logo
publist
写文章

简介

该用户还未填写简介

擅长的技术栈

可提供的服务

暂无可提供的服务

深度学习中的concatenate使用

1. 在numpy中concatenate使用1.1 numpy.concatenate函数定义:numpy.concatenate((a1, a2, ...), axis=0, out=None)Parameters:a1, a2, … :sequence of array_like The arrays must have the same shape, ex...

#深度学习
linux服务器如何指定gpu以及用量

1.在终端执行程序时指定GPU   CUDA_VISIBLE_DEVICES=0    python  your_file.py  # 指定GPU集群中第一块GPU使用,其他的屏蔽掉CUDA_VISIBLE_DEVICES=1           Only device 1 will be seenCUDA_VISIBLE_DEVICES=0,1         Devices 0 an...

#深度学习#GPU#服务器
目标检测 Mask RCNN

论文: Mask R-CNN代码:一. Facebook: facebookresearch/Detectron二.Tensorflow: CharlesShang/FastMaskRCNN三.Keras and TensorFlow: matterport/Mask_RCNN四.MXNet:TuSimple/mx-maskrcnn五.Pytorch:multimodallearning/pyto

#目标检测
目标检测 RetinaNet

此篇论文获得了ICCV最佳学生论文奖,提出了Focal Loss。论文: Focal Loss for Dense Object Detection代码:一. Caffe2: facebookresearch/Detectron二. Keras: fizyr/keras-retinanet三. Pytorch: kuangliu/pytorch-retinanet论文解析:知乎:简单的交叉熵损失函

#目标检测
c++ 按分割符(忽略多次出现)切割string字符串

最近在做各家公司的笔试题,每次花在数据输入上时间很多,尤其是遇到字符串问题,总是卡壳。而其中最麻烦的就是输入一串字符串,以分隔符进行分隔,比如逗号,忽略出现多次的情况。因为C++不像python和Java有很好的库函数帮助我们,唯一可用的Boost库不能用,这也强迫我们使用自己定义的split函数了。所以,这篇文章也是自己的一个总结,希望自己以后可以查阅,也可以帮助其他需要的同学。1. 问题...

目标检测-SSD

下面是SSD的学习论文:SSD: Single Shot MultiBox Detector代码:一. caffe: weiliu89/caffe论文解析:知乎:SSD目标检测CSDN:目标检测算法之SSDCSDN:SSD原理解读-从入门到精通CSDN:最详细的目标检测SSD算法讲解以后有什么在补充的,继续更新。...

#目标检测
目标检测 RetinaNet

此篇论文获得了ICCV最佳学生论文奖,提出了Focal Loss。论文: Focal Loss for Dense Object Detection代码:一. Caffe2: facebookresearch/Detectron二. Keras: fizyr/keras-retinanet三. Pytorch: kuangliu/pytorch-retinanet论文解析:知乎:简单的交叉熵损失函

#目标检测
python中的easydict模块使用

EasyDict可以让你像访问属性一样访问dict里的变量。1. 问题d = {'foo':3, 'bar':{'x':1, 'y':2}}print(d['foo'])# 如何想要访问字典的元素需要这么写print(d['bar']['y'])# 如果想要继续访问字典中字典的元素需要使用二维数组# print(d.foo) 这样写会出错哦!输出:3...

#深度学习
文献阅读:CrossNet: An End-to-end Reference-based Super Resolution Network using Cross-scale Warping

文章地址:https://arxiv.org/abs/1807.10547视频地址:https://www.youtube.com/watch?v=7htEaaNkxG8作者的项目地址:ECCV2018_CrossNet_RefSR1.1 简单介绍    目前除了SISR(Single imag

文献阅读:Fast, Accurate, and Lightweight Super-Resolution with Cascading Residual Network

文章地址:https://arxiv.org/abs/1803.08664作者的项目地址:CARN-Pytorch1 简单介绍    作者说目前的主流的方法都是奔着性能表现去的,并没有考虑实际应用的情况。所以作者在本篇文章中提出一种快速,精确并且轻量级的网络。2 网络介绍&nbs

    共 25 条
  • 1
  • 2
  • 3
  • 请选择