coco

luo@luo-All-Series:~/MyFile$ luo@luo-All-Series:~/MyFile$ luo@luo-All-Series:~/MyFile$ git clone https://github.com/endernewton/tf-faster-rcnn.git Cloning into 'tf-faster-rcnn'... remote: Enumerating objects: 1675, done. remote: Total 1675 (delta 0), reused 0 (delta 0), pack-reused 1675 Receiving objects: 100% (1675/1675), 2.45 MiB | 429.00 KiB/s, done. Resolving deltas: 100% (1090/1090), done. luo@luo-All-Series:~/MyFile$ luo@luo-All-Series:~/MyFile$ ls 20190227-5 Anaconda3 arraypad.py COCO labelImg Labelme opencv TensorflowProject tf-faster-rcnn luo@luo-All-Series:~/MyFile$ luo@luo-All

使用Tensorflow从0开始搭建精灵宝可梦的检测APP 本文为 本人 原创，转载请注明来源链接 环境要求 Tensorflow1.12.0 cuda 9.0 python3.6.10 Android Studio Anaconda 安装Tensorflow 使用conda 安装GPU版Tensorflow conda install tensorflow-gpu=1.12.0 找到tensorflow的安装位置 我的位置在: home/jiading/.conda/envs/tensorflow12/lib/python3.6/site-packages/tensorflow 通过conda安装的tensorflow是不包括models这一模块的，需要从Github上下载: https://github.com/tensorflow/models 将它克隆到tensorflow文件夹下: 打开models\research\object_detection,按照https://github.com/tensorflow/models/blob/master/research/object_detection/g3doc/installation.md提示的进行安装 运行 python object_detection/builders/model_builder_test.py

　　一、安装测试：(官方github上很详细) 　　https://github.com/open-mmlab/mmdetection 　　测试： 　　from mmdet.apis import init_detector, inference_detector, show_result 　　if __name__ == '__main__': 　　config_file = 'configs/faster_rcnn_r50_fpn_1x.py' 　　checkpoint_file = 'checkpoints/faster_rcnn_r50_fpn_1x_20181010-3d1b3351.pth' 　　img_path = 'test.jpg' 　　model = init_detector(config_file, checkpoint_file, device='cuda:0') 　　result = inference_detector(model, img_path) 　　show_result(img_path, result, model.CLASSES) 　　测试注意事项： 　　1. mmdetection目前不支持Windos系统，我使用Ubuntu16.04 　　2.`checkpoint_file`

在不确定的时期，许多公司只是在寻找生存之道，并且很容易忘记这其实需要未雨绸缪，而不仅仅是事到临头才应对。对于很多企业来说，现在比以往任何时候都更需要加倍努力创新，以创造新产品、开发更好的商业模式或者应对竞争对手的打击。 要了解创新的本质，必须要摆脱那些引人入胜的故事，而是深入研究个人和公司是如何发展创新概念的细节。CB Insights近期分析了来自商业、技术和文化领域最杰出思想家的7种不同的创新思想，在每个部分都将分解为：如何看待创新和改变、品牌创新的实例，以及可从这些具体观点中得到的经验教训。 1.颠覆性创新：Clayton Christensen 颠覆性创新的概念由Clayton Christensen于1995年提出，已成为技术行业的基础理论之一，从Steve Jobs到Reed Hastings到Jeff Bezos的每个人都将其视为一种影响力。 Christensen想要解释的是，在某些情况下，那些只有很少数人和资源有限的小型公司，如何能够取代市场上已经有的更大型、资金更雄厚的公司。 Christensen认为，随着公司的壮大，大型“守成”公司将重点从获取新客户转移到保留最有价值的客户。而这种旨在创造稳定性并保持最大收益的战略，不可避免地导致该公司的潜在客户被忽视。 创业公司通过瞄准这些被忽视的客户并为其量身打造产品、服务与解决方案，从而在市场上站稳脚跟。例如

