精华内容
下载资源
问答
  • 为了掌握压入式通风条件下全岩巷综掘工作面的高浓度粉尘运移规律,以邢东矿南翼集中运料巷为背景,深入剖析全岩巷综掘工作面的产尘机理,依据气固两相流理论,借助于计算流体力学的离散相(DPM)模型,对综掘工作面通风过程...
  • 本文根据论文:Object Detection in 20 Years: A Survey 撰写...传统目标检测方法主要有三个:Viola Jones Detectors、HOG Detector、Deformable Part-based Model (DPM)。 基于深度学习的目标检测方法又有两个分支,分

    本文根据论文:Object Detection in 20 Years: A Survey 撰写,其中关于深度学习方面的目标检测算法我都会附上原论文的链接以及一些我认为写的还不错的博客。

    1、目标检测20年发展历程

    目标检测发展历程
    目标检测的发展历程主要分为两个阶段:传统目标检测方法、基于深度学习的目标检测方法。
    传统目标检测方法主要有三个:Viola Jones Detectors、HOG Detector、Deformable Part-based Model (DPM)。
    基于深度学习的目标检测方法又有两个分支,分别是双阶段检测、单阶段检测器。

    1.1 双阶检测器

    R-CNN
    R-CNN在2014年由R. Girshick等人提出,作为第一个使用卷积神经网络提取图像特征的目标检测算法,奠定了深度学习在目标检测的统治地位,其背后的思想很简单:它首先在原图上提取一组对象候选框。然后将每个候选框重新缩放为固定大小的图像,并输入到ImageNet上训练的CNN模型中以提取特征。 最后,将提取出来的特征送给线性SVM分类器用于预测每个区域内对象的存在并识别对象类别。
    RCNN在VOC07数据集上的表现(mAP)从之前最好传统目标检测算法的33.7%直接提升到58.3%。但是R-CNN有个很大的缺点:一张图要先产生超过2000个候选框,每个候选框存在大量重叠的部分,因此再对每个候选框区域分别进行卷积的时候有大量的冗余计算,因此RCNN的检测速度并不快。

    SPPNet(Spatial Pyramid Pooling Networks)
    SPPNet是2014年由何恺明等人提出的目标检测算法,其主要贡献是引入了空间金字塔池化层(SPP),具体原理和实现方式可参考博客。空间金字塔池化层能够使CNN生成的特征表示成固定长度,然后送给全连接层,而不对图像/RoI的大小进行放缩。当使用SPPNet进行目标检测时,整个图像只计算一次特征图,然后可以对任意区域生成固定长度的特征用于训练检测器,避免重复计算卷积特征。SPPNet比R-CNN快20倍以上,但不牺牲任何检测精度(VOC07mA) p=59.2%)。
    缺点:训练是多阶段的,其次,SPPNet仅微调其全连接层,而忽略了之前的所有层。

    Fast RCNN
    Fast RCNN检测算法又是R. Girshick大神在2015年提出的。它吸取了SPPNet的优点,提出了简化版的空间金字塔池化层:ROI Pooling,首次同时将分类器和包围盒回归器同时放入网络进行训练。具体原理可参考博客。在VOC07数据集上,Fast RCNN将mAP从58.5%(RCNN)提高到70.0%,而检测速度是R-CNN的200倍以上。
    缺点:建议框的提取仍然耗费了大量的时间,是提取特征分类的几倍。

    Faster RCNN
    Faster RCNN是由任少卿等人在2016年提出的目标检测算法,它是第一个端到端的目标检测算法(Fast RCNN需要先搜索2000个推荐框),也是第一个接近实时检测的算法。Faster RCNN的主要贡献就是提出了区域推荐网络RPN(Region Proposal Network),它生成推荐框的时候几乎没有时间消耗。具体原理可以参考博客

