该代码对于一张图进行heatmap图片的可视化，会存储coco的17组关节点图片，即每一个heatmap包含图片中所有人体的同一关节点位置。 ##生成heatmap import os import numpy as np import json import cv2 from itertools import groupby import random from matplotlib import pyplot as plt dataset_dir = "D:/send_paper/COCO val2017/val2017/" dataset_save = "D...

语义分割大全 https://github.com/Tramac/awesome-semantic-segmentation-pytorch 可带劲了 模型 https://github.com/LikeLy-Journey/SegmenTron/releases/download/v0.1.0/resnet50-25c4b509.pth https://data.lip6.fr/cadene/pretrainedmodels/

创建XML文件 首先导入库文件 import xml.dom.minidom as minidom  为了创建如下所示的xml文件我们编写如下代码 <?xml version="1.0" encoding="utf-8"?> <annotation> <source> <filename>A</filename> <origin>B</origin> </source> <research> <version>4.0</versi...

vscode连接docker远程调试 太坑了吧，大致先说一下，先用remote-ssh连接远程服务器，在命令行中启动docker，在docker容器中配置ssh连接，启动ssh连接。在vscode再用remote-ssh连接docker进行远程调试。  docker容器配置ssh，修改ssh的config使得允许root用户远程登录 https://www.cnblogs.com/cookiewu/p/9664062.html 注意要在/ect/ssh/sshd-config中修改配置，才能使得root用户访问  #PermitRootLogin prohibit-password#要把这一项...

ubuntu系统配置git及github  1.安装配置git服务器 配置ssh公钥 使用github管理项目 仓库初始化：进入需要版本控制的项目目录（本机需要上传的目录） git常用命令   1.安装配置git服务器  安装ssh: sudo apt-get install openssh-server openssh-client 启动ssh服务器：sudo /etc/init.d/ssh restart 安装git服务器：sudo apt-get install git-core  配置ssh公钥  本地生成ssh公钥：ssh-keygen -C '你的邮箱地址' -t rsa 注： 这...

利用unity制作自己的目标检测数据集  搭建场景 利用射线检测目标模型碰撞 提取外接矩形并生成label信息   搭建场景  首先搭建需要进行训练的目标场景 对需要进行标注的三维模型设置标签，这里是为了便于射线去检测目标物体进而生成mask。  利用射线检测目标模型碰撞 1.这里直接放代码  Ray ray; RaycastHit hitInfo; public void savethepng(int id) {  Texture2D tex = new Texture2D(720, 540);//初始化mask的大小，一般与当前game视图的大小一致 int[][] f = new int...

cs231n_KNN  KNN原理 KNN类 小tips   KNN原理 KNN 就是 k-Nearest Neighbor, 过程如下：  train: 将数据集的数据和对应的标签读入到类中 test: 首先计算一个矩阵（num_test, num_train）存储测试集中每一个数据与训练集中每个数据的距离，这里我们采用L2距离进行计算。 随后在测试第i张测试图像时，我们选取距离最小的前k个训练图片，将其对应的label存入到closest_y中，然后找出出现次数最多的label，将其作为该测试图像的预测结果。  KNN类 import numpy as np from past.built...

cs231n_Linear_svm  Linear_svm原理 代码 小tips   Linear_svm原理  SVM损失：计算了所有不正确的例子，将所有不正确类别的评分与正确类别评分之差再加1，将得到的数值与0比较，取二者最大，然后将所有数值进行求和。 计算分数：  s = f ( x , W ) = W x s=f(x,W)=Wx s=f(x,W)=Wx 计算完全损失（有正则项）：   代码 主要是矩阵实现程序 import numpy as np from random import shuffle from past.builtins import xrange def svm_lo...

Softmax作业 Softmax原理   softmax classifier(Multinomial Logistic Regression)。其中softmax函数的表达式为 P ( Y = k ∣ X = x i ) = e s k ∑ j e s j P(Y=k|X=x_i)=\frac{e^{s_k}}{\sum_j{e^{s_j}}} P(Y=k∣X=xi​)=∑j​esj​esk​​其中 s = f ( x i ; W ) s=f(x_i;W) s=f(xi​;W)由公式可知当预测越准确时 P P P越大，因此损失函数为 L i = − l o g P ( Y = y i ∣ ...

features 作业 features原理  改变只将原图的像素作为特征表示，将原图的hog特征，作为该图的特征表示 改变只将原图的像素作为特征表示，将原图的颜色直方图作为该图的特征表示  features.ipynb   训练SVM on features # Use the validation set to tune the learning rate and regularization strength from cs231n.classifiers.linear_classifier import LinearSVM learning_rates = [1e-9, 1e-8, 1...

two_layer_net two_layer_net原理 首先该模型的主要公式为 f = W 2 m a x ( 0 , W 1 x + b 1 ) + b 2 f=W_2max(0,W_1x+b_1)+b_2 f=W2​max(0,W1​x+b1​)+b2​, 在计算梯度时，首先计算 W 2 W_2 W2​的梯度，然后计算 W 1 W_1 W1​的梯度 Propagation:  F C 1 o u t = X . W 1 + b 1 FC_1out=X.W_1+b_1 FC1​out=X.W1​+b1​  H o u t = m a x i m u m ( 0 , F C 1 o u t...

Batch Normalization 原理与总结 Batch Normalization 能够使得数据进行归一处理，可以解决内部协变量偏移，可以缓解梯度饱和问题。 公式：  μ = 1 m ∑ i = 1 m x i \mu = \frac{1}{m}\sum_{i=1}^mx_i μ=m1​∑i=1m​xi​ 求出数据的均值  σ 2 = 1 m ∑ i = 1 m ( x i − μ ) 2 \sigma^2 = \frac{1}{m}\sum_{i=1}^m(x_i-\mu)^2 σ2=m1​∑i=1m​(xi​−μ)2 求出数据的方差  x ^ i = x i − μ σ 2 + ϵ...

Dropout 原理与总结 Dropout的原理比较简单，主要随机失活部分神经元，通过小模型集成的方式增加模型的鲁棒性，在反向传播时要记得进行尺度恢复。 作业实现 dropout_forward 利用np.random.rand取得（0,1）之间的随机数，统计数量大小进行随机失活  测试结果：  dropout_backward 要注意要恢复尺度，除以失活系数p  Regularization experiment 分别测试不同的p，分别为0,0.25,0.5,0.75  Question Explain what you see in this experiment. What does i...

ConvolutionalNetworks 原理与总结  卷积过程就是利用卷积核在原始图像或者特征图上进行卷积操作，卷积核的个数决定了最终卷积获得的特征层层数 作业实现 conv_forward_navie 这个函数通过四个for循环，首先在每一张图像上的每一个像素执行不同卷积核的卷积操作。在卷积之前还需要进行原图的padding  测试结果：  Aside: Image processing via convolutions 该模块通过指定卷积核的数值，实现边缘提取 测试结果：  Naive backward pass 反向传播  测试结果：  Maxpooling:Naive forwar...