Kakaluoto's Blog

Java多线程1. 创建线程1.1 创建线程类Java使用java.lang.Thread类代表线程，所有的线程对象都必须是Thread类或其子类的实例。每个线程的作用是完成一定的任务，实际上就是执行一段程序流即一段顺序执行的代码。Java使用线程执行体来代表这段程序流。 创建新执行线程有两种方法。一种方法是将类声明为 Thread 的子类。该子类应重写 Thread 类的 run 方法。接下来可以分配并启动该子类的实例。创建线程的另一种方法是声明实现 Runnable 接口的类。该类然后实现 run 方法。然后可以分配该类的实例，在创建 Thread 时作为一个参数来传递并启动。 Java中通过继承Thread类来创建并启动多线程的步骤如下： 定义Thread类的子类，并重写该类的run()方法，该run()方法的方法体就代表了线程需要完成的任务,因此把run()方法称为线程执行体。 创建Thread子类的实例，即创建了线程对象 调用线程对象的start()方法来启动该线程 代码如下： 测试类：123456789101112public class Demo01 { ...

PID控制Python模拟1. PID控制器123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657585960616263646566676869707172737475767778798081828384858687888990919293949596979899100101102103104105106107108109110111112import timeclass PID: """PID Controller """ def __init__(self, P=0.2, I=0.0, D=0.0, current_time=None): self.Kp = P self.Ki = I self.Kd = D self.sample_interval = 0 self.curren ...

通道注意力机制以及3D卷积1. SEnet SENet的Block单元，图中的Ftr是传统的卷积结构，X和U是Ftr的输入（C’xH’xW’）和输出（CxHxW）。 SENet增加的部分是U后的结构：对U先做一个Global Average Pooling（图中的Fsq(.)，作者称为Squeeze过程），输出的1x1xC数据再经过两级全连接（图中的Fex(.)，作者称为Excitation过程），最后用sigmoid（论文中的self-gating mechanism）限制到[0，1]的范围，把这个值作为scale乘到U的C个通道上， 作为下一级的输入数据。这种结构的原理是想通过控制scale的大小，把重要的特征增强，不重要的特征减弱，从而让提取的特征指向性更强。 Excitation部分是用2个全连接来实现 ，第一个全连接把C个通道压缩成了C/r个通道来降低计算量（后面跟了RELU），第二个全连接再恢复回C个通道（后面跟了Sigmoid），r是指压缩的比例。作者尝试了r在各种取值下的性能 ，最后得出结论r=16时整体性能和计算量最平衡。为什么要加全连接层呢？这是为了利用通道间的相关 ...

OTA阅读笔记OTA: Optimal Transport Assignment for Object Detection 1. 什么是标签分配为了训练目标检测器，需要为每个anchor 分配 cls 和 reg 目标，这个过程称为标签分配或者正采样。 cls指分类置信度，reg指检测框的偏移量。 通常基于Anchor的目标检测器会生成大量的预先定义好的Anchor,这些Anchor的数量是要远多于ground truth box的数量的。 以YOLOv3为例，每一个gt box最终都会有一个对应的Anchor，找到自己对应的gt box的Anchor算作正样本，没有找到的，比如Anchor坐标处在背景当中的算作负样本，另外有一部分会被直接忽略。 标签分配：三个特征图一共 8 × 8 × 3 + 16 × 16 × 3 + 32 × 32 × 3 = 4032 个anchor。 正例：任取一个ground truth，与4032个anchor全部计算IOU，IOU最大的anchor，即为正例。并且一个anchor，只能分配给一个ground truth。例如第一个ground trut ...

1. 什么是最优传输 2. 基本概念3.1 离散测度 (Discrete measures)首先，说一下概率向量（或者称为直方图，英文：Histograms， probability vector）的定义： 上述公式的含义：一个长度为n的数组，每个元素的值在[0, 1]之间，并且该数组的和为1，即表示的是一个概率分布向量。 比如[0.1，0.2，0.3，0.4]就是一个概率向量。 离散测度：所谓测度就是一个函数，把一个集合中的一些子集（符合上述概率分布向量）对应给一个数[4]。具体公式定义如下： 上述公式含义：以$a_i$为概率和对应位置$x_i$的狄拉克δ函数值乘积的累加和。下图很好地阐述了一组不同元素点的概率向量分布： 上图中红色点是均匀的概率分布，蓝色点是任意的概率分布。点状分布对应是一维数据的概率向量分布，而点云状分布对应的是二维数据的概率向量分布。 3.2 蒙日(Monge)问题蒙日(Monge)问题的定义：找出从一个 measure(测度)到另一个measure的映射，使得所有$c ( x_i , y_j )$的和最小，其中$c$表示映射路线的运输代价，需要根据 ...

