原创 colmap安裝報錯解決

在ubuntu16.04上安裝colmap,在make到最後時,出現link錯誤, 問題描述: [ 98%] Linking CXX static library libui.a [ 98%] Built target ui

原创 ContextDesc: Local Descriptor Augmentation with Cross-Modality Context 解讀

基於跨模態上下文的局部描述子增強 github:https://github.com/lzx551402/contextdesc 論文:https://arxiv.org/abs/1904.04084 轉載註明出處! 1.早期特徵

原创 Ubuntu opencv3.4.1 CUDA9 編譯錯誤: 'cuda_compile_generated_gpu_mat.cu.o'

錯誤提示: cuda_compile_generated_gpu_mat.cu.o 可能是gcc版本的問題,外網類似問題, sudo apt install gcc-5 g++-5 cd opencv3.4.1 mkdir bui

原创 Mask-RCNN之PyramidROIAlign代碼賞析

class PyramidROIAlign(KE.Layer): """Implements ROI Pooling on multiple levels of the feature pyramid. Para

原创 keras--多GPU訓練

from keras.callbacks import TensorBoard, ModelCheckpoint from keras.utils import multi_gpu_model # 導入keras多卡函數

原创 Keras--如何調整學習率

在訓練模型時,有時我們需要隨着訓練的深入調整學習率, 這裏介紹幾種Keras常用方式 from keras.callbacks import Callback class LinearDecayLR(Callback):

原创 自用--np.stack(), np.vstack(), np.hstack()

np.stack(list or tuple , axis=0, out=None) axis寫的是哪個維度,就在哪個維度插入疊加的數組的總數 >>> arrays = [np.random.randn(3, 4) f

原创 使用mathtype後,word自動生成目錄中出現“Equation Chapter (Next) Section 1字樣”

問題來源 相信很多學生在寫論文的時候會用用到很多的公式,不可避免的就要寫公式的編號,真的是相當麻煩,如果你是手寫的話。 所以啊一般會在word 中使用mathtype的自動生成編號功能,具體怎麼用呢: 首先你創建一個章節斷點,比如說

原创 tensorflow object_detection api ERROR:tensorflow:Model diverged with loss = NaN.

進行遷移學習時,使用model_main.py進行訓練,無腦報錯#“ERROR:tensorflow:Model diverged with loss = NaN.”。後來上github一查,看了一些言論,應該是版本問題,可以替換爲m

原创 win10安裝tensorflow object_detection API

環境: win10 Anaconda3.6 tensorflow-gpu==1.9.0 CUDA7 + cudnn9 安裝: 下載object_detection項目 https://github.com/tensorflow/

原创 pip/pip3更換國內源

用途:pip更換爲國內源,可以大大的提高安裝成功率和速度。 Windows更換pip/pip3源 打開目錄:%appdata% 新增pip文件夾,新建pip.ini文件 給pip.ini添加以下內容 [global] timeou

原创 SSD中anchor_sizes是如何得到的,全解析.

想研究SSD的同學一定看過tensorflow實現的SSD的源碼,想必對很多參數一臉矇蔽(我就是) default_params = SSDParams( img_shape=(300, 300), n

原创 SSD的anchor_box計算

看過SSD的tensorflow實現的小夥伴一定對anchor_box的計算很是好奇, 網上也是五花八門的解釋,今天我結合源碼和原理來解釋一下. default_params = SSDParams( img_shap

原创 SSD中feat_shapes與anchor_steps的對應問題

feat_shapes=[(38, 38), (19, 19), (10, 10), (5, 5), (3, 3), (1, 1)] anchor_steps=[8, 16, 32, 64, 100, 300], 按理說anchor

原创 SoftMax推導,SoftMax-Loss推導

全連接層的輸入是最後一個卷積層的輸出, 假設是100x4x4(通道數chanel = 100, featureMap = 4x4)的tensor, 輸入到全連接層之前需要平展爲N*1的向量(N=100x4x4), 這就是X. W是全