博客园 - hejunlin
uuid:24b78886-0ed1-41c2-8670-e3f31dcf42c4;id=55480
2022-05-03T14:10:00Z
hejunlin
https://www.cnblogs.com/hejunlin1992/
feed.cnblogs.com
https://www.cnblogs.com/hejunlin1992/p/16219673.html
基于51单片机的简易“视频播放器” - hejunlin
介绍 本文介绍在51单片机上,使用OLED12864(SSD1306)播放视频,并且使用蜂鸣器播放音乐。 (因为是gif的原因,看着会比较卡,实际上是不会有卡顿的,实际效果可以看文末的视频链接) 最终的效果如下: 播放bad apple的效果: 播放数码宝贝的效果: 使用到的主要元器件如下: 国产5
2022-05-03T14:10:00Z
2022-05-03T14:10:00Z
hejunlin
https://www.cnblogs.com/hejunlin1992/
【摘要】介绍 本文介绍在51单片机上,使用OLED12864(SSD1306)播放视频,并且使用蜂鸣器播放音乐。 (因为是gif的原因,看着会比较卡,实际上是不会有卡顿的,实际效果可以看文末的视频链接) 最终的效果如下: 播放bad apple的效果: 播放数码宝贝的效果: 使用到的主要元器件如下: 国产5 <a href="https://www.cnblogs.com/hejunlin1992/p/16219673.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/hejunlin1992/p/13474940.html
Fully Convolutional Networks for Semantic Segmentation - hejunlin
FCN论文地址:https://arxiv.org/abs/1411.4038 FCN源代码地址:https://github.com/shelhamer/fcn.berkeleyvision.org 图像语义分割(Semantic Segmentation)是对图像中每一个像素点进行分类,确定每个
2020-08-11T04:58:00Z
2020-08-11T04:58:00Z
hejunlin
https://www.cnblogs.com/hejunlin1992/
【摘要】FCN论文地址:https://arxiv.org/abs/1411.4038 FCN源代码地址:https://github.com/shelhamer/fcn.berkeleyvision.org 图像语义分割(Semantic Segmentation)是对图像中每一个像素点进行分类,确定每个 <a href="https://www.cnblogs.com/hejunlin1992/p/13474940.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/hejunlin1992/p/13460950.html
Partial Order Pruning: for Best Speed/Accuracy Trade-off in Neural Architecture Search - hejunlin
CVPR 2019文章 github地址:https://github.com/lixincn2015/Partial-Order-Pruning 目前大多数设计高精度网络结构的工作通常采用FLOP来评估网络的复杂度。但是仅仅FLOP指标不能真正决定实际的推理速度。比如说,在硬件和软件高度优化的Nv
2020-08-08T15:10:00Z
2020-08-08T15:10:00Z
hejunlin
https://www.cnblogs.com/hejunlin1992/
【摘要】CVPR 2019文章 github地址:https://github.com/lixincn2015/Partial-Order-Pruning 目前大多数设计高精度网络结构的工作通常采用FLOP来评估网络的复杂度。但是仅仅FLOP指标不能真正决定实际的推理速度。比如说,在硬件和软件高度优化的Nv <a href="https://www.cnblogs.com/hejunlin1992/p/13460950.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/hejunlin1992/p/13443253.html
实例分割综述 - hejunlin
论文:A Survey on Instance Segmentation: State of the art 论文地址: https://arxiv.org/abs/2007.00047 目标检测( Object detection)不仅需要提供图像中物体的类别,还需要提供物体的位置(boundin
2020-08-05T14:29:00Z
2020-08-05T14:29:00Z
hejunlin
https://www.cnblogs.com/hejunlin1992/
【摘要】论文:A Survey on Instance Segmentation: State of the art 论文地址: https://arxiv.org/abs/2007.00047 目标检测( Object detection)不仅需要提供图像中物体的类别,还需要提供物体的位置(boundin <a href="https://www.cnblogs.com/hejunlin1992/p/13443253.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/hejunlin1992/p/13384782.html
YOLOv4: Optimal Speed and Accuracy of Object Detection - hejunlin
Abstract 目前有很多方法来提升CNN的精度。有些方法或者特征只适用于特定的模型或者特定的问题或者小规模的数据集;但是有些方法比如 batch-normalization和residual-connections适用于大多数模型、任务和数据集。我们假定这些通用的特征或者方法包括 Weighte
2020-07-27T04:16:00Z
2020-07-27T04:16:00Z
hejunlin
https://www.cnblogs.com/hejunlin1992/
