1.改进CNN＆FCN的现源晶圆缺陷分割系统
2.Ubuntu系统-FFmpeg安装及环境配置
3.FCOS：论文与源码解读
4.fcnt1.h:No such file or directory是什么意思？
5.深度学习语义分割篇——FCN原理详解篇

改进CNN＆FCN的晶圆缺陷分割系统

       随着半导体行业的快速发展，半导体晶圆的现源生产需求与日俱增，然而在生产过程中不可避免地会出现各种缺陷，现源这直接影响了半导体芯片产品的现源质量。因此，现源基于机器视觉的现源酷盒源码晶圆表面检测方法成为研究热点。本文针对基于机器视觉的现源晶圆表面缺陷检测算法进行深入研究。

       在实验中，现源我们采用三种方式对样本晶圆进行成像。现源第一种方式使用工业显微相机，现源配备白色环光，现源成像分辨率高达×，现源位深度为，现源视野约为5.5mm ×3.1mm。现源第二种方式使用相机 MER--GM，现源配有蓝色环光和2倍远心镜头，物距mm，成像分辨率×，位深度，视野宽4.4mm，精度为2jum。第三种方式采用相机 Manta G-B，白色环光LTS-RN-W，镜头TY-A，dz论变源码物距mm，成像分辨率×，位深度8，视野宽3mm，精度1 jum。

       传统的基于CNN的分割方法在处理晶圆缺陷时存在存储开销大、效率低下、像素块大小限制感受区域等问题。而全卷积网络(FCN)能够从抽象特征中恢复每个像素所属的类别，但在细节提取和空间一致性方面仍有不足。

       本文提出改进DUC（dense upsampling convolution）和HDC（hybrid dilated convolution），通过学习一系列上采样滤波器一次性恢复label map的全部分辨率，解决双线性插值丢失信息的问题，实现端到端的分割。

       系统整合包括源码、环境部署视频教程、数据集和自定义UI界面等内容。

       参考文献包括关于机器视觉缺陷检测的研究综述、产品缺陷检测方法、基于深度学习的产品缺陷检测、基于改进的加权中值滤波与K-means聚类的织物缺陷检测、基于深度学习的子弹缺陷检测方法、机器视觉表面缺陷检测综述、股票分笔源码基于图像处理的晶圆表面缺陷检测、非接触超声定位检测研究、基于深度学习的人脸识别方法研究等。

Ubuntu系统-FFmpeg安装及环境配置

       FCN-4是一个应用于音频自动标注的全卷积神经网络，使用该网络进行mp3音频自动标注任务需要Librosa依赖库和ffmpeg工具。Librosa库的安装问题中，若安装结果中出现提示内容，说明librosa依赖库安装成功。在调用librosa包过程中，可能会遇到缺失其他相关依赖的问题，如缺少_bz2模块和_lzma模块，这需要将python3.6路径下的_bz2库拷贝到python3.7对应目录下，同时保证python3.7的目录下存在bz库文件，或从网上下载或从其他存在该文件的环境中复制到目标环境。对于找不到sndfile库的问题，使用命令行执行安装指令。在安装FFmpeg工具时，首先需要下载安装wget工具，然后下载并解压ffmpeg的源码安装包。在下载过程中，如果遇到无法通过认证检查的情况，可以通过在命令行中加入取消认证检查的选项来解决。下载完成后，cf鬼名源码使用解压命令将安装包解压至指定目录。接下来，创建ffmpeg文件夹作为安装路径，并进入源码包目录，执行config程序完成安装配置。若执行config程序时报错“nasm/yasm not found or too old. Use …”，需要先安装yasm，然后再重新执行配置程序。完成配置后，执行编译&安装指令，安装完成后，ffmpeg应存在于指定的安装路径下。配置环境变量时，将ffmpeg的绝对路径添加到PATH环境变量中。若在检测ffmpeg安装情况时出现找不到共享库文件的错误，需要在/etc/ld.so.conf.d/路径下创建文件“ffmpeg.conf”，并写入/usr/local/ffmpeg/lib路径。最后，通过命令行输入“which ffmpeg”或“ffmpeg -h”来测试是否配置成功。若以上步骤完成仍报错“audioread.exceptions.NoBackendError”，可以考虑修改库文件中的后端调用指令，将COMMAND = (‘ffmpeg’, ‘avconv’) 改为 COMMAND = (’/usr/local/ffmpeg/bin/ffmpeg’, ‘avconv’）。不同环境的caf源码的rom配置可能会有所不同，因此可能遇到的问题也会有所差异，遇到未提及的问题时，应根据报错信息在搜索引擎中查找解决方案。

FCOS：论文与源码解读

       FCOS：全称为全卷积单阶段目标检测，它在锚框自由领域中占有重要地位，与RetinaNet在锚框基础领域中地位相似。它沿用ResNet+FPN架构，通过实验证明，在相同backbone和neck层下，锚框自由方法可以取得比锚框基础方法更好的效果。

