Fate_fjh-CSDN博客

原创卷积神经网络CNN（8）—— Pix2Pix Application -- Aerialmap Lane Line Detection (Pix2Pix应用：航拍图车道线检测)

前言GAN(Generative Adversarial Networks–https://arxiv.org/abs/1406.2661)自问世而来热度一直无法退减，生成网络G与判别网络D通过相互对抗（原作者比喻成欺骗）训练网络，最终得到可以生成以假乱真图片的生成网络G。具有半监督学习能力的生成网络引来了大量研究者，同时产生了很多相关变体。Pix2Pix(Image-to-Image Transl

2017-08-10 11:40:31 8713 8

原创卷积神经网络CNN（7）—— 限速交通标志分类

1.前言限速交通标志识别在ADAS或者自动驾驶领域中相对基础的范畴，因此限速交通标志识别的要求都是又快又准，同时使用相对简单的方法实现，本文将整个限速交通标志检测与分类的过程以及实现方法。不过实际场景中，会出现限速交通标志容易被阻挡，或是离当前车道很远无法检测出来等问题有待解决，而且都具有一定挑战性。2.限速交通标志分类流程1.交通标志位置与大小检测：使用物体检测的CNN完成，本人使用的是yolo。

2017-07-08 20:19:49 7807 34

原创卷积神经网络CNN（6）—— YOLOv2 参数详解

前言You Only Look Once (YOLO) 是一个基于GoogleNet的物体检测深度网络，Real-time(实时)与Efficient(有效)一定是YOLO最大的特点与优势。YOLO与其他物体检测的深度网络思路基本相同，学习物体分类以及BoundingBox位置与大小。参考：https://pjreddie.com/darknet/yolo/ Darknet是基于C语言写的深度

2017-04-24 17:24:37 17083 11

原创 opencv 车道线检测（三）

车道线检测程序特点： 1.尽可能多的找出当前帧的车道线 2.车道线颜色不明显，破损，不清晰 3.车道切换 4.去除路面标志干扰 5.加入车辆检测增加鲁棒性测试视频：这里写链接内容

2017-03-10 22:33:32 5249 7

原创卷积神经网络CNN（5）—— Dilated Convolution

introduction参考：Multi-Scale Context Aggregation by Dilated Convolutions 在CNN中，Convolution与Pooling可谓最佳搭档，密不可分，在LeNet作者提出基本的CNN框架的时候，普通计算机计算能力并不优秀，所以Pooling作为提取重要特征以及减少计算量的一个重要手段。但是，在图像计算能力发展迅速的时代，Dilate

2016-12-29 21:58:09 15500 5

原创卷积神经网络CNN（4）—— SegNet

Introduction自己制作国内高速label，使用SegNet训练自己的模型，测试效果参考：http://mi.eng.cam.ac.uk/projects/segnet/tutorial.html SegNet是Cambridge提出旨在解决自动驾驶或者智能机器人的图像语义分割深度网络，开放源码，基于caffe框架。SegNet基于FCN，修改VGG-16网络得到的语义分割网络，有两种

2016-12-05 18:06:34 47891 41

原创卷积神经网络CNN（3）—— FCN(Fully Convolutional Networks)要点解释

FCN作为图像语义分割的先河，实现像素级别的分类（即end to end，pixel-wise），作者尽量用浅白的方式讲述FCN的原理与过程。

2016-12-03 18:18:08 53681 22

原创卷积神经网络CNN（2）—— BN(Batch Normalization) 原理与使用过程详解

Batch Normalization是由google提出的一种训练优化方法。网上对BN解释详细的不多，大多从原理上解释，没有说出实际使用的过程，这里从what, why, how三个角度去解释BN。

2016-11-28 11:56:32 103950 30

原创 Ubuntu 16 ORB_SLAM2使用KinectV2在ROS上运行总结

基本配置：Ubuntu 16.04 LTS ，ROS::Indigo(kinetic failed!)，Opencv2.4.13，主机只有集成显卡，还有KinectV2

2016-11-25 10:15:36 6623 3

原创 opencv 车道线检测（二）

opencv 车道线检测（二）

2016-10-25 14:18:54 4720

原创卷积神经网络CNN（1）——图像卷积与反卷积（后卷积，转置卷积）

1.前言传统的CNN网络只能给出图像的LABLE，但是在很多情况下需要对识别的物体进行分割实现end to end，然后FCN出现了，给物体分割提供了一个非常重要的解决思路，其核心就是卷积与反卷积，所以这里就详细解释卷积与反卷积。对于1维的卷积，公式（离散）与计算过程（连续）如下，要记住的是其中一个函数（原函数或者卷积函数）在卷积前要翻转180度图1 对...

2016-10-21 12:16:31 68876 37

原创 opencv 车道线检测（一）

1.前言车道线检测无论是在车道偏移预警系统（LDWS）还是辅助或者自动驾驶中都显得尤为重要，并且是很基础的模块，自动驾驶中对于行车预测等方面的重要依据。目前已经提出了很多车道线检测方法，简单算法对于车道线大部分被遮挡、各种交通参与者存在的情况，往往出现误检测；复杂算法抗干扰能力强，但是实时性又不好。这里使用霍夫变换求取直线，卡尔曼滤波进行车道线跟踪。2.模块介绍1.

2016-10-15 20:31:08 11498 8

原创 sony sve14 安装ubuntu 颜色管理解决方法

http://xenotheme.blog.163.com/blog/static/29049554201316065661/SONY SVE14的双显卡需要选择不同的颜色管理，但是安装了ubuntu之手就没有办法使用windos下的颜色管理软件，所以需要导出当前windows系统icc配置文件。下载Argyll软件，打开Argyll的bin文件夹，在当前文件夹进入命令模式。输入以

2016-10-12 20:52:41 1063

原创 opencv 单目，双目棋盘标定总结与自动优化程序

针对opencv棋盘标定总结。前提条件：这里评判棋盘标定的质量是通过误差的大小判别，单目是使用RMS误差，双目是投影误差，可以知道的是，误差低并不完全不代表矫正后畸变小，又或者测距效果好。棋盘标定误差影响因素：1) 要求图片里面的棋盘需要拍得清晰，这是最主要的条件，看棋盘上的字母与数字来判断是否清晰比较容易，同时要注意，调完焦距后，需要拍远处图片，看焦距是否太小，导致远处模糊，这个需要

2016-09-10 18:23:41 2751

原创 ROS RVIZ 点云图相关实现

最近使用ROS RVIZ实现点云图拼接，不过没有得到很好的效果，这里做个阶段总结。 ROS RVIZ是个功能强大的可视化工具，可以显示很多与机器人相关的信息。先对ROS中的坐标简要说明，ROS的坐标通过/tf topic 来管理，tf是一个多叉树结构，每一个坐标通过一个frame id识别，使用代码来管理tf，所有坐标都是通过/tf由程序员自己管理。按照官方指南，tf通过broadcast

2016-08-20 17:36:18 5261

原创 CAFFE 简单使用教程（无安装部分）

前言这里是从caffe成功安装开始，包括caffe的python接口，整个过程就是从训练自己图片到使用自己训练好的模型进行图片分类，这里使用的网络是lenet。

2016-07-30 16:30:59 1597

Fate_fjh的博客