鱼一的博客 ◡̈

yuyi

知不可乎骤得，托遗响于悲风

网站页面

类目归类

标签搜索

最新文章

科研流水账53

科研流水账53

看了三篇论文 Learning global and local features using graph neural networks for person re-identificationDFR-ST: Discriminative feature representation with spatio-temporal cues for vehicle re-identificationSSR-Net: A Spatial Structural Relation Network for Vehicle Re-identification设计了基于SE模块的特征聚集和背景消除网络，沿用了MsKAT中用于限制特征损失函数。在SE激活后聚集的有效特征和需要消除无效特征进行了多次不同组合的实验，比如参考MsKAT，用有效特征减去无效特征。问题分析关于foggy去雾重识别，其数据集是从 VERI-Wild 和 Vehicle 1M两个数据集中选取的雾天情况。其中VERI-Wild数据集较大，正在下载。Vehicle 1M暂时没在国内网上找到第三方下载途径，官方下载途...

2023-06-19

2023年06月19日

0 阅读

0 评论

科研学习流水账52

科研学习流水账52

在全局和局部之间使用了自知识蒸馏，结果没有显著提升或下降在特征融合后和特征融合前的骨干网输出特征之间使用自知识蒸馏使BiFPN多尺度特征进行实验研究设计带权重自适应的多尺度特征融合方法，并进行了实验。实验结果自知识蒸馏相关实验使用UAFM融合模块增强后的特征指导原始骨干网络输出的特征，最终使用原始骨干网络输出的特征进行推理（Tips：这里使用了PVEN原始的超参数(batchsize=64、numinstance=4)。原PVEN性能为79.4%,rank-1为95.6%）反过来，使用原始骨干网输出特征指导最终UAFM融合的特征，也如猜想那样降低了原本性能（Tips：这里使用了我们论文GLNet的超参数(batchsize=128、numinstance=8)。只使用特征融合的GLNet性能为82.7%左右）实验表明，自知识蒸馏可以在不增加推理阶段计算量的情况下提升性能。多尺度特征利用相关实验首先使用了BiFPN加在重识别上进行实验，直接移植这种多尺度增强模块性能果然不好。接着修改并设计了新的多特征融合方法，可以将三个特征图融合在一起，在Fast-reid上提升了近两个点。问题分...

2023-06-12

2023年06月12日

0 阅读

1 评论

居家科研学习计划书

居家科研学习计划书

必须安排的科研计划嘿，弄完了早点回家。🌞回家前小目标：争取得到较好的实验结果1.沿着自知识蒸馏这条路去做实验从图中可以看出，汉诺塔重识别论文中使用了类似C 图中这种原始的自知识蒸馏结构，只辅助分类层学习。因此，我认为带有特征之间交互的这种自知识蒸馏在重识别上也有研究价值。将其应用在重识别上，可以改进为全局与局部特征之间交互，不同尺度特征之间交互，有标注的局部划分和无标注软分割之间的交互等等。2.沿着多尺度特征提取这条路去做实验大部分性能较好的重识别方法都利用了多尺度信息来增强特征，如上图。首先这些多尺度信息是对重识别有效的，但是在目标检测和语义分割领域被证明有效的PANet和BiFPN结构却很少被用在重识别上。我认为这种在其他领域成熟的加强特征提取的方法，经过有效改进，在重识别领域应该也能有一定效果。3.具体进度大致安排第一周将论文中提炼特征的自知识蒸馏和多尺度特征增强先分别应用再联合应用到之前的工作中，并根据实验结果修改方法适应重识别任务。第二周根据上周实验结果进一步修改实验。比如，参考先前对重识别有效的多尺度方法，进一步改进多尺度特征提取设计上的不足。第三周如果实验结果仍然不...

2023-06-10

2023年06月10日

0 阅读

1 评论

单例模式

单例模式

单例模式（Singleton Pattern）是一种常用的软件设计模式，其核心目的是确保一个类只有一个实例，并提供一个全局访问点来获取这个实例。这种模式特别适用于那些系统中需要通过一个单一对象来协调操作的场景，例如配置管理器、线程池、缓存、日志对象等。在单例模式的实现中，通常会有以下几个特点：私有的构造函数：为了避免外部通过 new 或其他方式创建多个实例，单例类的构造函数是私有的。持有自身的静态私有实例：单例类内部会自行创建一个静态私有实例，这保证了全局只有一个此类的实例。公共的静态方法访问实例：单例类提供一个公共的静态方法（通常命名为 instance() 或 getInstance()），用于全局访问唯一的实例。线程安全（可选，根据需要）：如果单例需要在多线程环境中使用，其实例化过程需要是线程安全的。class singlePattern { private: singlePattern() {}; static singlePattern* p; public: static singlePattern* instance(); clas...

