二分图搜无向定长环
About 这个问题来源于中兴举办的2020优招算法比赛“傅里叶派”，要求是对提供的数据进行二分图建模，然后找出4，6，8，10，12，14的无向图的总数量，同时有时间和禁止多线程操作要求。起先，我是把数据当成随机生成的普通数据，然后利用DFS（B站上有个up主讲的DFS和BFS系列非常浅显易懂，链接）和拼接单链组合成环，最后利用python的set哈希去重的方法来实现的，在一阶段数据上（（256+640，256+640）大小的邻接矩阵）大概可以进1分钟至1分半钟。后面，随着第二阶段数据的增大（（1344+1344，1344+1344）大小的邻接矩阵），运行时间急剧增加，大概到了30分钟。实际上，算法的主要瓶颈在去重时间上（去重数据达到亿级别的字符串），为了降低去重时间，我花了不少时间去Google，包括数据库的一些去重，或者使用bitmap位图等，考虑到硬件限制，试了一下bloom filter，但是由于hash碰撞等原因，可能出现一些误判，而且随着查重数量的增大，占用的内存也会增大。最后的测试时间上与set相比没有什么优势。 最后跟朋友交流，发现数据的一些规律得以解决。原来主办方给 ...
![[MIT]计算机科学课堂中学不到的知识](https://images.unsplash.com/photo-1606870655612-8eacd813984d?ixid=MXwxMjA3fDB8MHxwaG90by1wYWdlfHx8fGVufDB8fHw%3D&ixlib=rb-1.2.1&auto=format&fit=crop&w=1350&q=80)
[MIT]计算机科学课堂中学不到的知识
About homepage; lecture video; 2020年初始刚放出的公开课，十分实用，千呼万唤始出来。主要是介绍一些CS领域常用的工具和技巧，这些对于平时科研，工作都有很大的帮助。正如在课程介绍和评论中说的，"It’s not computer science. It is computer literacy." 相关资源：阮一峰老师的bash脚本教程 Lecture 1. Course overview + the shell 官方讲义比较系统和简练，其中包含一些练习题。 date #显示时间 # echo 后面跟上要输出的文本echo Helloecho "Hello World"echo Hello\ Worldecho $PATHwhich echo#讲解绝对路径和相对路径pwd # print working diretorycd # change working pathcd .. #进入当前目录上一目录# 讲解输入代码要注意相对路径和绝对路径ls #当前路径下的文件ls .. # 当前路径前一层的文件夹下的文件 ...
Stanford CS231n 笔记
About homepage; 2017 lecture video; 中文笔记 课程相关时间安排，课件，参考资料，作业详见homepage链接，以最新版为主； 官方的assignments和notes做得非常好，强烈推荐学习和反复观看； 时间原因，学习19版的时候恰好2020版春季课程将要开始，这一版换了team，里面加了不少新的research介绍，尤其是非监督，自监督之类的，因此会加入一下2020版的内容； 个人比较喜欢Justin Johnson的讲课风格和深度，因此配合他在UMICH (University of Michigan) 的 EECS498: Deep Learning for Computer Vision课一起看，可以相互补充（和CS231N有很大重叠， 但也些不同）； Lecture1. Introduction Related courses in Stanford: CS131: Computer Vision: Foundations and Applications CS231a: Computer Vision, from 3D Re ...
旷视2017年深度学习实践课程
About 视频; 课件关注“旷视研究院”公众号回复“深度学习实践PPT”可获取; 这套课程虽然是2017年的，但是涉及的内容还是很全面的，很多工作现在都发挥着不小的作用，所以并不过时，仍然值得一看。建议观看者是有过一定基础的人，刚入门者最好一开始不要看此系列课程，个人觉得第五课神经网络压缩，第六课基于DL的目标检测，第十课GAN，第十一课Person Re-Identification讲得比较好。 1. Introduction computer vision 在AI中的地位属于感知（perception）智能（还包括speech），另外一块是认知（cognitive），包括NLP和AGI（通用人工智能）； 人使用眼睛和大脑认识世界，电脑使用图像传感器和算力来视觉感知周围环境； 大脑皮层的出现，灵活，结构化，计算处理； CV和AI的关系：其中非常重要的一个task/不同的研究工作和成果/作为关键应用； 现阶段的CV任务：classification (image)/ detection (region) /segmentation (pixel，实例，语义，全景)/ sequ ...
2019-2020:漫长的告别
搭博客的时间大概只有一年，当初是因为受到pluskid网站和博客的影响，觉得做一个有趣的人，学习自己想了解的，放淡自己的心态是是每天很重要的事，因此想记录下来，有些规划，也好作为充实自己的见证，搁以前每年都来一个总结这件事我是不怎么做的。求学生涯没有结束，每年都是反复地上课，做项目，似乎都是浑浑噩噩度过，科研中的磕碰和一些不甘心也会时不时消磨自己的意志，让自己在怀疑，焦虑，麻木，强迫的交织中蹒跚着。我之前也知道很多励志结论，他们说的都很对，但每个人的生活总是悲喜交加的，而大多数情况下都是在平平无奇中暗生悲戚，羁绊越多的人似乎悲戚越浓。 2019年的寒假里，我翻看了很多pluskid的博客内容，其中以年终总结最多。一开始我是被博主优秀的履历所吸引，后来在那些博客里我读到了对于生活细节的热爱，以及对于艺术，真理和其他人类活动的浓郁兴趣，真诚，质朴同时又很能温暖人，所以算是“始于履历，陷于才华”吧！（厚脸皮地说，有一种惺惺相惜之感）。罗曼罗兰在《米开朗琪罗传》中有句很出名的话：“Il n’ya qu’un héroïsme au monde : c’est de voir le monde ...