    Feature Pyramid Networks
    特征金字塔网络FPN(Feature Pyramid Networks)是2017年由Tsung-Yi Lin等人在Faster RCNN基础上提出的一种结构。在FPN之前,大多数基于深度学习的检测器仅使用卷积网络的顶层特征进行检测。尽管CNN较深层的特征有利于目标类别的识别,但它不利于对象的定位。为此,在FPN中开发了具有横向连接的自上而下的体系结构,用于构建各种规模的高级语义。由于CNN通过其向前传播自然形成了一个特征金字塔,因此FPN在检测各种尺度的物体方面显示出了巨大的进步。FPN至今也是很多检测器的基础结构。FPN的具体原理可以参考博客

    1.2 单阶检测器

    You Only Look Once (YOLO)
    YOLO是在2015年由R. Joseph等人提出,是首个在深度学习领域的单阶段检测器。作为单阶段检测器,YOLO非常快:YOLO最快的版本在VOC2007数据集上运行可以达到155fps,mAP=52.7%;增强版本同样有45fps,但其精度可以达到VOC2007 mAP=63.4%,VOC2012 mAP=57.9%。从YOLO的名字就可以看出,作者完全的抛弃以前的检测方式:“候选框生成+验证”。相反采用完全不同的思路:只应用一个神经网络结构去处理所有图片。YOLO将图像划分为多个区域,并同时预测每个区域的边界框和概率。后来 R. Joseph在YOLO的基础上经过一系列改进提出了YOLOv2和YOLOv3版本,目前YOLO已经更新到v4版本。尽管YOLO在检测速度上有着巨大的飞跃,但目标定位准确率相比于双阶段检测器有下降,尤其是在定位小目标上。YOLO的接下来的版本都将重点放在解决此问题上。

    Single Shot MultiBox Detector (SSD)
    在2016年,SSD被 W. Liu等人提出,它是在深度学习领域的第二个单阶段检测器。其主要贡献是首次融合的多层特征进行推理预测,这样使得单阶段检测器的检测精度有了极大的提高,尤其是在一些小目标的检测上,表现比YOLO更好,同时兼顾了检测速度和准确率(VOC2007 mAP=76.8%,VOC2012 mAP=74.9%)。SSD与以前的检测器之间的主要区别在于,前者在网络的不同层上检测不同比例的对象,而后者仅在其顶层运行检测。

    RetinaNet
    尽管单阶段检测器简单而且有着非常高的速度,单其准确率一直不如双阶段检测器。在2017年T.-Y. Lin等人发现了其背后的原因,并提出了RetinaNet。他们认为导致单阶段检测器精度没有双阶段检测器高,主要是因为其没有像双阶段检测器中的候选框提取结构,而是简单的将图像划分为多个区域进行分类回归,这样导致网络在训练过程中包含目标的前景样本和背景样本及其不平衡。为此,作者重塑了标准交叉熵损失,提出了新的损失函数:Focal loss,以便检测器在训练过程中将更多的注意力放在困难的,分类错误的示例上。Focal loss应用于单阶段检测器可以达到和双阶段检测器相媲美的检测精度,并且保持了非常高的检测速度。

    未完…

    展开全文
  • Object Detection in 20 Years: A Survey 文章目录发展历程传统检测器Viola Jones DetectorsHOG 方向梯度直方图Deformable Part-based Model (DPM)基于卷积神经网络的目标检测两步检测器RCNNSPPNetFast RCNNFaster ...

