洛天的小窝

一、实验要求   ARM Cortex-M3微处理器使用端口GPIOA控制一片七段数码管（共阳极），按键K连接GPIOA15管脚。   实现下述功能：使用查询方式查询按键状态，当按键打开时， GPIOA15管脚为“0” ，数码管显示0；当按键闭合时，GPIOA15管脚为“1”，数码管显示自己的学号，每隔1秒显示1位，显示结束后，数码管灯关闭。 二、实现流程 三、实验代码 3.1 写入中断向量 AREA RESET,CODE EXPORT __Vectors EXPORT Reset_Handler__Vectors DCD __initial_sp DCD Reset_Handler SPACE 39*4 IMPORT DISPLAY DCD DISPLAYReset_Handler PROC IMPORT main ldr r1,=main bx r1 B . ENDP NOP AREA STACK,DATA SPACE 0x100__initial_sp END 3.2 程序代码 #include "usrt1.h"void INIT(){ ...

目标检测基础与 MMDet 目标检测简介 实例应用 人脸识别 身份识别、属性分析 … 智慧城市 垃圾检测、非法占道检测、违章停车检测、危险物体检测、自助服务、烟雾和火灾检测、标准着装检测、危险行为检测 … 自动驾驶 环境感知、路径规划与控制 … 下游视觉任务 文字之别、人体姿态估计 … 滑窗 Sliding Window 未完待续…

  由于本人之前没有接触过python和机器学习的相关知识，这次图像分类的配置过程可谓一路艰辛，本文当是一次避坑总结。 配置环境概览: 平台: Windows 11 Python: 3.9.16 GPU: 本地 GPU CUDA: 11.7 cuDNN: 8.5 Pytorch: 1.13.1 OpenCV: 4.6.0 MMCV: 1.7.0 MMCls: 0.25.0 一、环境安装   整体环境框架如下： 1. CUDA 与 cuDNN 安装   网上有很多的教程，这里就不再赘述了，不过我以后有时间会补充上滴。这里推荐一个：【CUDA】cuda安装。   不过有一点要说明，在安装 CUDA 之前要先看一下自己的显卡最高支持的 CUDA 版本和适合于 Pytorch 的 CUDA 版本，版本安装错了后面会出现很多问题。   比如我的 NVIDIA GPU 最高支持到 CUDA 12.0，Pytorch 官网目前最高支持到 CUDA 11.7，因此选择 CUDA 11.7 就 OK。 2. ANACONDA 环境与 Pycharm 配置 2.1 ANACONDA 安装   ANA ...

MMcls 实例应用 & 超算平台的使用 一、MMClasification 深度学习模型的训练涉及几个方面:   1. 模型结构：模型有几层、每层多少通道数等等   2. 数据集：用什么数据训练模型: 数据集划分、数据文件路径、数据增强策略等等   3. 训练策略：梯度下降算法、学习率参数、batch size 训练总轮次、学习率变化策略等等   4. 运行时：GPU 、分布式环境配置等等   5. 一些辅助功能：如打印日志、定时保存 checkpoint 等等 在 OpenMMLab 项目中，所有这些项目都涵盖在一个配置文件中，一个配置文件定义了一个完整的训练过程：   1. model 字段定义模型   2. data 字段定义数据   3. optimizer、Ir_config 等字段定义训练策略   4. load_from 字段定义与训练模型的参数文件 配置文件的运作方式如下： 图像分类模型的构成： 图像分类模型的构建： 数据集的构建： 定义数据加载流水线： 配置学习策略： 预训练模型库：   MODEL ZOO SUMMARY 二、相关链接 ...

