YouWeiH

摘要： # 1： torch.cuda.set_device(1) # 2： device = torch.device("cuda:1") # 3：（官方推荐）import os os.environ["CUDA_VISIBLE_DEVICES"] = '1' （同时调用两块GPU的话） os.envir 阅读全文

摘要： 在ide中执行python程序，已经设置好项目路径中。 但是在cmd中执行程序，所在路径是python的搜索路径，如果涉及到import引用就会报类似ImportError: No module named xxx这样的错误， 解决方法： 在报错的模块中添加： import sysimport os 阅读全文

摘要： MobileNet95%的计算时间都花费在1x1的逐点卷积上，并且占参数量的75%，如表2所示。其他额外的参数几乎都集中于全连接层。 主要还是采用depth-wise卷积和point-wise卷积来提取特征，很大程度上减少了参数量。 结构图： 升级点： 采用残差结构 在depthwise卷积之前先升 阅读全文

摘要： tf.gather：用一个一维的索引数组，将张量中对应索引的向量提取出来 1 import tensorflow as tf 2 3 a = tf.Variable([[1,2,3,4,5], [6,7,8,9,10], [11,12,13,14,15]]) 4 index_a = tf.Varia 阅读全文

摘要： 源头：场景文本经常受到aspect ratio, scal, and orientation的影响 为了解决这个问题，提出了inceptext，主要贡献在于添加了inception-text module和deformable PSROI pooling来解决多角度的文本检测。 The Propos 阅读全文

摘要： true positive（被正确分类的正例） false negative（本来是正例，错分为负例） true negative（被正确分类的负例） false positive（本来是负例，被错分为整理） 记忆方法，前边T\F是分类正确或者错误，后面的P\N是结果被分成是正例或负例 对于一个分类 阅读全文

摘要： 任意角度的场景文本检测论文思路总结共同点：重新添加分支的创新更突出场景文本检测基于分割的检测方法 spcnet(mask_rcnn+tcm+rescore) psenet(渐进扩展) mask text spottor(新加分割分支) craft incepText 基于回归的检测方法： r2cnn 阅读全文

摘要： STN的主要思想是通过网络学习一个变化参数，然后计算出新图在原图上对应的坐标，再通过某种填充方法填充新图。 使得得到的新图很好的适应nn训练。可以理解为是拿来把不规范的图像变换为标准形式的图像。 网络结构图如下： 主要步骤分为以下三步： (1) Localisation net 计算出变化参数，是一 阅读全文

摘要： 在free -h中查看自己的内存发现在运行一段时间后，有很多内存都被缓存占用， 所以要清理下缓存，增大可用内存 直接进入root账户，输入以下命令 echo 3 > /proc/sys/vm/drop_caches 阅读全文

摘要： 1.设置远程服务器，在这里配置服务器地址等； 要注意下边的这个mappings设置好，跟编译器的path mapping设置为同一个，这里我没设置为同一个，后边就出现了点问题。 2.配置远程的编译器 一定要注意设置好path mapping这里的远程地址，这里的远程地址是绝对路径，没有前面的root 阅读全文