DIAJEY-CSDN博客

原创《LF-YOLO》阅读笔记

LF-YOLO改进模块：RMF（多尺度改进模块），EFE（减少计算量）• 提出了一种名为RMF 的新型多尺度融合模块。它可以通过同时使用基于参数和无参数的方法来结合 X 射线图像的局部和全局线索。• 为了有效地学习表征，设计了一个新的 EFE 模块作为主干单元，它可以用很少的参数和低计算量提取有意义的特征。Multi-scale feature utilization 现有的基于 CNN 的算法存在卷积特征在对象检测任务中对尺度敏感的问题。许多方法试图通过利用多尺度特征使网络适应不同的尺度，我

2021-11-25 08:25:23 834

原创 YOLO V5 -- 学习笔记

参考文章：深入浅出Yolo系列之Yolov5核心基础知识完整讲解 – 江大白*参考视频教程：目标检测基础——YOLO系列模型（理论和代码复现）-- PULSE_0.V4 & V5yolo v5和v4前后推出只有两个月，其实V5和V4都是V3推出后，根据V3的改进。因此严格来说算是两个版本的V4,两者的大体思路都比较相似，不同的地方主要是细节地方对于前沿技术的使用，各有其优点。V4的优点在于准确性更高。V5的优点是有四种深度宽度的模型，可以根据要检测的物体大小，项目量级来选择不同的模型，灵活性更

2021-04-11 12:57:45 6156

原创 YOLO V4 -- 学习笔记

参考文章：深入浅出Yolo系列之Yolov3&Yolov4&Yolov5核心基础知识完整讲解 – 江大白*参考视频教程：目标检测基础——YOLO系列模型（理论和代码复现）-- PULSE_YOLO V4主要创新·输入端创新：Mosaic数据增强、cmBN、SAT自对抗训练·BackBone(CNN)主干网络：CSPDarknet53、Mish激活函数、Dropblock·Neck：在BackBone和最后的输出增之间加一些模块，如SPP模块，FPN+PAN结构·Predicti

2021-04-10 22:23:35 777

原创 YOLO系列笔记 -- V1

参考文章：https://blog.csdn.net/qq_38232598/article/details/88695454YOLO核心思想·端到端：采用直接回归的思路，将目标定位和目标类别预测整合于单个神经网络模型中·直接在输出层回归bbox的位置和所属类别 – 快！！！1.将一幅图像分为SXS个网格，如果某个object的中心落在网格中(通过ground-truth框确定)，则对应网格就负责预测这个object2.对于网络预测的Bounding box，除了回归自身位置外，还需要带一个

2021-04-10 09:33:53 494

原创 YOLO V3 -- 学习笔记

参考文章： yolo系列之yolo v3【深度解析】-- 木盏参考视频教程：目标检测基础——YOLO系列模型（理论和代码复现）-- PULSE_改进点（对比V2）1.分类网络(darknet-19) --> darknet-53darknet53结构中没有池化层和全连接层。因此在前向传播中，张量的尺寸变换通过改变卷积核的步长实现(如步长为2，即每次卷积后将图片边长缩小为原来的一般，因此V3的结果也是缩小到了原来的1/32)darknet-53比起darknet-19虽然速度变慢了一些，但

2021-04-09 21:21:39 294

原创 YOLO V2 -- 学习笔记

YOLO V2(YOLO 9000)改进点（对比V1）· 每个卷积层后增加BN（batch normalization–主要是在全连接层后将参数限定在范围内，保留更多有效参数信息），mAP增加了2%，并去除了Dropout· 使用高分辨率的数据集在预训练的CNN上做微调,mAP提升了4%（图像中信息更多了）· 不对（x,y,w,h）进行预测，而是预测于Anchor框的偏差(offset)，每个格点指定n个Anchor框，在训练时，最接近ground truth的框产生loss，其他不产生loss(直

2021-04-09 13:34:58 235

原创《Surface Defect Saliency of Magnetic Tile》-- 阅读笔记

论文信息该论文通过显著性检测模型检测磁瓦的表面缺陷，通过结合M-cue(多个维度整合形成显著性检测指标)+U-Net(深度学习网络结构训练)+PUSH（提高缺陷检测精度，使用边界框突出显示预测的缺陷）,提出了一个名为MCuePushU的定制模型该模型总结了一组主导线索，然后通过图像算术将它们融合到深层神经网络U-Net中，最后嵌入Push网络以使用边界框突出显示预测的缺陷。实验表明，MCuePushU可以达到最先进的显着性能，并且可以满足实时检查过程的需求，其性能远远超过了本文测试的所有其他