【摘要】Abstract 目前有很多方法来提升CNN的精度。有些方法或者特征只适用于特定的模型或者特定的问题或者小规模的数据集;但是有些方法比如 batch-normalization和residual-connections适用于大多数模型、任务和数据集。我们假定这些通用的特征或者方法包括 Weighte <a href="https://www.cnblogs.com/hejunlin1992/p/13384782.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/hejunlin1992/p/13266054.html
CornerNet: Detecting Objects as Paired Keypoints - hejunlin
目前大部分常用的目标检测算法都是基于anchor的,比如Faster RCNN系列,SSD,YOLO(v2、v3)等,引入anchor后检测效果提升确实比较明显(比如YOLO v1和YOLO v2),但是引入anchor的缺点在于:1、正负样本不均衡。大部分检测算法的anchor数量都成千上万,但是
2020-07-08T03:42:00Z
2020-07-08T03:42:00Z
hejunlin
https://www.cnblogs.com/hejunlin1992/
【摘要】目前大部分常用的目标检测算法都是基于anchor的,比如Faster RCNN系列,SSD,YOLO(v2、v3)等,引入anchor后检测效果提升确实比较明显(比如YOLO v1和YOLO v2),但是引入anchor的缺点在于:1、正负样本不均衡。大部分检测算法的anchor数量都成千上万,但是 <a href="https://www.cnblogs.com/hejunlin1992/p/13266054.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/hejunlin1992/p/13100080.html
为什么LSTM可以防止梯度消失?从反向传播的角度分析 - hejunlin
为什么LSTM可以防止梯度消失?从反向传播的角度分析 本文原文链接:https://weberna.github.io/blog/2017/11/15/LSTM-Vanishing-Gradients.html LSTM:温和的巨人 相比于RNN,虽然LSTM(或者GRU)看上去复杂而臃肿,但是LS
2020-06-12T08:11:00Z
2020-06-12T08:11:00Z
hejunlin
https://www.cnblogs.com/hejunlin1992/
【摘要】为什么LSTM可以防止梯度消失?从反向传播的角度分析 本文原文链接:https://weberna.github.io/blog/2017/11/15/LSTM-Vanishing-Gradients.html LSTM:温和的巨人 相比于RNN,虽然LSTM(或者GRU)看上去复杂而臃肿,但是LS <a href="https://www.cnblogs.com/hejunlin1992/p/13100080.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/hejunlin1992/p/13033466.html
机器学习中的正则化 - hejunlin
机器学习中使用正则化来防止过拟合是什么原理? 什么是过拟合?在训练集上拟合非常好,在测试集上泛化非常差。另一种说法是, 当我们提高在训练数据上的表现时,在测试数据上反而下降。 过拟合现象有多种解释: 经典的是bias-variance decomposition ,但个人认为这种解释更加倾向于直观理
2020-06-02T12:16:00Z
2020-06-02T12:16:00Z
hejunlin
https://www.cnblogs.com/hejunlin1992/
【摘要】机器学习中使用正则化来防止过拟合是什么原理? 什么是过拟合?在训练集上拟合非常好,在测试集上泛化非常差。另一种说法是, 当我们提高在训练数据上的表现时,在测试数据上反而下降。 过拟合现象有多种解释: 经典的是bias-variance decomposition ,但个人认为这种解释更加倾向于直观理 <a href="https://www.cnblogs.com/hejunlin1992/p/13033466.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/hejunlin1992/p/13027288.html
从 SGD 到 Adam —— 常见优化算法总结 - hejunlin
1 概览 虽然梯度下降优化算法越来越受欢迎,但通常作为黑盒优化器使用,因此很难对其优点和缺点的进行实际的解释。本文旨在让读者对不同的算法有直观的认识,以帮助读者使用这些算法。在本综述中,我们介绍梯度下降的不同变形形式,总结这些算法面临的挑战,介绍最常用的优化算法,回顾并行和分布式架构,以及调研用于优
2020-06-01T12:23:00Z
2020-06-01T12:23:00Z
hejunlin
https://www.cnblogs.com/hejunlin1992/
【摘要】1 概览 虽然梯度下降优化算法越来越受欢迎,但通常作为黑盒优化器使用,因此很难对其优点和缺点的进行实际的解释。本文旨在让读者对不同的算法有直观的认识,以帮助读者使用这些算法。在本综述中,我们介绍梯度下降的不同变形形式,总结这些算法面临的挑战,介绍最常用的优化算法,回顾并行和分布式架构,以及调研用于优 <a href="https://www.cnblogs.com/hejunlin1992/p/13027288.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/hejunlin1992/p/13022391.html
谈谈神经网络权重为什么不能初始化为0 - hejunlin
当我们在训练一个神经网络的时候,参数的随机初始化是非常重要的,对于逻辑回归来说,把参数初始化为0是很ok的。但是对于一个神经网络,如果我们将权重或者是所有参数初始化为0,梯度下降算法将不会起到任何作用。 1.为什么逻辑回归参数初始化为0是ok的? 下图所示,是logistic回归的图解: 假设我们用
2020-05-31T15:25:00Z
2020-05-31T15:25:00Z
hejunlin
https://www.cnblogs.com/hejunlin1992/