Deep Learning（深度学习）学习笔记（不断更新）： Deep Learning（深度学习）学习笔记之系列（一） 深度学习（Deep Learning）资料（不断更新）： 新增数据集，微信公众号写的更全些 为了您第一时间能获取到最新资料，请关注微信公众号：大数据技术宅 深度学习（Deep Learning）资料大全（不断更新） 相关Paper（不断更新） 笔者先从多个渠道整理了几篇，后续边看边更新。 1、Densely Connected Convolutional Networks 2、Learning From Simulated and Unsupervised Images through Adversarial Training 3、Annotating Object Instance with a Polygon-RNN 4、YOLO9000: Better, Faster, Stronger 5、Computational Imaging on the Electric Grid 6、Object retrieval with large vocabularies and fast spatial matching 7、Improving Information Extraction by Acquiring External Evidence with

[toc] 1. 按 由于文中的每一项内容都很难用几句话论述清楚，并且考虑到读者水平的差异，有的人可能并不需要我展开论述所有的内容。所以笔者采用一主干文章（即本文）和多篇用于具体描述细节的文章（即本文引用的超链接）用于讨论问题。 换装windows那点儿事（以win8升win10为例，其他版本如win7,升win10操作都是一样的，当然如果你的电脑配置可以，xp甚至是更老的版本也能升win10） 这里提醒下，装系统后请注意安装一下驱动，否则可能影响上网或者音频输出或黑屏等其他问题。虽然windows安装包内有驱动，但那是通用的驱动，不可能把所有厂商的所有驱动都整在镜像中的。可以下载驱动精灵检测一下或者在官网查自己的型号，下载并安装驱动。（安装完成后需要重启，再开机时最好再次检测下，以确保驱动正常安装。）提示升级驱动的话，最好也升级一下，尽管老版本的漏洞我们在实际使用中不一定会体验到。 2. win10对电脑配置的要求 最低配置：CPU(处理器)：1GHz；内存：32位：1G，64位：2G；硬盘：32位：16G，64位：20G；显卡：DirectX9 标准配置：屏幕：1024x600；固件：UEFI2.3.1（如果使用超过2T容量的硬盘，就应该使用UEFI，否则大于2T那部份在早期传统的BIOS（即legacy BIOS）下将不可识别。），对CPU、内存等的要求同最低配置。

https://new.qq.com/omn/20190228/20190228A0555D.html?pgv_ref=aio2015&ptlang=2052 作者：张梦真 设计师：赵鹏路 郭晓静 数据分析&整理：叶祯 诸岳锋 崔晋瑜 张秋红 尹紫珊 老唱片是时代洪流中的留声机。 “香槟酒起满场飞，钗光槟影晃来回，爵士乐声响，跳桑巴才够味，”三四十年代张帆的一曲《满场飞》，成了“十里洋场”大上海上流社会醉生梦死的缩影； “嗓中有痰，眼中有泪，心中有火，”崔健的《一无所有》、《新长征路上的摇滚》曾唱出八九十年代青年的迷茫与对社会的拷问； 1992年，高晓松灵感突至，一首《同桌的你》被草草地写在一本书的封底，清新淳朴的校园民谣跨越台湾海峡在大陆刮起旋风； …… 镁光灯下，歌手用声音给了它们最好的诠释；而鲜有人问津的幕后，音乐创作者却是真正赋予流行乐曲生命、血肉和骨骼的人。 只不过，与热闹的“台前”相比，当下流行乐曲创作的“后台”显得愈发冷清。 他们在唱什么 20世纪20年代，中国流行乐诞生在战火年代。 中国的第一首流行乐为中国流行乐之父黎锦晖的女儿黎明晖演唱的《毛毛雨》。如今乍一听仅是普通的乡间小调，但在当时却是十足的洋气和新潮。虽然唱法是被鲁迅讽为“鸡猫子腔”的嗓音尖细直白的民间小调唱法，但奏乐却采用了当时上海颇为盛行的西方爵士乐。 那时民风初开，描写男女爱情的歌词让闻者脸红