2021-03-03 18:30:14 2049 1

原创《Image Deformation Using Moving Least Squares》-- 阅读笔记

参考资料：https://zhuanlan.zhihu.com/p/103212151https://blog.csdn.net/hjimce/article/details/46550001一.背景《Surface Defect Saliency of Magnetic Tile》一文中提到过一种基于移动最小二乘图像变形的数据增强方法该方法可以通过操纵少数点完成网格的变形，实现图像变形，可以生成更多的形状不同的缺陷图像，增大数据量。二. 详细步骤三.算法实现具体讲仿射变换的变

2021-03-03 18:01:16 625 1

原创《Defects Detection Based on Deep Learning and Transfer Learning》-- 阅读笔记

论文信息整体思路：·无监督学习根据源域样本特征对其进行训练，以便根据源域样本获得网络的权重。然后，将源域DBN的结构和参数转移到目标域，并使用目标域样本对网络参数进行微调，以获取目标域训练样本与无缺陷模板之间的映射关系。最后，通过与重建图像进行比较来检测测试样品的缺陷。优点：通过参数传递学习解决DBN网络训练中的过拟合问题。通过迁移学习，可以解决样本不够的问题，并且可以通过两种样本相互交叉传递，微调，不断提高准确率。缺点：能检测相同位置的产品缺陷，而没有平移和旋转不变性。·DBN

2021-02-03 20:51:21 547

原创《Deep Active Learning for Civil Infrastructure Defect Detection and Classification》-- 阅读笔记

论文信息主要思路·Active Learning：先使用粗糙的系统实现二分类，将无缺陷的样本筛选出去，然后再将有缺陷的样本发送到人类专家中进行再标记，然后进行二次训练，不断循环，以改善系统性能·ResNet网络：为了提升分类性能，该论文使用多层的AL框架。较深的网络可能会遇到梯度消失问题，因此使用ResNet的带有残差单元的映射代替网络中的原始映射。·加权损失函数：由于无缺陷样本往往比有缺陷样本多得多，为了解决因为样本偏差而导致性能出现偏差，因此在交叉熵的基础上对于非缺陷patch部分加上权

2021-02-02 15:44:10 379

原创《Automatic Metallic Surface Defect Detection and Recognition with Convolutional Neural Networks》学习笔记

基于卷积神经网络的金属表面缺陷自动检测与识别：·主要思想：将缺陷检测与识别分类分开。首先通过级联自编码器(CASAE)分割和定位缺陷，生成预测Mask。然后扔进训练好的CNN网络进行分类优点：1.不错的鲁棒性和准确性2.可以准确知道缺陷的位置和大小大致架构：·首先将输入的原始图像转换为基于CASAE的预测Mask。·其次，阈值模块用于对预测结果进行二值化以获得准确的缺陷轮廓。·第三，由缺陷区域检测器提取并裁剪被视为下一模块的输入的缺陷区域。·最后，在分类模块中，这些缺陷区域通过紧凑的C

2021-01-31 10:14:31 1347 2

原创《一种基于无监督学习的纹理表面缺陷自动检测方法》-- 阅读笔记

参考论文：《An Unsupervised-Learning-Based Approach for Automated Defect Inspection on Textured Surfaces》整体思路·使用无缺陷样本进行模型训练，无监督学习·多尺度卷积降噪自编码器 + 高斯金字塔重建完成训练CDAE（卷积降噪自编码器）：重建输入图像块，并生成残差图以进行预测高斯金字塔：分析和综合不同分辨率下的检查结果实际优势· 可以适用于表面纹理均匀或不规则的材料· 不需要手机缺陷样本，可

2021-01-29 14:56:42 2970 5

原创迁移学习（Transfer Learning）-- 概念理解

迁移学习（Transfer Learning）迁移学习概述背景随着越来越多的机器学习应用场景的出现，而现有表现比较好的监督学习需要大量的标注数据，标注数据是一项枯燥无味且花费巨大的任务，所以迁移学习受到越来越多的关注。传统机器学习(主要指监督学习)基于同分布假设需要大量标注数据然而实际使用过程中不同数据集可能存在一些问题，比如数据分布差异标注数据过期训练数据过期，也就是好不容易标定的数据要被丢弃，有些应用中数据是分布随着时间推移会有变化如何充分利用之前标注好的数据（废物利用），

2021-01-27 16:56:27 3270 1

转载 GoogleNet--Inseption模型理解与实现

1、googleNet—Inception V1结构googlenet的主要思想就是围绕这两个思路去做的：（1）.深度，层数更深，文章采用了22层，为了避免上述提到的梯度消失问题，googlenet巧妙的在不同深度处增加了两个loss（辅助分类器）来保证梯度回传消失的现象。（2）.宽度，增加了多种核 1x1，3x3，5x5，还有直接max pooling的但是如果简单的将这些应用到feature map上的话，concat起来的feature map厚度将会很大，所以在googlenet中为了避免这