一. VNC部分参考链接Jetson nano(Ubuntu18.04) 网线连接电脑，实现VNC远程桌面_PiQiuNi的博客-CSDN博客_jetson nano连接电脑 本文通过网线连接jetson nano(Ubuntu18.04) 与windows电脑，实现了网络共享及VNC远程桌面访问配置Jetson nano (此过程需要连接屏幕及外设)以下内容来自系统自带文档 “README-vnc.txt” 安装VNC 12sudo apt updatesudo apt install vino 开启VNC服务实现开机自动启动 12mkdir -p ~/.config/autostartcp /usr/share/applications/vino-server.desktop ~/.config/autostart 配置VNC服务 12gsettings set org.gnome.Vino prompt-enabled falsegsettings set org.gnome.Vino require-encryption false 设置连接密码 12gsettings set ...

FCOS 学习笔记FCOS: Fully Convolutional One-Stage Object Detection 1. 前言目前大多数先进的目标检测模型，例如RetinaNet、SSD、YOLOv3、Faster R-CNN都依赖于预先定义的锚框。相比之下，本文提出的FCOS是anchor box free，而且也是proposal free，就是不依赖预先定义的锚框或者提议区域。通过去除预先定义的锚框，FCOS完全的避免了关于锚框的复杂运算，例如训练过程中计算重叠度，而且节省了训练过程中的内存占用。更重要的是，本文避免了和锚框有关且对最终检测结果非常敏感的所有超参数。由于后处理只采用非极大值抑制(NMS)，所以本文提出的FCOS比以往基于锚框的一阶检测器具有更加简单的优点。 1.1 锚框的缺点 检测表现效果对于锚框的尺寸、长宽比、数目非常敏感，因此锚框相关的超参数需要仔细的调节。 锚框的尺寸和长宽比是固定的，因此，检测器在处理形变较大的候选对象时比较困难，尤其是对于小目标。预先定义的锚框还限制了检测器的泛化能力，因为，它们需要针对不同对象大小或长宽比进行设计。 为了提高召 ...

1.Retinanet阅读笔记1.1 网络结构 用Resnet作为特征提取层，之后经过FPN网络进行多尺度的特征融合。 每一个尺度分配9个对应大小的anchor，每个尺度下有3x3个anchor(即3种scale的anchor和3种ratio构成9种anchor)。 其中A=9，4A代表每个锚点对应的九个不同锚框对应的x,y,w,h，KA代表每个锚框对应的K个种类 主干特征提取网络如下 123456789101112131415161718192021222324252627282930313233343536373839404142434445464748495051525354555657import torch.nn as nnimport torchimport mathimport torch.utils.model_zoo as model_zoofrom torchvision.ops import nmsfrom retinanet.utils import BasicBlock, Bottleneck, BBoxTransform, ClipBoxesfrom re ...

YOLOv1-v3学习笔记1.YOLOv11.1 论文思想将一幅图像分成SxS个网格(grid cell)， 如果某个object的中心 落在这个网格 中，则这个网格就负责预测这个object 每个网格要预测B个bounding box，每个bounding box 除了要预测位置之外，还要附带预测一个confidence值。每个网格还要预测C个类别的分数。 这个 confidence scores反映了模型对于这个栅格的预测：该栅格是否含有物体，以及这个box的坐标预测的有多准。公式定义如下： 如果这个栅格中不存在一个object，则confidence score应该为0。否则的话，confidence score则为predicted bounding box与 ground truth box之间的 IOU。 YOLO对每个bounding box有5个predictions：x, y, w, h和 confidence。坐标x,y代表了预测的bounding box的中心与栅格边界的相对值。坐标w,h代表了预测的bounding box的width、height相对于整幅 ...

代码仓库：https://github.com/Kakaluoto/asnyc_spider 爬虫数据收集1. 各文件说明 img:存放爬取的图片 async_spider:异步爬虫类 data_collector:爬虫执行脚本，从这里启动 ip_pool:代理IP池,管理可用的代理IP image_selector:图片筛选器，将爬取的不符合要求的图片删除 2. 涉及到的一些工具和项目 爬虫工具: BaiduSpider: https://github.com/BaiduSpider/BaiduSpider 代理IP池: ProxyPool 代理IP池: https://github.com/jhao104/proxy_pool 随机生成useragent: pip install fake-useragent 异步http请求,异步文件读写: aiohttp, aiofiles, asyncio 3. 相关环境依赖3.1 安装baiduspider1pip install baiduspider 在路径site-packages/baiduspider下找到_init_ ...