2022 / 10 / 19 说明：本文仍为未完成状态，且后续很长一段时间内将不会进一步完善此文。请谨慎阅读这篇文章。
因学长所用的某个针对yolov5的修改版训练网络针对宽高不等的图片无法作为数据正常送入网络进行训练，而先期使用labelimg2标注工具所截取的图片往往都不是正方形，所以我要对之前处理的图片进行padding处理使之成为正方形。同时padding操作改变了图片的坐标系位置以及图片宽高属性，因此要对标签(XML文件)进行更新操作，而这涉及到对XML文件的读写，在网上查询相关资料后，我成功实现了预期目标。
今天最开心的事情是终于在Windows环境下运行起来Github上这个项目的Demo，对于我一个电脑小白而言那背后的可都是泪呀TAT，因此有必要记录一下整个流程以方便其他人的需要~
简述一下相关背景：ncnn是一个前向神经网络框架，由纯C++实现所实现。而SOLOV2是一个快速的实例分割算法，关于什么是实例分割，可参考图像处理的相关文章。此外，笔者的相关环境配置一并列举于此处，方便读者参考：
| 环境 | 版本 |
|---|---|
| Windows | 10 专业版 20H2 |
| Visual Studio 2019 | Community Edition 16.11.31702.278 |
| OpenCV | 3.4.5 |
| CMake | 3.21.3 |
| ncnn | Release 2c4ae09604 即目前的lateset release(20210720) |
最近在看学长接手的形状匹配(shape based matching)C++工程，虽然看懂的不多，但是被要求将部分代码打包封装成dll，暴露简洁的接口供调用者使用。
在流程上，我参考了另一位师兄给的链接里的步骤。现结合具体工程记述如下：
本文内嵌有大量的数学符号、公式，为确保排版格式正确，推荐您使用电脑端查看这篇文章。
对于在时域上满足一定条件的信号f(t)，我们可以通过傅里叶变换的公式将其转化为频域上的信号F(jω)：
$$
F(j\omega)=\int_{-\infty}^{+\infty}f(t)e^{-j\omega t}dt
$$
同时也可以通过傅里叶反变换的公式将其还原为时域上的信号：
$$
f(t)=\frac1{2\pi}\int_{-\infty}^{+\infty}F(j\omega )e^{j\omega t}dt
$$
通过这个数学工具，我们建立起了两个不同的角度间描述同一个信号的桥梁。而笔者在复习《信号与系统》的过程中，深刻认识到了它的重要性，因此决定记录下它的推导过程以加深理解。