【摘要】当我们在训练一个神经网络的时候,参数的随机初始化是非常重要的,对于逻辑回归来说,把参数初始化为0是很ok的。但是对于一个神经网络,如果我们将权重或者是所有参数初始化为0,梯度下降算法将不会起到任何作用。 1.为什么逻辑回归参数初始化为0是ok的? 下图所示,是logistic回归的图解: 假设我们用 <a href="https://www.cnblogs.com/hejunlin1992/p/13022391.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/hejunlin1992/p/12978988.html
深度学习中卷积的参数量与计算量 - hejunlin
普通卷积 输入卷积:Win * Hin * Cin卷积核:k * k 输出卷积:Wout * Hout * Cout 参数量:(即卷积核的参数)k * k * Cin * Cout或者:(k * k * Cin + 1) * Cout (包括偏置bias)计算量:k * k * Cin * Wout
2020-05-28T02:43:00Z
2020-05-28T02:43:00Z
hejunlin
https://www.cnblogs.com/hejunlin1992/
【摘要】普通卷积 输入卷积:Win * Hin * Cin卷积核:k * k 输出卷积:Wout * Hout * Cout 参数量:(即卷积核的参数)k * k * Cin * Cout或者:(k * k * Cin + 1) * Cout (包括偏置bias)计算量:k * k * Cin * Wout <a href="https://www.cnblogs.com/hejunlin1992/p/12978988.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/hejunlin1992/p/12959754.html
卷积神经网络中感受野的介绍 - hejunlin
1. 感受野的概念 在卷积神经网络中,感受野(Receptive Field)的定义是卷积神经网络每一层输出的特征图(feature map)上的像素点在输入图片上映射的区域大小。再通俗点的解释是,特征图上的一个点对应输入图上的区域。 感受野有什么用呢? 一般task要求感受野越大越好,如图像分类中
2020-05-25T10:25:00Z
2020-05-25T10:25:00Z
hejunlin
https://www.cnblogs.com/hejunlin1992/
【摘要】1. 感受野的概念 在卷积神经网络中,感受野(Receptive Field)的定义是卷积神经网络每一层输出的特征图(feature map)上的像素点在输入图片上映射的区域大小。再通俗点的解释是,特征图上的一个点对应输入图上的区域。 感受野有什么用呢? 一般task要求感受野越大越好,如图像分类中 <a href="https://www.cnblogs.com/hejunlin1992/p/12959754.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/hejunlin1992/p/12887323.html
kmeans算法python实现 - hejunlin
import os import sys import numpy as np import matplotlib.pyplot as plt import random # https://www.jianshu.com/p/c31b08179655 def load_data(path="dat
2020-05-14T03:16:00Z
2020-05-14T03:16:00Z
hejunlin
https://www.cnblogs.com/hejunlin1992/
【摘要】import os import sys import numpy as np import matplotlib.pyplot as plt import random # https://www.jianshu.com/p/c31b08179655 def load_data(path="dat <a href="https://www.cnblogs.com/hejunlin1992/p/12887323.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/hejunlin1992/p/12823397.html
使用NumPy简单实现卷积神经网络 - hejunlin
import os import sys import numpy as np import numpy # def conv_(img, conv_filter, stride = 1): """ img: wxh 二维图像 conv_filter: kxk 二维卷积核(eg. 3x3) """
2020-05-03T12:59:00Z
2020-05-03T12:59:00Z
hejunlin
https://www.cnblogs.com/hejunlin1992/
【摘要】import os import sys import numpy as np import numpy # def conv_(img, conv_filter, stride = 1): """ img: wxh 二维图像 conv_filter: kxk 二维卷积核(eg. 3x3) """ <a href="https://www.cnblogs.com/hejunlin1992/p/12823397.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/hejunlin1992/p/12485256.html
快速排序思路 - hejunlin
快排的核心是partition函数。主要思路是,随机找一个值,然后遍历数组,大于该值的放在该值的右边,小于该值的放在该值的左侧。 algorithm quicksort(A, lo, hi) is if lo < hi then p := partition(A, lo, hi) quicksort
2020-03-13T03:23:00Z
2020-03-13T03:23:00Z
hejunlin
https://www.cnblogs.com/hejunlin1992/
【摘要】快排的核心是partition函数。主要思路是,随机找一个值,然后遍历数组,大于该值的放在该值的右边,小于该值的放在该值的左侧。 algorithm quicksort(A, lo, hi) is if lo < hi then p := partition(A, lo, hi) quicksort <a href="https://www.cnblogs.com/hejunlin1992/p/12485256.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/hejunlin1992/p/11913203.html