2021-01-27 16:55:27 281

原创《Going Deeper with Convolutions》阅读笔记

Going Deeper with ConvolutionsAbstract我们在ImageNet大规模视觉识别挑战赛2014（ILSVRC14）上提出了一种代号为Inception的深度卷积神经网络结构，并在分类和检测上取得了新的最好结果。这个架构的主要特点是提高了网络内部计算资源的利用率。通过精心的手工设计，我们在增加了网络深度和广度的同时保持了计算成本不变。为了优化质量，架构的设计以Hebbian和多尺度处理直觉为基础。我们在ILSVRC14提交中应用的一个特例被称为GoogLeNet，一个22层

2021-01-27 16:47:29 592

原创《Visualizing and understanding convolutional networks》阅读笔记

Visualizing and understanding convolutional networksAbsolution 大型卷积网络模型最近在ImageNet基准测试中证明了令人印象深刻的分类性能。但是，对于它们为什么表现如此出色或如何进行改进尚无明确的了解。本文介绍了一种可视化技术可深入了解中间要素层的功能以及分类器的操作。在诊断角色中使用时，这些可视化使我们能够找到优于Krizhevsky等人的模型架构。在ImageNet分类基准上。我们还进行了消融研究，以发现不同模型层对性能的贡献。

2021-01-27 16:40:57 501

翻译《SDD-CNN: Small Data-Driven Convolution Neural》--翻译笔记

文章信息：摘要：在实际工业中，轴承的缺陷通常会极其细微且出现概率低，因此导致大数据量和小数据量检测的分布差异较大。因此本文使用一种小数据驱动的缺陷检测方法。第一步，使用标签扩张应用于去解决类分布不均匀的问题。第二步，使用半监督的数据扩张方法去扩张数据集，第三步，使用四种CNN的变形网络应用于检测和分类（SqueezeNet v1.1, Inception v3,VGG-16, and ResNet-18）。经过对比，Inception v3 midel检测结果最好，达到99.56%。并且和原始的CNN

2021-01-21 11:32:58 1223 4

原创 PYTHON爬虫学习(七) -- scrapy框架

基本使用： -创建一个工程：scrapy startproject xxxxx -cd xxxxx - 在spiders子目录中创建一个爬虫文件 - scrapy genspider spiderName www.xxx.com - 执行工程 - scrapy crawl spiderName - 持久化存储： - 终端指令：要求：只可以将parse方法的返回值存储到本地的文本文件中注意：存储的文本文件类型只可以为：'json','jsonlines','jl','cs

2020-12-09 21:02:17 186

原创 PYTHON爬虫学习(六) -- selenium模块

Selenium模块selenium模块和爬虫之间有什么关联？ - 便捷的获取网站中动态加载的数据 - 便捷实现模拟登陆什么是selenium模块？ - 基于浏览器自动化的一个模块selenium使用流程: - 环境安装: pip install selenium - 下载一个浏览器的驱动程序(谷歌)： - 下载路径：http://chromedriver.storage.googleapis.com/index.html - 驱动程序和浏览器版本的对应关系：http://blog

2020-12-08 11:49:21 200

原创 PYTHON爬虫学习(四) -- 验证码识别，模拟登陆

验证码识别：验证码反爬机制：识别验证验证码图片中的数据，用于模拟登录操作识别验证码的操作(反反爬)：-人工肉眼识别(不推荐)-第三方自动识别 -云打码(http://www.yundama.com/demo.html)(验证码类型全，但是要钱)1.云打码的使用步骤1.注册：普通和开发者用户2.登录： --普通用户：查查还有没有分 --开发者用户： --创建一个软件(我的软件-->添加新软件-->录入软件名称-->提交)，完成后会拿到软件ID和密钥 --下载

2020-12-07 16:58:58 405

原创 PYTHON爬虫学习笔记(三)--数据解析，聚焦爬虫

·聚焦爬虫：爬取页面中指定的页面内容 --编码流程： -- 指定url -- 发起请求 -- 获取响应数据 -- 数据解析(new) -- 持久化存储 ·数据解析分类： -正则 -bs4 -xpath（***） ·数据解析原理概述： -- 解析的局部的文本内容都会在标签之间或者标签对应的属性中进行存储 -- 1.进行指定标签的定位 -- 2.标签或者标签对应的属性中存储的数据值进行提取（解析）1.数据解析–正则表达式：爬虫中常用的正则表达式：正则练习：