    Object Detection in 20 Years: A Survey

    发展历程

    在这里插入图片描述

    传统检测器
    Viola Jones Detectors

    1.积分图:加速计算Haar特征
    积分图及其应用
    目标检测的图像特征提取之(三)Haar特征
    2.Adaboosting 特征选择,从大量随机特征中选择与人脸相关特征
    3.Detection cascades

    HOG 方向梯度直方图

    HOG特征
    HOG特征——行人识别
    1.计算每个像素x,y方向的梯度,再计算每个像素的梯度幅值和方向(角度)
    2.将图像均匀分成一个个bin,计算每个bin上的方向梯度直方图向量
    3.将多个bin组成的block归一化,将所有block特征串联组成图像特征向量

    Deformable Part-based Model (DPM)

    DPM(Deformable Part Model)原理详解
    map 33.7%

    MI-SVM选择难例,lSVM 训练模型

    基于卷积神经网络的目标检测
    两步检测器
    RCNN

    selective search 选择2000个可能有目标的修行框。AlexNet网络特征提取,SVM目标分类。VOC07 map 58.5%,
    14s检测一幅图片。输入大小固定(裁剪,变换,信息丢失),特征计算重复。

    SPPNet

    特征金字塔。增加特征金字塔池化层,对任意大小输入输出固定大小特征图。
    在这里插入图片描述VOC07 mAP=59.2%).

    Fast RCNN

    VOC07 70%。RoI pooling layer类似SPP层,任意大小输入输出固定大小特征图,池化大小H/h, H输入特征图大小,h输出 。

    Faster RCNN

    RPN 区域候选网络代替Selective search ,特征一次计算,端到端训练与检测。COCO mAP@.5=42.7%, COCO mAP@[.5,.95]=21.9%,
    VOC07 mAP=73.2%, VOC12 mAP=70.4%, 17fps with ZFNet

    单步检测器
    YOLO

    速度快,精度不如两步检测器

    Single Shot MultiBox Detector (SSD)

    多特征,多尺度检测

    RetinaNet

    focal loss缓解样本不平衡

    目标检测数据集与指标

    在这里插入图片描述###### 关键技术
    目标候选,多尺度检测,边框回归,环境感知,NMS非极大值抑制,难例挖掘。

    检测加速

    Cascaded Detection 分级检测

    过滤简单的背景框,剩余进一步检测

    Network Pruning 剪枝

    去除不重要的权重或滤波器

    Network Quantification 量化

    网络权重二值化,加速计算

    Network Distillation

    压缩大网络(teacher net)为小网络(student net),可以用前者指导后者训练 ,或最小化两者间特征距离

    Lightweight Network Design 轻量网络设计

    a:标准卷积
    b:多个小卷积核组合,实现相同大小的感受视野
    c:因式分解近似计算
    d:分组并行计算
    e:深度方向单通道卷积
    在这里插入图片描述

    数值计算回事

    积分图计算,傅里叶频域计算

    目标检测最新进展

    展开全文
  • 最近 20 年目标检测发展的特别的快。 不同地点目标检测问题有不同的困难。 主要分为两个阶段,基于传统的检测方法,基于深度学习的检测方法。原文把基于系统的方法比作冷兵器时代。 文中举例了一些传统的里程碑方法 ...

    最近 20 年目标检测发展的特别的快。

    不同地点目标检测问题有不同的困难。

    主要分为两个阶段,基于传统的检测方法,基于深度学习的检测方法。原文把基于系统的方法比作冷兵器时代。

    文中举例了一些传统的里程碑方法

    • Viola Jones Detectors
    • HOG Detector
    • Deformable Part-based Model (DPM)

    基于 CNN 的里程碑方法(two stage)

    • RCNN
    • SPPNet
    • Fast RCNN
    • Faster RCNN
    • Feature Pyramid Networks

    基于 CNN 的里程碑方法(one stage)

    • You Only Look Once (YOLO)
    • Single Shot MultiBox Detector (SSD)
    • RetinaNet

    然后文章列举了一些重要的数据库

    • Pascal VOC
    • ILSVRC
    • MS-COCO
    • Open Images
    • Datasets of Other Detection Tasks

    列举了一些标准。

    之后讲诉了目标检测的技术革命

    展开全文
  • 4-20mA 电流环是工业领域传感器系统的主导标准,主要是因为它具有最简单的配置和连接方式。它也比其他信号使用更少的布线及接线,因此降低了系统总体成本。此外在大空间的应用场景中,它更适合远距离传输,因为电流...
  • 2011-7-26 20:12:47