HRNET网络结构简单分析 - hejunlin
hrnet相关的两篇文章 CVPR2019 Deep High-Resolution Representation Learning for Human Pose Estimation High-Resolution Representations for Labeling Pixels and R
2019-11-22T10:09:00Z
2019-11-22T10:09:00Z
hejunlin
https://www.cnblogs.com/hejunlin1992/
【摘要】hrnet相关的两篇文章 CVPR2019 Deep High-Resolution Representation Learning for Human Pose Estimation High-Resolution Representations for Labeling Pixels and R <a href="https://www.cnblogs.com/hejunlin1992/p/11913203.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/hejunlin1992/p/11898228.html
git仓库与项目源码分离 - hejunlin
在服务器上初始化git仓库 cd mkdir gitrepo cd gitrepo git init --bare runoob.git 本地 若是已经有git项目了,直接添加一个仓库地址就行了 git remote add remote_git xxx@remotegpu.net:/home/xx
2019-11-20T07:42:00Z
2019-11-20T07:42:00Z
hejunlin
https://www.cnblogs.com/hejunlin1992/
【摘要】在服务器上初始化git仓库 cd mkdir gitrepo cd gitrepo git init --bare runoob.git 本地 若是已经有git项目了,直接添加一个仓库地址就行了 git remote add remote_git xxx@remotegpu.net:/home/xx <a href="https://www.cnblogs.com/hejunlin1992/p/11898228.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/hejunlin1992/p/10891518.html
VS Code文本编辑快捷操作(2) - hejunlin
1. 光标移动 移动光标最常用的就是方向键,但是方向键每次只能把光标移动一个位置,可以说是一种相对低效的方式。下面介绍针对单词、行、代码块、整个文档等多种光标移动方式。 1.1 针对单词的移动 将光标移动到整个单词前: Ctrl + ← # Windows Option + ← # Mac OS 将
2019-05-19T15:33:00Z
2019-05-19T15:33:00Z
hejunlin
https://www.cnblogs.com/hejunlin1992/
【摘要】1. 光标移动 移动光标最常用的就是方向键,但是方向键每次只能把光标移动一个位置,可以说是一种相对低效的方式。下面介绍针对单词、行、代码块、整个文档等多种光标移动方式。 1.1 针对单词的移动 将光标移动到整个单词前: Ctrl + ← # Windows Option + ← # Mac OS 将 <a href="https://www.cnblogs.com/hejunlin1992/p/10891518.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/hejunlin1992/p/10891496.html
Visual Studio Code(VS Code)命令行的使用(1) - hejunlin
在终端中输入如下命令,打开VS Code界面。 code 在终端中输入如下命令,打印出 VS Code 命令行所支持的所有参数。 在终端中输入如下命令,打印出 VS Code 命令行所支持的所有参数。 在 code 命令后加上文件或者文件夹的地址,这样VS Code 就会在一个新窗口中打开这个文件或
2019-05-19T15:28:00Z
2019-05-19T15:28:00Z
hejunlin
https://www.cnblogs.com/hejunlin1992/
【摘要】在终端中输入如下命令,打开VS Code界面。 code 在终端中输入如下命令,打印出 VS Code 命令行所支持的所有参数。 在终端中输入如下命令,打印出 VS Code 命令行所支持的所有参数。 在 code 命令后加上文件或者文件夹的地址,这样VS Code 就会在一个新窗口中打开这个文件或 <a href="https://www.cnblogs.com/hejunlin1992/p/10891496.html" target="_blank">阅读全文</a>
https://www.cnblogs.com/hejunlin1992/p/10439844.html
[论文阅读]Object detection at 200 Frames Per Second - hejunlin
本文提出了一个有效且快速的目标检测器,该目标检测器得速度可以达到200+fps,在Pascal VOC-2007上的mAP比Tiny-Yolo-v2高出14。 本文从以下三个方面对网络进行改进。 网络结构 Network architecture 损失函数 Loss function 训练数据 Tr
2019-02-26T12:20:00Z
2019-02-26T12:20:00Z
hejunlin
https://www.cnblogs.com/hejunlin1992/
【摘要】本文提出了一个有效且快速的目标检测器,该目标检测器得速度可以达到200+fps,在Pascal VOC-2007上的mAP比Tiny-Yolo-v2高出14。 本文从以下三个方面对网络进行改进。 网络结构 Network architecture 损失函数 Loss function 训练数据 Tr <a href="https://www.cnblogs.com/hejunlin1992/p/10439844.html" target="_blank">阅读全文</a>