RCNN-series-in-object-detection(续)
About 自Faster R-CNN后，基于深度学习的目标检测框架大致形成，且精度也较为不错。在这之后，围绕着对图像数据更深层次理解，以及根据现有结构进行改进成为了一个主流点。 Speed/accuracy trade-offs for modern convolutional object detectors object detection in 20 years: a survey IoU-uniform R-CNN: Breaking Through the Limitations of RPN https://arxiv.org/pdf/1909.02466v2.pdf R-FCN Introduction 内容有参考： blog1 Content FPN Introduction Feature Pyramid Networks(FPN)考虑到了卷积神经网络中各个尺度特征图的作用，认为像Fast R-CNN和Faster R-CNN这样的目标检测网络只用了一个特征图去来做RoI 和搜寻proposal，不一定能很好地处理全部尺寸的物体，虽然这种方式是为了speed- ...
尝试远程控制Ubuntu服务器
About 暑假实习用公司的显卡的经历很舒服，所以寒假回家之前，想在教研室的工作站上搭个ssh，方便回家也可以用显卡跑网络。但是自己对这方面知识不是很了解，尤其是端口映射之类的操作，所以导致外网登陆服务器的时候折腾了一点时间，最后勉强利用ngork进行了内网穿透。。。使用过程中发现，ngork似乎有些延迟，加上scp传文件问题（我是win利用git bash登Ubuntu服务器）一直没解决，还是放弃了ssh转战了teamviewer（还是有点香的。。） ssh 我安装的时候没关心密匙之类的问题，也没去修改ssh 的config文件，直接在Ubuntu 18.04上安装openssh-server就好了。 在Ubuntu终端上输入： sudo apt-get updatesudo apt-get openssh-server# 启动sshsudo service ssh start# 重启sudo service ssh restart# 查看有没有启动ps -aux | grep ''ssh''# 关闭sshsudo /etc/init.d/s ...
RCNN series in object detection
About Faster R-CNN是目标检测领域中"two-stage"的代表性方法，其精度高，适应性强，兼具学术和工程价值。整个框架由于吸取了很多先前工作的经验，因此比较庞大，而且细节很多，因此需要认真研读下相关paper和Faster R-CNN的python代码。 在此之前，先贴上一位博主做的“The Modern History of Object Recognition — Infographic”，其中也包括了“one-stage"的方法，不过2017年以后的没再更新了。 R-CNN Introduction 内容有参考blog1和blog2。 R-CNN(Rich feature hierarchies for accurate object detection and semantic segmentation)是将深度学习应用于目标检测的开山之作，以前传统的目标检测算法使用滑动窗口法依次判断所有的可能区域，在该文章中，采用selective search方法先预先提取一系列可能是物体的候选区域（foreground），之后将这些候 ...
FutureMapping2
About 继第一篇FutureMapping之后，视觉SLAM领域内的奠基者Andrew Davison最近又将他的和别人讨论的有关未来空间AI对地图构建，机器人协同定位，以及动态问题等新想法撰写成了新的论文FutureMapping2，置顶在了自己的推特上，表示欢迎大家交流自己的想法。 总的来说，这篇文章干货还算是很多的，主要是着眼于factor graph（因子图）和Gaussian Belief Propagation（GBP，高斯置信传播）对整体，动态机器人建图等问题的潜力和前景，不仅在数学上进行一些tutorial，还给出了三个python demos。由于我对视觉SLAM只是了解整体特点，其中各种计算细节和优化方法并没有认真看过和代码书写过，因此读完这篇充满amazing reflections的文章之后我只能把握到整体的idea和一些实现方法。对于GBP和factor graph 结合构建的数学模型，我将在后续花时间弄懂后再对该blog进行补充。 非常建议对SLAM或者机器视觉领域感兴趣的同行阅读此论文，相信会帮助您开阔思路！ Content Idea Abstr ...
实习痰涂片项目总结
classification 在上篇博客提到，该任务就是将原始数据的每张图片（256x256）进行grid级别的label预测，思路很简单，就是最后卷出的feature map是4x4的，不要过average global pooling layer，直接拉成1x16的向量过sigmoid激活函数即可（label也要变成16个字符，有点类似OCR)。 dataset 原始数据给的标注是json格式的框标注，但是框不是杆菌的具体位置，而是代表这个grid里面存在杆菌： "frames":{"0_grid.png":[{"x1":162.42542787286064,"y1":25.34963325183374,"x2":170.24938875305622,"y2":34.11246943765281,"width":256,"height":256,"box":{"x1 ...