2020-12-03 22:15:10 298

原创 PYTHON爬虫学习笔记(二) -- Request模块

Request 模块–urlib模块–requests模块requests模块：python中原生的一款基于网络请求的模块，功能强大，简单便捷，效率高作业：模拟浏览器发请求使用方法：（requests模块的编码流程） --指定url --发送请求 --获取响应数据 --持久化存储环境安装： pip install requests实战编码： - 需求：爬取搜狗首页的页面数据实例1.简易网页采集器# -*- coding: utf-8 -*-''' 爬虫

2020-12-02 12:37:06 260

原创 PYTHON爬虫学习（一）-- 基础概念

什么是爬虫？通过编写程序，模拟浏览器上网，然后让其去互联网上抓取数据的过程爬虫在使用场景中的分类–通用爬虫：抓取系统的重要组成部分。抓取的是一整张页面数据–聚焦爬虫：建立在通用爬虫的基础上。抓取的是页面中特定的局部内容–增量式爬虫：检测网站中数据更新的情况。只会抓取网站中最新更新出来的数据反爬机制1.robots.txt协议：君子协议：规定了网站中哪些数据可以被爬取，哪些不可以http&https协议·1.http协议：--概念：就是服务器和客户端进行数据交互的一种形

2020-12-02 10:10:17 235 2

原创《基于opencv的机械零件部件特征的识别与检测》—阅读笔记

·opencv 数据访问方式访问方式有四种：

2020-10-30 19:58:44 5027 3

原创缺陷检测--斑点检测

·主要思路：斑点检测主要使检测出图像中比它周围像素灰度值大或比周围灰度值小的区域。一般有两种方法：1.基于求导的微分方法，也叫微分检测器（LOG算子）2.基于局部极值的分水岭算法（SimpleBlobDetector斑点检测算子）·LOG斑点检测LOG算子–高斯拉普拉斯算子（Laplace of Gaussian,LOG）·对于二维高斯函数：exp():·它的拉普拉斯变换为：·规范化后：如上图所示，规范化后算子在二维图像上使一个圆对称函数，可以用该算子去检测图像中的斑点。

2020-10-25 14:14:25 4461 2

原创 openCV缺陷检测学习（一）

·参考论文：《基于OpenCV的PCB元件缺陷检测》-- 郑帅兵，贾小军，季汉华缺陷检测流程· 平滑处理· 图像二值化· 边缘检测· 缺陷检测1.平滑处理平滑处理也成为模糊处理。通常用来压制，弱化或消除图像中的细节，突变，边缘和噪声。·论文中选择使用中值滤波的方法进行平滑处理，因为其对脉冲噪声有较好的滤除作用，且边缘不会被模糊。平滑滤波函数：void cvSmooth(const CvArr* src,CvArr* dst,int smoothtype = CV_GAUSSIAN,

2020-09-30 15:39:57 8164

原创缺陷检测（一）-- 通过CNN方法实现布匹缺陷检测

参考论文：《A fast and robust convolutional neural network-based defect detection model in product quality control》–Tian Wang·Yang Chen·Meina Qiao·Hichem snoussi1. CNN结构设计：1.1．输入图像：三通道彩色图像或单通道灰色图片1.2． ConV(卷积层)：卷积层利用一组滤波器，且这组滤波器仅连接到最后一层输出的一小部分。使用33或55的矩阵去

2020-09-05 20:07:27 5029 2

原创机器学习 -- SVM

1.什么是SVM？SVM–支持向量机，是一个类分类器，正确的定义是一个能够将不同类样本在样本空间分隔的超平面。换句话说，给定一些标记（label）好的训练样本（监督式学习），SVM算法输出一个最优化的分隔超平面首先，如何界定一个超平面是否为最优？如上图所示，要将这两类二维的点用直线分隔，就要找到一条最优化的分隔线。如何定义那一条直线最好呢？可以用一个值去定义，而这个之就是超平面离所有训练样本的最小距离。也就是间隔，而最优分割超平面就是最大化训练数据的间隔因为如果间隔太小，就表示噪点对结果的影响越

2020-08-30 10:31:48 402

原创 openCV特征提取与检测（六）-- HOG特征检测算法

1.什么是HOG特征提取算法？Hog，即方向梯度直方图直方图就是数据分布的一种图形表现，类似于柱形图，每个柱形代表一组处于一定范围的数据。这些柱形也成为组（bins），柱形越高意味着某组数据越多以下图灰度图像为例像素值的范围在0-255之间，将这些值分为32组，每组包含8个像素值，所以第一组的范围是0-7，以此类推到248-255.要创建直方图，就是将该途中的各个像素值，放到对应的组里。而上图中的薄饼有很多亮值，背景则很黑，因此直方图大致如下：什么是方向梯度？方向很简单，指的就是图像梯度

