- 博客(16)
- 收藏
- 关注
RSS订阅原创 基于超像素分割的大视差图像拼接技术。 （解决拼接伪影以及图像边缘形变问题综合效果最好）
1、关键技术，如图所示：2.项目简介基于超像素分割的大视差图像拼接 ｜ 研究、仿真、撰写论文 2020.09 - 至今 简介：图像拼接是将两幅或多幅具有重叠区域的图像拼接成更大视角图像的过程。但是待拼接图像存在大视差 的情况下，拼接后的图像会出现伪影以及拉伸现象。为解决视差伪影问题，使用 MATLAB 进行仿真实验，调用 VLFeat 视觉库，并采用以下关键技术点解决问题：（1）SIFT 关键点匹配（2）LSD 直线段检测匹配...
2022-05-12 15:44:18
1482
4
原创 ssd网络结构简单说明
ssd是 one stage形式的多目标检测的网络，在每一层feature map上，对每个用于预测的p通道特征图，SSD的分类器全都使用了3*3*p*(k*(c+4))卷积进行预测，其中k是每个单元放置的先验框的数量，c是预测的类别数,4是边界框的回归个数。one stage 的形式是在一个网络中同时进行感兴趣区域的检测与分类，而不是分为两段式。以yolo v1,v2,v3为代表，ssd。ssd的结构类型：使用CNN网络输出每一层的feature map，然后对feature map上每一
2022-04-30 10:33:34
2460
原创 NIN网络（1*1卷积层的意义）
Network in Network经过1×1卷积层后，高和宽是不变的，变化的是通道的数目。NiN去掉了LeNet/AlexNet/VGG最后的全连接层，取而代之地，NiN使用了输出通道数等于标签类别数的NiN块，然后使用全局平均池化层对每个通道中所有元素求平均并直接用于分类。NiN重复使用NiN基础块构建网络，NiN基础块由卷积层和代替全连接层的1 × 1卷积层构成。 NiN去除了容易造成过拟合的全连接层。在最后的输出部分，输出通道数等于标签类别数，再使用全局平均池化层获得最后的分类结果。去
2022-04-30 10:27:06
617
原创 为什么使用onehot 独热编码的形式？
直接原因.卷积神经网络进行分类任务时，需要进行softmax运算，输出每一个类别的概率值，将标签设置为onehot的形式，能够更好的表征图像的类别属性，再使用交叉熵损失函数的时候，能够得到更高的分类效果。通常使用onehot的形式处理离散型的数据。在深度学习中，特征之间的距离计算或事相似度计算是十分重要的，独热编码将离散型数据扩展到欧式空间，离散特征的某个取值对应欧式空间的某个点离散型的数据特征进行独热编码后，相当于每一维度的特征都是连续的特征。比如分类任务：有10个类别，那么每张图片进
2022-04-30 10:21:09
2875
原创 权重初始化的方法有哪些？是否可以从0开始初始化
首先是不能从0开始初始化：因为若权重是0，那么所有神经元的输出都会相同，在反向传播的过程中学到的东西是一致的，梯度相等，权重相等****当中间隐藏层神经元的输出是相同的话，那么反向传播回来的梯度以及权重都不会更新，网络不工作随机初始化随机初始化是一种简单的初始化方法：比如标准高斯分布初始化方法，均值为0标准差为1，但随着网络层数的叠加，后面激活函数的输出均为0. 当选择数值比较小的高斯分布 均值为0 方差为0.01. 在后面的输出过程中，输出值迅速向0靠拢，几乎所有的输出值都很接近0..
2022-04-30 10:14:00
634
原创 图像拼接中的视差产生原因
1、产生于相机的运动模型：相机的运动可能包含平移、旋转、缩放等操作（对于简单的运动如仅平移，那么只需要求出其平移自由度即可进行拼接）（若包涵旋转以及缩放：那么情况将变得复杂，产生较大的视差）2、产生于被拍摄物：被拍摄物的不处于同一平面上，同一景深的不同表面也会产生视差3、包含以上的两种情况简单的视差模型如图 a所示，相机运动模型在拍摄景物时仅仅存在着简单的位移，这种情况下的视差是单一方向的，能够通过全 局单应性矩阵实现精准的图像变换。复杂的视差模型如图 b所示，此时相机运动模型不仅.
2022-04-30 10:08:27
849
原创 机器学习算法
对于集成学习的一些说明：Bagging 、boosting 、stackingbagging是并行集成学习的著名代表，计算过程如下：从原始样本集中抽取训练集。每轮从原始样本集中使用Bootstraping的方法抽取n个训练样本（在训练集中，有些样本可能被多次抽取到，而有些样本可能一次都没有被抽中）。共进行k轮抽取，得到k个训练集。（k个训练集之间是相互独立的） 每次使用一个训练集得到一个模型，k个训练集共得到k个模型。（注：这里并没有具体的分类算法或回归方法，我们可以根据具体问题采用不同的..
2022-04-30 10:02:31
116
原创 计算机视觉深度神经网络总结（目标检测，分类、特征提取）
补充一下模型迁移的相关知识：使用微调技术，也叫做参数迁移不同的情况：（1）数据集小，并且与原数据集差别不大因为目标数据集与原数据集的数据分布差异不大，使用微调技术，只需要将输出层改为特定任务下的输出层即可（2）数据集小，相似程度不高这种情况下，“冻结”与训练模型的前“k”个层的权重，然后重新训练后面的“n-k”个层，最后一层根据输出具体确定因为相似度不高所以需要重新训练，而因为是小数据集，所以“冻结”前k个层来防止过拟合（3）数据集大，相似程度不高采用预训练模型不是很..
2022-04-30 09:57:57
3534
原创 图像拼接领域的经典文章以及常用的算法函数（一）（SIFT，APAP，AANAP，Seam-sutting，HomographyNet等等）
1、特征点的匹配首先进行SIFT的特征点的匹配：SIFT特征点的提取与匹配是图像拼接的第一步，如何提取到有效的，鲁棒性强的特征点是接下来的工作的重要前提，搞清楚什么是尺度空间极值检测、关键点定位、方向确定、关键点描述。(注：可以使用matlab中的vl-feat中的sift函数进行特征点的提取)(45条消息) SIFT算法详解_zddhub的博客-CSDN博客_sift对于特征点的提取匹配问题一直是比较棘手的问题，对于视差变化较大的图像来说，如何消除来自视差的影响至关重要。 ...
2022-03-22 11:25:51
3698
1
空空如也
空空如也
TA创建的收藏夹 TA关注的收藏夹
TA关注的人