三、代码实现深度学习道路训练样本数据的制作(全流程摸索详解)——重复工作+多次返工的血泪史

已于 2022-12-08 12:41:51 修改
阅读量1.1k 收藏 3
点赞数
分类专栏： 深度学习 windows windows10平台Dlinknet深度学习道路水体全过程 文章标签： windows 深度学习
于 2022-05-09 14:03:05 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Laney_Midory/article/details/124664892
版权

先试试把训练样本作为valid样本对比一下结果
看起来还不错
对比如下：
上面是人工画的真值
下面是机器训练之后test得到的值
在这里插入图片描述
在这里插入图片描述
你别说在最上面他进行了一下平滑
这样的结果其实更好一些
在这里插入图片描述
在这里插入图片描述
效果没有太大的问题
有较大差异的我放在下面了：
在这里插入图片描述
在这里插入图片描述
上面部分没检测出来
原图如下：
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
这个是多检测出来了一部分

原图如下：
在这里插入图片描述
人工在画的时候漏掉了一部分
别说还检测出来了
在这里插入图片描述
在这里插入图片描述
原图如下：
在这里插入图片描述
能够补全人工没画的部分

下面也是
在这里插入图片描述

在这里插入图片描述原图是下面，把小路也提取出来了一部分
在这里插入图片描述
感觉效果挺不错的，能够把大多数道路都提取出来
但如何用提取出来的结果做样本还是个问题

Laney_Midory
关注
  • 0
    点赞
  • 踩
  • 3
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
深度学习+扑克牌数据集+负样本制作+目标检测
01-04
包含两个文件夹，负样本数据和labels标签数据集。扑克牌是数据集的制作包含多个步骤，详细了解请关注我的上传资源。
用于深度学习的数据集——Kaggle-猫狗样本.rar
03-20
猫狗训练数据集，其中包含训练数据和测试数据（数千张），可用于深度学习中的模型的训练，主要用于分类猫狗的场景。
深度学习入门——基于Python的理论与实现，随书代码.zip
最新发布
05-10
深度学习（DL，Deep Learning）是机器学习（ML，Machine Learning）领域中一个新的研究方向，它被引入机器学习使其更接近于最初的目标——人工智能（AI，Artificial Intelligence）。 [1] 深度学习是学习样本数据的内在规律和表示层次，这些学习过程中获得的信息对诸如文字、图像和声音等数据的解释有很大的帮助。它的最终目标是让机器能够像人一样具有分析学习能力，能够识别文字、图像和声音等数据。 深度学习是一个复杂的机器学习算法，在语音和图像识别方面取得的效果，远远超过先前相关技术。 [1] 深度学习在搜索技术、数据挖掘、机器学习、机器翻译、自然语言处理、多媒体学习、语音、推荐和个性化技术，以及其他相关领域都取得了很多成果。深度学习使机器模仿视听和思考等人类的活动，解决了很多复杂的模式识别难题，使得人工智能相关技术取得了很大进步。 [1] 深度学习是一类模式分析方法的统称，就具体研究内容而言，主要涉及三类方法： [2] （1）基于卷积运算的神经网络系统，即卷积神经网络（CNN）。 [2] （2）基于多层神经元的自编码神经网络，包括自编码（Auto encoder）以及近年来受到广泛关注的稀疏编码两类（Sparse Coding）。 [2] （3）以多层自编码神经网络的方式进行预训练，进而结合鉴别信息进一步优化神经网络权值的深度置信网络（DBN）。 [2] 通过多层处理，逐渐将初始的“低层”特征表示转化为“高层”特征表示后，用“简单模型”即可完成复杂的分类等学习任务。由此可将深度学习理解为进行“特征学习”（feature learning）或“表示学习”（representation learning）。 [3] 以往在机器学习用于现实任务时，描述样本的特征通常需由人类专家来设计，这成为“特征工程”（feature engineering）。众所周知，特征的好坏对泛化性能有至关重要的影响，人类专家设计出好特征也并非易事；特征学习（表征学习）则通过机器学习技术自身来产生好特征，这使机器学习向“全自动数据分析”又前进了一步。 [3] 近年来，研究人员也逐渐将这几类方法结合起来，如对原本是以有监督学习为基础的卷积神经网络结合自编码神经网络进行无监督的预训练，进而利用鉴别信息微调网络参数形成的卷积深度置信网络。与传统的学习方法相比，深度学习方法预设了更多的模型参数，因此模型训练难度更大，根据统计学习的一般规律知道，模型参数越多，需要参与训练的数据量也越大。 [2] 20世纪八九十年代由于计算机计算能力有限和相关技术的限制，可用于分析的数据量太小，深度学习在模式分析中并没有表现出优异的识别性能。自从2006年，Hinton等提出快速计算受限玻耳兹曼机（RBM）网络权值及偏差的CD-K算法以后，RBM就成了增加神经网络深度的有力工具，导致后面使用广泛的DBN（由Hin