    2011-07-27 14:11:15
    2011-7-26 20:12:47 int pxa3xx_fv_get_op_info(unsigned int op, struct pxa3xx_fv_info *info){#ifdef CONFIG_DPM if (!info || (op > max_op && op
     

     

     


    2011-7-26 20:12:47

    int pxa3xx_fv_get_op_info(unsigned int op, struct pxa3xx_fv_info *info)
    {
    #ifdef CONFIG_DPM
     if (!info || (op > max_op && op <= END_OP))
    #else
     if (!info || (op > ARRAY_SIZE(pxa3xx_por_op)))
    #endif
      return -EINVAL;
     memcpy(info, &(pxa3xx_por_op[op]), sizeof(struct pxa3xx_fv_info));
     return 0;
    }

    直接将指定的返回

    int pxa3xx_fv_get_op(void)
    {
     return cur_op;
    }

    获取容易

    操作点的模式是什么?

    不管这个线程了

    是否有什么诡异操作?

    看上面收到了这个事件了没

     

    cmd fb0 = 40044704
    Call ioctl to start the PMU has an error.
    ioctl set wakeup source error..
    Could not aquire D-BUS name 'com.nokia.mce' (ret: 2)D-BUS connection setup failed!

    失败  1419] write(1, "Some applications acquire in the "..., 88Some aPXAFB_SET_WAKEUP===
    pplications acquire in the Dark State or usb connectedalarm_util
    pm_suspend enter
    _create_new_event
    ) = 88


     

    展开全文
  • 深度学习(目标检测)---目标检测20

    万次阅读 多人点赞 2018-05-30 11:39:42
    从Viola-Jones Detector、DPM等冷兵器时代的智慧到当今RCNN、YOLO等深度学习土壤孕育下的GPU暴力美学,整个目标检测的发展可谓是计算机视觉领域的一部浓缩史。本文简要回顾了从1994到2017一共二十余年间目标检测的...
  • Then I have to restart (shut down) and issue appears again after ~20 suspend to ram. <p>Maybe it is not related to mba6x_bl but it is installed on the system (so I guess, there is a link, sorry if ...
  • 系统2008R2SP1,部署SQL2008:安装.net framework 3.5.1,也可以使用系统功能安装向导安装。reporting services一定要安装,否则安装DPM会报错。修改代理和Browser的启动类型为自动,否则安装DPM会报错。...完成SQL20...
  • 实验环境和前期操作见SystemCenterDataProtectionManager2007之一安装 一、DPM2007所能保护和恢复的数据级别 二、配置DMP2007 ...运行桌面快捷方式“System Center Data Protection Manager 20...
  • 一、 具体步骤查看用户信息查看默认PROFILE的策略查看XYSOUL用户登录的失败次数select lcount from user$ where name='DPM';下面开启审计,并查看审计信息-查看当前审计信息set lines 200col userhost for a20col ...
  • 与传统的HOG,DPM相比,该方法主要体现在速度快上,在VGA(640*480)输出下,达到了20fps的速度,并且是单线程,无GPU的条件,比HOG和DPM都要快,同时在测试中表现出了不俗的效果。  作者是新加坡南洋理工的,吴...
  • #/bin/sh datename=$(date +%Y%m%d-%H%M%...[root@dpm ~]# cat /tmp/logtest.txt 20191112-180001 20191112-180201 20191112-180401 20191112-180601 20191112-180801 20191112-181001 20191112-181201 20191112-181401
  • date iso 8610

