小裘控制系统

  本文主要是面向使用C/C++设计跟踪器算法的同学，搭建VOT的测试环境，以及一部分使用的经验。   VOT挑战赛是世界上公认的最权威的目标跟踪的比赛，赛事相关的论文奇数年会发在ICCV上，偶数年会发在ECCV上。在赛事的官网上能下载历年的比赛结果和数据集，VOT采用的算法性能评估工具是基于TraX协议，待评估的算法需要按照TraX的协议进行编写。 TraX协议   参考Luka Čehovin 2014年的论文：TraX: Visual Tracking eXchange Protocol，里面比较详细地介绍了基于TraX协议测试跟踪器的方式。   比较反直觉的是，我们自己写的跟踪器被称为“Server”，而给我们的跟踪器送图片的进程称为“Client”。Client会调用我们的跟踪器产生一个Seerver进程，两个进程之间按照一定的消息格式通信。 编译OpenCV   TraX的编译是依赖OpenCV的，后面作为样例的跟踪器也需要OpenCV。虽然可以在网上找到别人编译好的OpenCV，但是难免会遇到和我们本地的编译器不兼容的情况。别人编译的库文件要是有问题，就会很头疼，所以最 ...

  本文是CSK与KCF算法推导的第六篇，主要介绍HOG特征提取与多通道计算。 CSK与KCF算法推导（一）——DFT、相关运算和循环卷积 CSK与KCF算法推导（二）——带核函数的岭回归问题求解 CSK与KCF算法推导（三）——算法主体部分推导 CSK与KCF算法推导（四）——从一维推广到二维 CSK与KCF算法推导（五）——具体实现细节 CSK与KCF算法推导（六）——HOG特征提取与多通道计算 边缘特征提取   采用 [-1，0，1] 的滤波模版求原始图像的水平和垂直方向的梯度。滤波模版的Anchor位于滤波模版的中心。求边缘的像素的梯度时，对原始图像的 边界有一个扩展的操作，作者采用的是镜像扩展，这样一来边缘像素的梯度值均为0。 方向图与强度图   在得到xxx方向的梯度图和yyy方向的梯度图之后，我们就得到了原始图像中每个像素点的梯度向量(dx,dy)(dx,dy)(dx,dy)，将这些梯度向量转换成模rrr与方向角α\alphaα进行表示，用于生成方向梯度直方图（Histogram of Oriented Gradient，HOG）。   HO ...

  本文是CSK与KCF算法推导的第五篇，主要介绍具体实现的细节。 CSK与KCF算法推导（一）——DFT、相关运算和循环卷积 CSK与KCF算法推导（二）——带核函数的岭回归问题求解 CSK与KCF算法推导（三）——算法主体部分推导 CSK与KCF算法推导（四）——从一维推广到二维 CSK与KCF算法推导（五）——具体实现细节 CSK与KCF算法推导（六）——HOG特征提取与多通道计算 算法流程   算法的大致流程如上图所示。左边是第一次训练，右边是每次的更新。我认为整个算法最关键的地方在于提取特征图和核函数的计算。作者的代码里有提取hog特征，也有直接用原始的灰度图像数据作为特征图，目前我只看了用灰度图作为特征图的部分。需要注意的是，这里的灰度图是归一化到[-0.5,0.5]的区间内的！！！ fftshift()   MATLAB里有一个fftshift()的函数。原本DFT的结果中，低频部分是在序列两端，高频在中间；这个函数可以把低频移到中间，高频移到两边。   在我前面的文章中介绍了，标签值应该是一个峰值在序列两端的高斯函数。既然我们是用这样的标 ...

  本文是CSK与KCF算法推导的第四篇，主要介绍将前面推导采用的一维情况推广到二维。 CSK与KCF算法推导（一）——DFT、相关运算和循环卷积 CSK与KCF算法推导（二）——带核函数的岭回归问题求解 CSK与KCF算法推导（三）——算法主体部分推导 CSK与KCF算法推导（四）——从一维推广到二维 CSK与KCF算法推导（五）——具体实现细节 CSK与KCF算法推导（六）——HOG特征提取与多通道计算   KCF全文的推导都是建立在一维样本上的，但是实际使用却是用于二维的图像。那么它是怎样从一维推广到二维的呢？本文参照一维推导的思路给出二维的推导过程。 矩阵内积与矩阵的迹   二维的推导，需要定义一些新的运算。AAA和BBB都是m×nm\times nm×n的矩阵，数学上有trace(ATB){\rm trace}(A^TB)trace(ATB)表示矩阵对应位置元素相乘并求和的结果。参考向量内积，为了方便起见，定义两个矩阵的内积<A,B><A,B><A,B>，AAA和BBB都是m×nm\times nm×n的矩阵。 ...

  本文是CSK与KCF算法推导的第三篇，主要介绍算法的主体部分推导。 CSK与KCF算法推导（一）——DFT、相关运算和循环卷积 CSK与KCF算法推导（二）——带核函数的岭回归问题求解 CSK与KCF算法推导（三）——算法主体部分推导 CSK与KCF算法推导（四）——从一维推广到二维 CSK与KCF算法推导（五）——具体实现细节 CSK与KCF算法推导（六）——HOG特征提取与多通道计算 循环矩阵   循环矩阵从CSK的文章里就提出了，概念也很容易理解。一个样本xxx，可以通过循环移位生成不同的向量，组合成一个矩阵C(x)C(x)C(x)。下面的图里分别列出了xxx、C(x)C(x)C(x)和C(x)C(x)C(x)的转置。   循环矩阵C(x)C(x)C(x)和另一个列向量zzz相乘，得到的结果就是xxx和zzz进行相关运算的结果。这个也很好理解，就是xxx在zzz上面滑动，然后进行乘加运算。同样可以写出循环卷积的矩阵表达式，循环卷积需要先将xxx倒序，然后再滑动。对比循环卷积所用的矩阵和(C(x))T(C(x))^T(C(x))T的颜色，可以发现它 ...

