今天训练网络时出现OOM的error，现总结几点调整方式OOM 是由GPU内存不够导致的溢出error，解决方法有以下几点：1. 降低batch，但是有些网络对batch有一定的要求，当batch=1时，BN失效。一般情况下，batch尽可能大一些，加速训练的同时可以获得较好的性能。2.降低filter数量3.降低buffer缓存，如下图所示，dataset.shuffle中的...

本人最近在研究路网生成算法，遇到瓶颈，借鉴卫星图识别的经典算法。1.Introduction:道路提取可视为二值语义分割任务，像素级二分类。卫星图路网分割的挑战：1. 输入的图像是高分辨率的，因此网络应该有大的接收范围，可以覆盖整个图像。2. 卫星图像中的道路往往细长复杂，覆盖了整个图像的一小部分。在这种情况下，保存详细的空间信息非常重要。3. 道路具有天然的连通性和较大的跨度...

python将图像目标区域转换为LineString、Polygon数据格式。import osimport numpy as npimport cv2from PIL import Imageimport matplotlib.pyplot as pltfrom tqdm import tqdmimport sknwfrom skimage.morphology import skeletoni

前言：许久不更新博客，在找工作、准备毕设之后，再放缓脚步，欣赏风景，思考人生。所谓最优停止理论，应用在如何找到事情的平衡点，以做出最好的决策。最优停止理论适用于信息不对等的情况下，即无法获取全部样本的情况。举例说明，在一线城市租房，需求大于供给，我们必须在看房期间作出决定，期间总是会担心两个事情：担心看过的好房子被别人抢走，还有其他好房子还没看到。这就要求我们必须在继续挑选和立刻下手之间...

本文入选AAAI 2020传统路网生成的方法分为三类：聚类/轨迹顺序扫描合并/密度。前两者基于点生成的line，在低采样频率时出现“伪捷径”，且无法处理平行道路。第三类基于点云，可以处理低采样频率，但是无法区分平行道路。本文提出deepMG模型生成路网，可以处理不同频率的轨迹点，且在拓扑中区分平行道路。deepMG包含两个部分：1.几何转换：T2RNet，提取两类轨迹特征作为输入，...

mAP，其中代表P（Precision）精确率。AP（Average precision）单类标签平均（各个召回率中最大精确率的平均数）的精确率，mAP(Mean Average Precision)所有类标签的平均精确率。1.准确率(accuracy)、精确率(Precision)、召回率(Recall)准确率(accuracy),精确率(Precision)和召回率(Recall)是信...

何凯明大佬的Focal Loss对交叉熵进行改进，主要解决分类问题中类别不均衡导致的模型训偏问题。在计算机视觉（CV）任务里常常会碰到类别不平衡的问题， 例如：1. 图片分类任务，有的类别图片多，有的类别图片少2. 检测任务。现在的检测方法如SSD和RCNN系列，都使用anchor机制。 训练时正负anchor的比例很悬殊.3. 分割任务， 背景像素数量通常远大于前景像素。...

（需要获取centos服务器的root权限）一、conda新建虚拟环境1.conda create -n py37 python=3.7二、安装步骤1.进入虚拟环境：source activate py372.安装open3d-python库：pip install -i https://pypi.tuna.tsinghua.edu.cn/simple open3d-python3.安装libgl

局部最优的问题(The problem of local optima)初学深度学习，总是担心优化算法会困在极差的局部最优。本文介绍如何正确看待局部最优以及深度学习中的优化问题。如上图，平面的高度就是损失函数。在图中似乎各处都分布着局部最优。梯度下降法或者某个算法可能困在一个局部最优中，而不会抵达全局最优。但是，问题的关键在于，低维特征（图示两维）让我们对局部最优产生误解。事实上，...

mAP，其中代表P（Precision）精确率。AP（Average precision）单类标签平均（各个召回率中最大精确率的平均数）的精确率，mAP(Mean Average Precision)所有类标签的平均精确率。1.准确率(accuracy)、精确率(Precision)、召回率(Recall)准确率(accuracy),精确率(Precision)和召回率(Recall)是信...