    2015-08-20 15:52:00
    $day = date_iso8601(REQUEST_TIME); dpm($day); // 2015-08-20T14:35:56+08:00 转载于:https://www.cnblogs.com/qinqiu/p/4745415.html
  • oracle查看用户登录失败次数及详细信息一、 具体步骤查看用户信息查看默认PROFILE的策略查看XYSOUL用户登录的失败次数select lcount from user$ where name='DPM';下面开启审计,并查看审计信息-查看当前审计信息set...
  • oracle查看用户登录失败次数及详细信息一、 具体步骤查看用户信息查看默认PROFILE的策略查看XYSOUL用户登录的失败次数select lcount from user$ where name='DPM';下面开启审计,并查看审计信息-查看当前审计信息set...
  • 转自:http://www.sohu.com/a/219275536_129720机器之心专栏 作者:huichan chen 物体检测是计算机视觉的重要任务之一,从最开始的 Viola-Jones 2001 的人脸...再到现在基于深度学习的 Region Convolution(RCNN)20...
  • 目标检测是计算机视觉中最重要的课题之一,传统的目标检测算法包括Haar特征+Adaboost算法、HOG特征+SVM算法以及DPM算法等等,但是传统算法比较依赖一系列复杂的系统,并且在目标检测的准确率上达到了瓶颈。...
  • 应用标准k-ε模型、DPM模型和物质输运与化学反应模型求解了一台旁通式循环流化床脱硫塔内的动量、能量及组分方程,模拟结果和实验数据符合较好.模拟研究了两种脱硫塔的脱硫效率和流动阻力,进一步研究了空床气速和循环...
  • [2016-04-28 21:39:20] Failed loading url: http://36eb557d.mpstat.us/ [2016-04-28 21:39:21] Failed loading url: http://trc.taboola.com/cbsinteractive-cnet/log/3/available [2016-04-28 21:39:21] Dropping...
  • Cannot launch on RX560X

    2020-12-28 06:29:46
    <div><p>When trying to launch it on Arch linux .../pp_dpm_sclk") TypeError: cannot unpack non-iterable NoneType object <p>Thanks.</p><p>该提问来源于开源项目:BoukeHaarsma23/WattmanGTK</p></div>
  • 3mxav5c2jbvyef7pfnklsrqjdjer5bvejmd2i4ghiad7ik4 caused by: [bafy2bzacedxlqbe6hbhdcsheotw6dpm2s3joznmnpddwsrhx33abgzfa fyu7i] 1 error occurred: * failed to validate blocks random beacon values: ...
  • <p>https://github.com/microsoft/MCW-Securing-the-IoT-end-to-end/blob/master/Hands-on%20lab/HOL%20step-by%20step%20-%20Securing%20the%20IoT%20end-to-end.md</p> <p>Configuring a software TPM on a Ubuntu...
  • <p>for DPM py-motmetrics: IDF1 IDP IDR Rcll Prcn GT MT PT ML FP FN IDs FM MOTA MOTP IDt IDa IDm MOT17-09 37.4% 65.8% 26.1% 38.0% 95.5% 64 8 16 40 186 6459 40 42 35.8% 0.247 9 35 4 MOT17-10 36.5% ...
  • 2.6. 分布式电源管理DPM - 15 - 2.7. GPU虚拟化 - 16 - 3. 存储功能特性 - 17 - 3.1. 分布式资源调度管理DRS - 18 - 3.2. 基于存储策略的管理 - 18 - 3.3. 存储迁移 - 20 - 3.4. 存储 I/O 控制 - 21 - 3.5. 集群文件...
  • loop_spawn IBM test hanging

    2020-11-26 11:41:16
    parent: MPI_Comm_spawn #20 return : 0 parent: MPI_Comm_spawn #40 return : 0 parent: MPI_Comm_spawn #60 return : 0 parent: MPI_Comm_spawn #80 return : 0 parent: MPI_Comm_spawn #100 return : 0 parent: ...
  • 20: notifies :install, 'package[perl-Sys-Hostname-Long]', :immediately if platform_family?('suse') 21: notifies :run, 'execute[Initial DB setup script]', :immediately if ...

空空如也

空空如也

1 2 3
收藏数 59
精华内容 23
关键字:

dpm20