  本文是CSK与KCF算法推导的第二篇，主要介绍标量对向量求导、核函数、岭回归问题求解等内容。 CSK与KCF算法推导（一）——DFT、相关运算和循环卷积 CSK与KCF算法推导（二）——带核函数的岭回归问题求解 CSK与KCF算法推导（三）——算法主体部分推导 CSK与KCF算法推导（四）——从一维推广到二维 CSK与KCF算法推导（五）——具体实现细节 CSK与KCF算法推导（六）——HOG特征提取与多通道计算 向量求导   很多论文里的数学推导都离不开对向量求导。对向量求导的本质也是对一个个分量求导，用向量写起来就非常紧凑美观。向量分为行向量和列向量，习惯上我们都是把变量写成列向量，所以大多数情况都是对列向量求导。有些书里提出了“分子布局”、“分母布局”的概念，帮助阐述如何对向量求导，但我怕比较繁琐就不在这里介绍了。 标量对向量求导   两个向量的内积可以得到一个标量，这个标量对向量求导实际上是对向量的每个分量分别求导。设q={q1,q2,q3⋯qn}Tq=\{q_1, q_2,q_3\cdots q_n\}^Tq={q1​,q2​,q3​⋯qn​} ...

  从2015年João F. Henriques等人提出KCF以来，网上已经有了很多相关的科普，也有博主给出了非常详细的推导，但如果想要真正理解我觉得还是得自己推导一遍，所以我在这里准备写一下自己学习过程中的一些想法。   本文是CSK与KCF算法推导的第一篇，主要介绍DFT、相关运算和循环卷积相关的内容。   SpringerLink上的ECCV2012里的CSK的论文里公式（4）落了一个共轭，下面链接里的CSK论文没有问题。知乎上有人说作者的论文中推导有问题，我推导了之后也发现确实是有那个问题，但无伤大雅。 2012 - CSK: Exploiting the Circulant Structure of Tracking-by-detection with Kernels 2015 - KCF: High-Speed Tracking withKernelized Correlation Filters 2015 - 作者博士论文: Circulant Structures in Computer Vsion 作者Github源码   上面的这些链接是我的主要参考资料。 ...

Refences System Requirment How To Build Check Compute Capability Build All Content baseline shared memory coalesce other practice graph memory mapped 本文记录了我的cuda学习经历，和大多数人一样，通过优化矩阵乘法的过程来了解一些基本的概念。仓库链接： Gitee Github Refences NVIIDA Fermi Architecture Whitepaper CUDA C++ Programming Guide CUDA C++ Best Practices Guide 其中Fermi架构是Compute Capability 2.0的架构。从白皮书里能了解到硬件相关的一些基本概念。比如streaming multiprocessor，有时候也简称multiprocessor或者SM。一个SM里有32个cuda core，有两个warp调度器。一个warp是由32个thread组成。和硬件结合 ...

判断 二分图是无向图的一种，它只对无向图中的边做了限制。将图中的所有定点分到两个集合中，要求所有边的两个端点分别处于这两个集合。 解题思路也很简单。遍历每个点，并从每个点出发找它的相邻的点，对处于不同集合的点做不同得标记。如果发现标记产生冲突，那么就不是二分图；如果成功给每个点做上标记，则是二分图。 leetcode有一题判断二分图的题，链接 1234567891011121314151617181920212223242526272829303132333435363738394041424344class Solution { private: constexpr static int nocolor = 0; constexpr static int red = 1; constexpr static int green = 2; vector<int> color_; bool dfs(int node, int c, const vector<vector<int>>& graph) { colo ...

工作半年了，实际的工作体验跟当初想象的好像是不太一样。感觉还是在学校读书好啊 方向？ 半年没更了，偶尔也有些网友私信问我DSP相关的问题，但是我现在也没有继续做DSP了，很多也都忘了，所以可能帮不上什么忙，也就都没有回复了。在这里统一回复一下，抱歉抱歉T_T。 在本科的时候，我喜欢做硬件，跟一堆电子元件打交道，追求尽可能用一些小封装的器件设计精巧的电路。做比赛做的大多也都是通信方向，但是一直都没有深入去理解，浅尝辄止，想着尽可能接触一些新的东西。读研之后开始转方向了，类似于嵌入式软件的开发（也不知道是不是正经的嵌软），写C/C++，也写一些Verilog，开发DSP和FPGA。感觉也是一种不上不下的状态，C/C++打不过真正做软件的，Verilog也没有做数字IC的能打。算法能力也不用说，仅限于刷过几道题的水平。所以读了几年书下来，一直都没有一种可以拿得出手的特长。参加工作之后做的是一般的C/C++开发工作，但感觉也没有很大的兴趣，对未来的方向有点迷茫了。 我觉得能够越早找准自己的定位，自己的方向，就可以走越少的弯路。关于寻找自己的方向，我还在路上…… 学习 学习是一个很宽泛的概念，学 ...