**图像分类基础与 MMCls** 一、图像分类概述   图像分类问题就是构建一个可实现的计算函数$F:\mathbb{R} ^{H\times W\times 3}\rightarrow {1,\cdots ,K}$，且预测结果符合人类认知。但是难点就是图像内容是像素整体呈现出来的结果，和个别像素没有直接的关联，难以设计具体的算法实现。于是需要需要让机器从数据中学习。而机器学习也是有局限的，机器学习算法善于处理低维、分布相对简单的数据，而对于几十万维的复杂数据处理优势就不足了。我们需要更好的图像分类方法。 特征工程   在 90 年代，人们用计算梯度直方图 (Histogram of Oriented Gradients) 等一些人工算法将图片映射成相对低维的特征向量，这样极大的简化了数据的表达，同时也保留了内容相关的信息，使得机器学习得以处理图像分类问题。   但是这些也只是特征工程 + 机器学习算法实现图像分类，性能和效果还有很大的提升。 特征学习   之后人们开始探索从特征工程到特征学习的转变，特征学习其实也就是学习如何产生适合分类的特征，将多个简单特征变换复合构成一个复杂的 ...

初探深度学习与神经网络 一、计算机视觉四大基本任务 检测：如特定目标检测，通用目标检测等。 分割：如语义分割、实例分割、关键点检测等。 定位 分类 案例：虚拟主播，人脸识别，人体姿态跟踪等等。 二、MMLab算法框架   MMDetection：目标检测   MMClassification：图像分类   MMSegmentation：语义分割   MMPose &MMHuman3D：人体姿态   MMTracking：目标追踪   MMAction2：视频理解分析   MMOCR：文字检测   MMEditing：图像处理   …… 算法框架 三、机器学习 3.1 为什么要进行机器学习   从数据中学习经验，来解决特定问题   一般步骤：问题——收集数据——拟合模型 3.2 机器学习的典型范式   1、监督学习：数据之间存在某种映射关系，如何基于有限的数据样本推断出这种关系？   2、无监督学习：数据自身是否存在某种“结构或"规律”？   3、强化学习：如何和环境交互，以获得最大收益？ 3.3 机器学习的基本流程   1、训练：采集一些数据，标注它们的类别，从 ...

1. OTSU阈值化   最大类间方差算法，步骤如下：   统计每个像素在整幅图中的个数——计算每个像素的概率分布——对灰度值进行遍历搜索，计算当前灰度值下前景背景类间概率——通过目标函数计算出类内与类间方差下对应的阈值。   代码如下： int OTSU(Mat srcImg)//输入灰度图像{ int nCols = srcImg.cols;//纵方向x int nRows = srcImg.rows;//横方向y int threshold = 0;//输出的灰度阈值 int nSumPix[256];//灰度级统计数组 float nProDis[256];//灰度级概率分布数组 for (int i = 0; i < 256; i++)//初始化统计数组 { nSumPix[i] = 0; nProDis[i] = 0; } for (int i = 0; i < nRows; i++)//统计灰度 { for (int j = 0; j < nCols; j++) { nSumPix[(int) ...

摘要   分赌注问题又称为点数问题，是法国学者梅雷于1654年向法国数学家帕斯卡提出的。   该问题简单来说就是两个水平相同的赌徒A和B，约定先胜$t$局的人赢得赌注，在赌局中的某时刻，两赌徒终止赌博，此时A胜$r$局，B胜$s$局，应该如何合理分配赌注。赌注问题不仅成为概率论的起源，同时荷兰数学家惠更斯在此基础上撰写《论赌博中的计算》一书，提出了数学期望的概念，推动了概率论的发展。   本文用理论分析运算得出赌注分配的最佳方案，并采用MATLAB仿真实验验证结果的正确性。 一、问题假设 假设先胜18局的人赢得赌注，且在A胜10局且B胜7局的时候终止赌博； 假设赌徒A和B的胜率相同，即每一局A和B都有0.5的机会赢得胜利； 由于$r$和$s$的大小不影响问题的讨论，不妨假设$r>s$。 符号 符号说明 $t$ 获得赌注需要获胜的次数 $r$ A已经获胜的次数 $s$ B已经获胜的次数 $P_A$ A先获胜$t$局的概率 $P_B$ B先获胜$s$局的概率 $P_a$ A获胜一局的概率 $P_b$ B获胜一局的概率 $i$ 比赛结束时的 ...