适定问题(well-posed problem)和不适定问题(ill-posed problem)都是数学领域的术语。前者需满足三个条件，若有一个不满足则称为"ill-posed problem"：1. a solution exists解必须存在2. the solution is unique解必须唯一3. the solution's be...

概率机器学习的系列博文已经写到第四篇了，依然关注者乏。虽说来只是自己的学习记录，不过这样下去显得自己贡献值比较低下。于是今天换一种模式来写博文——结合代码实现。欢迎各位指点交流~预备知识：1.朴素贝叶斯算法2.Python代码阅读能力：基于python3.6实现，无须安装机器学习模块。1. 半朴素贝叶斯的“半”前面说到，朴素贝叶斯(NB)的‘朴素’就体现在它假设...

目标检测作为一种经典CV任务，大致可以认为是三个子任务的集合：1. 确定目标大概位置；2. 分类出目标类别；3. 回归出检测框的宽高；这三种子任务分别需要对应损失函数的反传来学习。今天介绍的b-box回归损失函数主要是面向第三个子任务而设计的损失函数。1. IOU全称Intersection-Over-Union，即交并比。计算预测框和标注框(即GT框)的交并比，就可以知道它们的“贴合程度”好不好

实时目标检测一直是yolo系列的追求之一，从yolo v1开始，作者就在论文中强调real-time。在后期的v2和v3的发展过程中，慢慢在P&R(尤其是recall rate)上下不少功夫。同时，计算量的增大也牺牲了yolo的实时性。tiny-yolo是轻量级的yolo，在不那么要求mAP的场景下，tiny-yolo可以作为v2甚至v3的代替结构。事实上，对于无GPU的设备来讲，

基于TensorFlow可以轻而易举搭建一个神经网络，而且很好地支持GPU加速训练。但基于TensorFlow的预测过程，往往需要在嵌入式设备上才能得以应用。对于我目前做的工作而言，用TF搭建神经网络以及用GPU加速训练过程的主要用处就是：获取训练后的参数（权重和偏置），将这些参数直接放到嵌入式板卡如FPGA中，以其低功耗、高性能、低延时等特点完成嵌入式AI工程。那么，提取出TF训练后的参数变成很

我在用Ubuntu20.04源码编译安装COLMAP时，遇到了一个报错如上。Log显示GPU架构没被认出来。参考来自：https://github.com/colmap/colmap/issues/1944。

这篇博文主要介绍多视角三维重建的实用工具COLMAP。为了让读者更快确定此文是否为自己想找的内容，我先用简单几句话来描述此文做的事情： 假设我们针对一个物体（人）采集了多个（假设60个）视角的照片，希望用COLMAP实现：(1)通过不同视角之间的特征匹配算出每个视角的相机位资（内外参）；(2) 对物体进行初步的稀疏重建，完成多视角数据的可视化（详见图3）。

github有时候git clone太慢了，用国内镜像的话就可以大大加速。我目前发现2个镜像网站：https://hub.fastgit.orghttps://github.com.cnpmjs.org目前测评来看，第一个镜像比较稳定，速度也快。使用方法：将git clone https://github.com/xxx/xxx.git改成git clone https://hub.fastgit

GradCAM是经典的特征图可视化工具，在CV任务中，能用于分析CNN学到了什么东西。先看一张图：这就是GradCAM做出的效果，它直观地表示出咱们模型认为图片是Dog的是依据哪些地方。GradCAM借用梯度来进行注意力表示，发表于ICCV2017，如今依然活跃在学术和工程界。GradCAM原理对于视觉任务，包括图像分类、目标检测等，通常都是backbone+head的形式。如图1所示。所以，Gr

适定问题(well-posed problem)和不适定问题(ill-posed problem)都是数学领域的术语。前者需满足三个条件，若有一个不满足则称为"ill-posed problem"：1. a solution exists解必须存在2. the solution is unique解必须唯一3. the solution's be...