse import csr_matrix VS scipy csr_matrix

import scipy.sparse scipy.sparse.csr_matrix( np.empty((0, self.num_classes), dtype=np.float32) ) 報錯。 解決辦法: from sci

原创 全局平均池

全連接層上的全局平均池的一個優點是,通過強制特徵映射和類別之間的對應,它對卷積結構更加本地化。因此,特徵圖可以容易地解釋爲類別置信度圖。另一個優點是在全局平均池中沒有優化參數,因此在該層避免過度擬合。 沒什麼好處,只是比fc參數少。cv裏

原创 【論文閱讀】佔坑Bag of Freebies for Training Object Detection Neural Networks

佔坑論文:Bag of Freebies for Training Object Detection Neural Networks 本文提出了訓練增強祕籍,在inference環境下引入零開銷,顯著提高模型性能。YOLOv3和Faste

原创 COCO 數據集的使用,以及下載鏈接

轉於:https://www.cnblogs.com/q735613050/p/8969452.html Windows 10 編譯 Pycocotools 踩坑記 COCO數據庫簡介 一、下載鏈接 [1] - train2014

原创 fatal: unable to access igit Failed to connect to 127.0.0.1 port 1080

fatal: unable to access igit/ 'https://github.com/XXXXX': Failed to connect to 127.0.0.1 port 1080   之前按照https://www.zh

原创 用我雯示意,圖像的加載、讀取、轉換、熱圖。 OpenCV彩色轉爲灰度圖、通道拆分(cv2.split)及合併(cv2.merge)

圖像加載問題 使用pytorch製作圖像數據集時,需要將存儲在磁盤、硬盤的圖像讀取到內存中,涉及到圖像I/O問題。 在python中,圖像處理主要採用的庫:skimage, opencv-python, Pillow (PIL)。 這三個

原创 對FCN的改進,關於dilaition和DUC

Understanding Convolution for Semantic Segmentation http://www.cnblogs.com/xiangs/p/9780895.html https://blog.csdn.net/

原创 FCN

後記: 傳統方法使用patchwise training,爲了對像素進行分類,對該像素周圍的一個圖像塊作爲CNN的輸入,這樣做有幾個問題: (1)存儲開銷大;(2)計算效率低下,因爲相鄰像素塊的內容基本重複;(3)像素塊的大小限制了感知區

原创 Faster RCNN中RPN理解(需要訓練得到粗略proposals的)

fast+fpn=faster rcnn 之前已經用過RPN,因爲重心一直在修改我自己的網絡結構上,這次重新涉及到此部分的優化(Guided Anchoring: 物體檢測器也能自己學 Anchor),重新審視了一下RPN,記錄一下。