       FCOS借鉴了语义分割的思想，成功地去除了锚框先验，实现了逐点的目标检测，是全卷积网在目标检测领域的延伸。代码比锚框基础类简单，非常适合入门。

       1. 动机

       锚框基础类目标检测方法存在多处缺点，FCOS通过去除锚框，提出了简单、温柔且有力的目标检测模型。

       2. 创新点

       FCOS借鉴了语义分割的思想，实现了去除锚框、逐点的目标检测。以年提出的全卷积网（FCN）为例，FCOS借鉴了FCN的思想，将其应用于目标检测，主要步骤包括生成先验、分配正负样本和设计bbox assigner。

       3. 模型整体结构与流程

       训练时，包括生成先验和正负样本分配。FCOS的先验是将特征图上的每一点映射回原始图像，形成逐点对应关系。分配正负样本时，正样本表示预测目标，负样本表示背景。

       3.1 训练时

       在训练阶段，先通过prior generate生成先验，然后进行bbox assign。在分配过程中，FCOS利用了FPN层解决ambigous点的问题，通过多尺度特征融合和逐层分配目标来解决。

       3.1.1 prior generate

       FCOS通过映射特征图上的每一点回原始图像，形成点对点对应关系，生成先验。通过公式计算映射关系，其中s表示步长。

       3.1.2 bbox assigne

       分配正负样本时，FCOS借鉴了anchor base方法的正负样本分配机制，通过设计bbox assigner解决ambigous点问题。分配流程包括计算输出值、对输出进行exp操作和引入可学习参数scale，以及使用FPN层分而治之，进一步解决ambigous问题。

       3.1.3 centerness

       FCOS额外预测了centerness分支，以过滤远离目标中心的点，提高检测质量。centerness值范围为0~1，越靠近中心，值越大。测试时，最终score=cls_score*centerness。

       3.1.4 loss

       损失函数包括focal loss、IoU loss和交叉熵损失，用于训练分类、定位和centerness分支。

       3.2 模型结构

       模型继续沿用ResNet和FPN层，进行公平比较。FPN输出的特征层与RetinaNet类似，但FCOS在FPN输出的最后一层特征层上进行额外卷积，与RetinaNet在输入特征层上进行额外卷积不同。在推理阶段，注意centerness与分类分数的乘积作为最终得分，且需要进行NMS操作。

       4. 总结与未来方向

       FCOS是一个简单、温柔、有力量的锚框自由方法，地位重要，思想借鉴于语义分割，流程类似传统目标检测，包括生成先验、正负样本匹配、bbox编码和NMS等，额外加入centerness分支以提升检测质量。

       未来，FCOS的研究方向可能包括更深入的理论分析、模型优化和跨领域应用探索。

       5. 源码

       mmdetection提供了FCOS的配置文件和代码实现，包括多个版本和改进。了解这些细节有助于深入理解FCOS的实现和优化策略。

fcnt1.h:No such file or directory是什么意思？

       open.c:5:: fcnt1.h:No such file or directory这句话提示说没有发现"fcnt1.h"这个文件,然后之下的错误就是因这个而起的,个人认为是因为楼主输入有误,应该是fcntl.h,最后的字符是L的小写,而非数字1.楼主再试试看...^_^

深度学习语义分割篇——FCN原理详解篇

       深入探索深度学习的语义分割领域，FCN：关键原理揭示

       在一系列图像处理的里程碑中，从基础的图像分类到目标检测的革新，我们已经走过了很长一段路。秃头小苏的深度学习系列现在聚焦于语义分割，特别是FCN（Fully Convolutional Network）的精髓。

       回顾：我们曾深入讲解了图像分类基础和YOLO系列，以及Faster R-CNN的源码剖析，这些都是我们探索深度学习的基石。

       新起点：近期，我们将深入探讨语义分割的FCN模型，挑战传统观念，理解其结构与原理。

       FCN详解：网络结构与关键点

       FCN的核心在于其网络结构，它将传统AlexNet中的全连接层巧妙地转变为卷积层，以适应不同尺度的输入。关键在于特征提取和上采样技术，使得网络能输出与输入图像大小相同的像素级分类结果，每个像素对应类（包括背景）。

       转型亮点：FCN-、FCN-和FCN-8s三种结构，分别基于VGG的不同上采样倍数。这些网络从下采样VGG的特征图开始，通过转置卷积进行上采样，以还原原始图像尺寸。

       损失函数：FCN的训练过程涉及GT（单通道P模式），通过比较网络输出与GT的差异来计算损失，损失函数驱动网络优化，目标是使输出尽可能接近真实标签。

       深入理解：细节揭示与实践

       FCN-8s的独特之处在于它利用多尺度信息，通过结合不同尺度的特征来提高分割精度。在理论层面上，我们已经概述了基本原理。在后续的代码实战中，我们将深入剖析cross_entropy损失函数，一步步揭示其在实际训练中的作用。

       附录：VOC语义分割标注详解。VOC/SegmentationClass中的PNG标注文件，看似彩色，实则为单通道P模式调色板图像。理解RGB与P模式的区别至关重要，比如_.jpg（RGB）与_.png（P）之间的对比，揭示了调色板映射在单通道图像中的色彩信息。掌握这些细节，将有助于我们更深入地领悟FCN的工作原理。