2020-08-28 22:31:19 8240 1

原创 openCV特征提取与检测（五）-- SIFT算法

文章主要参考：https://blog.csdn.net/lingyunxianhe/article/details/79063547算法介绍SIFT算法步骤图像金字塔空间极值点检测关键点方向分配特征点描述符API即openCV应用1.算法介绍SIFT--尺度不变特征转换算法(Scale-invariant feature transform)，通常用来侦测与描述影像中的局部性特征，在空间尺度中寻找极值点，并提取出其位置，尺度，旋转不变量。SIFT的应用范围包括物体识别，机器人感知

2020-08-28 09:06:54 1464 2

原创 open CV学习笔记（四）-- SURF特征检测

1.概述SURF–Speeded up Robust Features（加速稳健特征），是一种稳健的局部特征点检测和描述算法。算法的基本路程可以分为三大部分2.算法原理2.1、SURF特征检测步骤1.尺度空间的极值检测：搜索所有尺度空间上的图像，通过Hessian来识别潜在的对尺度和选择不变的兴趣点2.特征点过滤并进行精确定位3.特征方向赋值：统计特征点圆形领域内的Harr小波特征。即在60°扇形内，每次将60°扇形区域旋转0.2弧度进行统计，将值最大的哪个扇形的方向作为特征点的主方向4.

2020-08-27 22:08:10 1027

原创 openCV特征检测与提取（三）-- 自定义角点检测器

之前的角点检测器主要都是通过固定方法的API来实现的，而我们也可以用不同角点检测方法的原理和需求去制作角点检测的函数相关函数的介绍1.cornerEigenValsAndVecs（）函数该函数用来求解输入图像矩阵的特征向量和特征值主要用来模拟Harris角点检测2.cornMinEigenVal（）函数与第一个函数相似，但是它只计算相关矩阵的最小特征值，主要用来模拟Shi-Tomasi角点检测3.minMaxLoc（）函数寻找输入矩阵中的最小值和最大值，并可以获得对应点的位置代码： .

2020-08-23 14:35:46 354

原创 openCV特征检测与提取（二）-- Shi-Tomasi角点检测

Shi-Tomasi角点检测Harris算法原始的定义是将矩阵M的行列式值与M的迹相减，再将差值同预先给定的阈值进行比较由于harris算法的稳定性和k值相关，因此在harris的基础上发现，角点的稳定性和矩阵M的较小特征值相关。即可以直接计算出矩阵M的特征值，用较小的特征值与阈值比较，大于阈值的则为角点Api说明：代码：#include<opencv2/opencv.hpp>#include<math.h>#include<iostream>u

2020-08-23 14:27:30 239

原创 openCV特征提取及检测（一）-- Harris角点检测

Harris角点检测人眼对角点的识别通常是通过一个局部的小窗口完成，如果在各个方向上移动该小窗口，且窗口内的灰度发生了较大的变化，则说明窗口内存在角点。·如果在某个方向移动，灰度几乎不变，说明是平坦区域·如果只延某一个方向移动，灰度几乎不变，说明是直线·如果延各个方向移动，灰度均发生变化，说明是角点。主要推导公式如下：在找出矩阵后，便可以找出矩阵的两个特征值，根据两个特征值的关系区分是否是角点以上是Harris定义角点响应函数，k为常验函数0.04-0.06.定义当R>thre

2020-08-23 14:21:45 335

原创《机器学习》学习笔记（七）-- 深度学习的技巧和优化方法

1.Recipe of Deep Learningthree step of deep learning我们已经知道了deep learning的三个步骤：· define the function set(network structure)· goodness of function(loss function - cross entropy)· pick the best function(gradient descent - optimization)做完这些事情后，会得到一个更好的ne

2020-08-16 13:58:10 956

原创《机器学习》学习笔记（六）-- CNN（卷积神经网络）

1.Why CNN?当我们直接用一般的fully connected的feedforward network来做图像处理时，往往会需要太多的参数。举个例子，假设是有一张100100的图片，如果将它拉成一个vector，再乘以3色域，input vector就已经有三万维了，又假设hidden layer有1000个neuron，那仅仅是第一层的hidden layer的参数就已经有300001000个了因此，CNN做的事其实是，简化这个neural network的架构，根据自己的判断和对图像处理的理

2020-08-15 01:04:46 1895

空空如也

空空如也