「道可道，非常道」，AI 领域的表征却一直在向着「常道可道」的方向前进，让可以表征的东西越来越接近「常道」。2017 年，DARPA 提出的第三波机器学习概念 [1] 中，其中一个方向也是找到更加通用的表征，从而让 AI 从当前「精心定义」过的任务中解脱出来，能够完成更加复杂的任务，更进一步接近人类的表现。为了解决这个问题，主要有两个方向——找到新的表征方式 [2]（更有效的计算方式或是全新的表征）或是提升当前表征计算方法的通用性 [3, 4]。本文涉及了在今年 CVPR 中提出的三个解决方案，先是说明了如何改进现有的表征，然后说明了如何提升表征的表现，最后基于多任务学习说明了如何处理不太相关的两个任务的表征。本文对每篇论文的描述中会先说明任务和算法概述（方便大概了解论文），再进行算法细节的讨论（如果想深入了解可以把后面部分也看完）。 机器之心分析师网络，作者：王子嘉，编辑：Joni Zhong。 1. Distribution-Aware Coordinate Representation for Human Pose Estimation 论文链接： https:// arxiv.org/abs/1910.0627 8 1.1 任务描述 本文的目标任务是人类姿态估计（human pose estimation），主要目的就是检测任意图片中人类关节的空间位置（坐标）

一、仪表盘 二、用户管理 1、用户列表 2、用户组 三、资产管理 1、资产列表 1.1 管理资产树 资产树节点不能重名, 右击节点可以添加、删除和重命名节点, 以及进行资产相关的操作 1.2 为资产树节点创建资产 在资产列表页面, 先在左侧选择资产要加入的节点, 然后在右侧选择创建资产 2、网域列表 网域功能是为了解决部分环境（如：混合云）无法直接连接而新增的功能，原理是通过网关服务器进行跳转登录 3、管理用户 是资产（被控服务器）上的root，或拥有 NOPASSWD: ALL sudo权限的用户， Jumpserver使用该用户来 推送系统用户、获取资产硬件信息 等。暂不支持 Windows或其它硬件， 可以随意设置一个 4、系统用户 5、标签管理 标签名称可以重名, 一个资产可以有多个标签产。标签删除, 资产上的标签信息会自动消失 6、命令过滤 系统用户可以绑定一些命令过滤器，一个过滤器可以定义一些规则 当用户使用这个系统用户登录资产，然后执行一个命令 这个命令需要被绑定过滤器的所有规则匹配，高优先级先被匹配, 当一个规则匹配到了，如果规则的动作是 允许, 这个命令会被放行, 如果规则的动作是 禁止，命令将会被禁止执行, 否则就匹配下一个规则，如果最后没有匹配到规则，则允许执行 四、权限管理 1、资产授权 把资产授权给用户后, 用户才能在 "我的资产" 里面看到资产,

论文连接： https://arxiv.org/abs/2004.10934 翻译的很多都是直译的，不准的地方请欢迎大佬指正 摘要 有许多功能可以提高卷积神经网络（CNN）的准确性。需要在大型数据集上对这些特征的组合进行实际测试，并对结果进行理论证明。一些功能仅在某些模型上运行，并且仅在某些问题上运行，或者仅在小规模数据集上运行； 而某些功能（例如批归一化和残差连接）适用于大多数模型，任务和数据集。我们假设此类通用功能包括加权残差连接（WRC），跨阶段部分连接（CSP），跨小批量标准化（CmBN），自对抗训练（SAT）和Mish激活函数。我们使用以下新功能：WRC，CSP，CmBN，SAT，Mish激活，Mosaic数据增强，CmBN，DropBlock正则化和CIoU_loss，并结合使用其中的一些功能以实现最新的结果：43.5％的AP（65.7 在Tesla V100上，MS COCO数据集的实时速度约为65 FPS。源代码位于 https://github.com/AlexeyAB/darknet 。 Introduction 大多数基于CNN的物体检测器仅适用于推荐系统。例如，通过慢速精确模型执行通过城市摄像机搜索空闲停车位的过程，而汽车碰撞警告则与快速不准确的模型有关。提高实时物体检测器的准确性，不仅可以将它们用于生成推荐系统，还可以用于独立的流程管理并能减少人工输入