2023-06-06

2023年06月06日

0 阅读

0 评论

科研流水账51

科研流水账51

在6009上部署veri数据集和mask数据及运行之前重识别论文代码。下载使用自知识蒸馏再提炼特征的论文代码, 调通并研究。成功在Ubuntu。系统上使用了G29的力反馈功能，通过程序设定变化角度控制其转动。完成专利的插图的修改。问题分析使用Ubuntu实现力反馈功能后，继续安装了Carlau环境，运行时出错。修复Carla环境的运行错误后，使用的Ros环境却又出了问题。应该是在解决Carla环境运行错误时，安装和修改了一些系统缺少的或者版本不对的依赖，最终导致原本正常运行的Ros环境发生了变化。下一步将本周阅读论文使用自蒸馏提炼特征的方法应用到之前的重识别代码里，根据实验结果再进一步修改。将本周阅读论文中得到多尺度特征的方式也应用到之前的重识别代码里，根据实验结果进一步修改。

2023-06-04

2023年06月04日

0 阅读

0 评论

科研学习流水账50

科研学习流水账50

调通将UFDN的代码下载，在veri数据集上复现baseline。看论文整理思考关于重识别的新的解决方案。整理了ROS安装和使用其抓取 G29数据的文档。完成专利的绘图和简介部分写作，整体上进行一定修改。问题分析使用Ubuntu20.04初次安装ROS环境失败，下载了aptitude包管理工具，结果误删了系统文件。重新安装了Ubuntu18.04的系统，不再使用aptitude包管理工具，顺利安装了ROS，并抓取了外设G29的数据。下步进一步完善Carla实践文档,实现G29方向盘自转。重点思考重识别的多尺度和无标注划分局部方面结合的新方案进行。

2023-05-28

2023年05月28日

0 阅读

1 评论

科研学习流水账49

科研学习流水账49

修改将fast-reid下载到6005上，在veri数据集上复现baseline。看论文整理思考关于重识别的新的解决方案。整理了Carla环境安装和G29适配的文档。专利文字部分已经基本完成。录入了部分数据到烟台政务网站。问题分析关于设想重识别的新解决方案,目前的问题是大部分想法还不够具体下一步继续完成专利的画图工作，随后再对整体完善修整.进一步完善Carla实践文档,下周实现G29各种操作的数据采集.实践一下关于重识别的新方案进行.

2023-05-21

2023年05月21日

0 阅读

1 评论

科研流水账48

科研流水账48

听我导安排，开始把之前论文写成专利📢修改反事实注意力里的行人重识别代码，复现了其论文中车辆重识别在veri776的结果。使用反事实注意力论文里的局部软划分进行驾驶员意图识别，结果没有明显提升把服务器6007移到西校区实验室，装了1080ti显卡，在该机器上安装了Carla仿真环境并适配方向盘操作。查找整理并写了一点点关于智慧物流的背景。专利完成进度3/5。问题分析显卡驱动问题服务器6007安装显卡1080Ti后，不能正常工作，无法进入图形界面。问题原因：可能是由于之前6007上使用的为3090的显卡，所安装驱动与较早版本发布的显卡1080Ti不太适配。解决方案：虽然无法加载图形界面，但可以调出命令界面，重装合适的显卡驱动。安装完成后重启电脑，输入nvidia-smi 测试，显卡正常工作。下一步继续完成专利写作整理记录Carla 安装、其与G29连接的过程、仿真环境中车辆运行时方向盘、刹车、油门数据的采集买摄像头并采集摄像头数据

2023-05-14

2023年05月14日

0 阅读

0 评论

科研流水账47

科研流水账47

修改驾驶员意图识别的代码，阅读驾驶员意图识别的论文。阅读局部软划分的相关论文，根据代码和论文对比思考其差异和意义。全局+局部（使用Spatial diversity loss划分，使用全局与局部关系模块）：Epoch 44, duration: 142 s, loss: 0.0183, acc: 99.3458,/nAccuracy of the network on the test images: 95.628 %全局+局部（使用熵loss划分，使用全局与局部关系模块）：poch 43, duration: 180 s, loss: 0.0224, acc: 99.3534,/nAccuracy of the network on the test images: 95.559 %Epoch 44, duration: 182 s, loss: 0.0229, acc: 99.3688,/nAccuracy of the network on the test images: 95.420 %问题分析通过计算离散随机变量的熵来设计损失函数通过打印和显示二值化图片的方式观察权...

2023-05-07

2023年05月07日

0 阅读

2 评论

吴恩达 GPT 提示工程视频课总结

吴恩达 GPT 提示工程视频课总结

这个视频是关于如何有效地使用ChatGPT来生成期望的输出。视频中主要介绍了如何精确构造提示以帮助提高AI模型的输出质量。以下是一些关键的教学要点：Lesson 1清晰和具体的指令：强调向ChatGPT提供明确且详细的指令的重要性，以确保生成的响应的准确性。解释了如何使用分隔符（如三重反引号或XML标签）来明确分隔提示中的不同部分，这有助于模型更好地理解并防止提示注入。结构化输出以便于解析：建议要求模型以结构化格式（如JSON或HTML）输出，这有助于简化后续应用程序中的解析工作。提供了如何构造提示以获取特定格式输出的示例，使数据处理更加可预测和简便。检查条件和结构化响应：建议设置提示，指导模型在继续之前验证某些条件或假设，以防止错误的结果。展示了如何格式化提示，指导AI按照系统顺序产生响应，这在数据分析等任务中提高了工作流程的效率。少量示例提示：介绍了通过在AI尝试实际任务之前提供任务示例的概念，称为少量示例提示，这有助于获得更好、更一致的响应。讨论了这种方法在模型训练和输出生成的可靠性方面的潜在好处。允许复杂推理的时间：强调允许AI有足够的时间和信息来处理复杂查询的必要性，类...

2023-05-04

2023年05月04日

0 阅读

1 评论

yuyi

知不可乎骤得，托遗响于悲风

128 文章数

17,490 评论量

More Info for me 📱

人生倒计时

今日已经过去小时

这周已经过去天

本月已经过去天

今年已经过去个月