2018-09-第一周1

【本周工作总结】 本周的主要工作集中在深度学习领域，特别是对VoxelNet论文的阅读以及准备参与阿里竞赛链。在Ubuntu系统上，我已经配置好环境，并成功运行了提供的代码示例（demo.py）。接下来，我计划深入理解VoxelNet的算法原理，并结合代码进行进一步研究。 在周会上，我们讨论了深度学习学习方法的调整。我认识到，应当侧重于通过使用深度学习工具来解决实际问题，而不是仅仅局限于对工具本身的理论研究。因此，未来的工作将更加注重实践，通过了解和应用各种工具，增强对深度学习的理解和应用能力。 【下周工作安排】 1. 完成SqueezeSeg网络的训练部分，理解其训练过程和参数设置。 2. 分析SqueezeSeg的输入输出，尝试调整网络参数以优化性能。 3. 与团队成员王腾协作，将竞赛数据转化为适合SqueezeSeg网络的数据格式，并进行初步训练。 【论文阅读】 1. SqueezeSeg: 这是一篇关于语义分割的论文，其方法类似于之前看过的VoxelNet，主要关注如何高效地进行3D点云数据的处理。通过阅读原文，将更深入地掌握其卷积神经网络结构和实现细节。 2. VoxelNet: 该论文提出了一种全新的3D目标检测框架，利用体素化的3D输入，提高了对3D环境的理解。翻译部分有助于理解其创新点和算法流程。 【Python开发工具：virtualenv】 为了解决Python项目之间可能出现的依赖包冲突问题，我们使用virtualenv创建独立的Python环境。它使得每个项目都能拥有自己的包依赖，避免了全局环境的污染。 - 安装virtualenv: 使用pip install virtualenv命令。 - 创建虚拟环境: 可以通过-virtualenv [env_name]指定环境名，如-virtualenv venv。 - 激活虚拟环境: 使用source [env_path]/bin/activate进入，退出则运行deactivate命令。 - 通过virtualenvwrapper扩展工具，可以更加方便地管理虚拟环境，例如使用mkvirtualenv创建新环境，使用workon切换环境，以及lssitepackages查看环境中的包等。 【计算机视觉工具：OpenCV】 OpenCV是一个强大的计算机视觉库，可用于图像处理和计算机视觉任务。在Mac上配置OpenCV需要下载源码，使用CMake构建工程，还需要安装OpenGL和CMake环境。通过Homebrew可以便捷地安装CMake，然后根据OpenCV的官方指南进行编译和安装。 本周主要集中在深度学习的实践应用和理论学习上，而下周将继续深化这一领域的研究，同时扩展到计算机视觉领域，通过OpenCV提升处理图像和3D数据的能力。通过合理规划和有效工具的使用，将不断提升在这些技术上的专业素养。