在服务器上通过cmake编译opencv的代码时，出现未引用的错误：CMakeFiles/guassianFilter.dir/main.cpp.o：在函数‘main’中：main.cpp:(.text+0x53)：对‘cv::imread(cv::String const&, int)’未定义的引用main.cpp:(.text+0xc0)：对‘cv::namedWindow(cv::S

目录一、修改配置文件二、训练/测试命令以及常用命令参数2.1 测试2.2 训练mmdetection的官方使用教程：https://github.com/open-mmlab/mmdetection/blob/master/README_zh-CN.md本文以coco格式数据集为例，其他的标准格式如VOC等过程也大体相同，至于非标准格式的数据集建议先转换格式。一、修改配置文件使用训练/检测自己的c

目录一、修改配置文件二、训练/测试命令以及常用命令参数2.1 测试2.2 训练mmdetection的官方使用教程：https://github.com/open-mmlab/mmdetection/blob/master/README_zh-CN.md本文以coco格式数据集为例，其他的标准格式如VOC等过程也大体相同，至于非标准格式的数据集建议先转换格式。一、修改配置文件使用训练/检测自己的c

泰勒级数、傅里叶变换、拉普拉斯变换、Z变换简单梳理1、 泰勒级数2、傅里叶系列2.1连续周期信号的傅里叶级数 (FS)时域连续，频域离散2.2 连续傅里叶变换（FT）时域连续，频域连续2.3离散周期信号的傅里叶级数 (DFS)2.4 离散时间傅里叶变换 (DTFT)时域离散，频域以2pai为周期连续3、拉普拉斯变换4、Z变换只是简单梳理下上述变换的概念以及关系，具体细节请自行查...

目录一、解决的主要问题二、预备知识三、论文内容：四、CNN估计3D box参数：4.1 偏航角回归4.2 网络结构4.3 损失函数4.3.1 回归角度部分的损失函数4.3.2 尺寸回归部分的损失函数五、实验5.1 数据增强5.2 结果展示发表时间及期刊/会议 : 2017 CVPR论文地址：https://arxiv.org/abs/1612.00496一、解决的主要问题单目图像实现3D目标检测已

环境： VS2015 + CUDA8.0 + OpenCV2.4.13跑CUDA程序时出现以下错误：无法解析的外部符号 __cudaUnregisterFatBinary无法解析的外部符号 cudaDeviceSynchronize无法解析的外部符号 cudaConfigureCall无法解析的外部符号 __cudaRegisterFunction...等等原因：配置环境时没有添加CUDA的lib

copy-pasted 数据增强是2019年论文《Augmentation for small object detection》提出的针对coco的数据集增强方式，主要是为了解决小目标数量过少的问题，顾名思义，把小目标复制然后再重新在图像的随机位置粘贴，以此来增加小目标在数据集中的数量。由于最近在一个比赛中目标全为小目标，因此自己动手实现了这个数据增强的简化版。代码如下，因为比赛中数据集中只有小

拉格朗日乘子法拉格朗日函数对偶问题KKT条件拉格朗日函数作用：将带有k个约束条件，d个变量的最优化问题转变为 k+d个变量的无约束优化问题1、当约束条件为等式形式时：有最优化问题：x为的d维向量,则此优化问题即 在g(x)=0所定义的d-1维曲面上寻找一点x能够使得目标函数f(x)取得最小值。则在该点f(x)的梯度▽f(x*) (注：不是导数！) 平行于 ▽g(x*)因此可以推出定义拉格朗日函数：

目录1、算法原理1.1 IOU1.2 算法思想及步骤2、代码实现1、算法原理目标检测预测的结果中会出现大量的没有必要的重叠预测框，因此需要进一步后处理来“去重”，在这里绝大多数算法都使用了NMS（Non-maximum suppression，非极大值抑制）或者它的变体（D-IOU NMS等等，但本质都是NMS）1.1 IOU首先需要了解IOU，Intersection over Union，即两

目标检测数据集格式转换：VOC,COCO,YOLO互相转换