车牌识别训练样本（全套）
01-08
该车牌识别训练样本包括了所有的字符，数字0~9，和26个英文字母（由于我国车牌中英文字母没有‘I’和‘O’，所以实际是24个英文字符）。 所以共有34个文件夹。 每个文件夹中有50个图片。（即有50个不同的0，50个不同的1......） 该训练样本对车牌识别进行训练有很大帮助。
遥感影像深度学习样本制作
06-18
本课程主要讲解遥感数据影像分类和目标检测的样本格式，通过结合遥感影像数据的特点和是否有对应的矢量数据，利用计算机视觉工具、PS、ArcGIS等软件制作遥感分类和目标检测深度学习的样本。
机器学习（一） ----基础知识
sGDUTBMW的博客
03-19 1153
组成 主要任务 分类（classification）: 将实例数据划分到合适的类别中。 应用实例: 判断网站是否被黑客入侵（二分类 ），手写数字的自动识别（多分类） 回归（regression）: 主要用于预测数值型数据。 应用实例: 股票价格波动的预测，房屋价格的预测等。 分类 1. 监督学习（supervised learning） 必须确定目标变量的值，以便机器学习算法可以发现特征和目标变量之间的关系。在监督学习中，给定一组数据，我们知道正确的输出结果应该是什么样子，并且知道在输入和输出之间有着
训练样本和测试样本
热门推荐
bluewater的专栏
04-14 3万+
一， 训练样本和测试样本 训练样本的目的是 数学模型的参数，经过训练之后，可以认为你的模型系统确立了下来。 建立的模型有多好，和真实事件的差距大不大，既可以认为是测试样本的目的。 一般训练样本和测试样本相互独立，使用不同的数据。 网上有人说测试样本集和验证样本集不一样，测试样本集数据主要用于模型可靠程度的检验，验证样本集的样本数据要在同样条件下，再另外采集一些数据用来对模型的准确性进行
神经网络训练样本和测试样本的区别
wei804886的专栏
05-03 4739
训练样本是用来训练学习机的，测试样本是学习机要识别的对象。 比如你想让一台电脑能识别茶杯，首先你要准备一个茶杯(训练样本)，然后把茶杯给计算机看(数据输入)，并告诉电脑说这样的东东是茶杯(期望输出)，电脑看到茶杯后它认为是花盆，但看到你的期望是茶杯，他就不停训练自己这个是茶杯不是花盆，直到电脑他自己认为茶杯是茶杯后结束（这个过程叫学习），然后你把另一只茶杯(测试样本)放在电脑面前，并问他这是什
SVM训练样本方法总结（用于目标识别）
四维空间
05-17 3268
http://blog.csdn.net/xw20084898/article/details/21389885 原文链接
深度学习自学记录（3）——两种多分类混淆矩阵的Python实现（含代码）
12-21
深度学习自学记录（3）——两种多分类混淆矩阵的Python实现（含代码）1、什么是混淆矩阵2、分类模型评价指标3、两种多分类混淆矩阵3.1直接打印出每一个类别的分类准确率。3.2打印具体的分类结果的数值4、总结 1、什么是混淆矩阵 深度学习中，混淆矩阵是ROC曲线绘制的基础，同时它也是衡量分类型模型准确度中最基本，最直观，计算最简单的方法。它可以直观地了解分类模型在每一类样本里面表现，常作为模型评估的一部分。它可以非常容易的表明多个类别是否有混淆（也就是一个class被预测成另一个class）。 首先要明确几个概念： T或者F：该样本 是否被正确分类。 P或者N：该样本 原本是正样本还是负样本
机器学习训练样本part1
12-18
机器学习训练样本part1, fcis_coco-0000.params.00000001
机器学习训练样本
12-18
机器学习训练样本part1, fcis_coco-0000.params.00000003
手势训练样本及其创建
07-23
一个可选定roi区域拍照的程序文本代码以及用其创作的手部样本1000份，只要在一块白色的背景前设置ROI，即可利用摄像头将输入设备的视频分成大量可用于分类器、神经网络训练的手势图片。
训练分类训练 正样本图片处理工具
04-11
图片批量生成正样本 图片批量灰化及大小及描述文件
基于深度学习、OpenCV文本图像表格提取
zshluckydogs的博客
09-27 3085
基于MaskRcnn以及形态学操作的文本图像中表格区域的提取 训练一个可用于检测表格区域的分割网络，在得到网络的输出即文本图像中表格区域后，利用形态学中的开运算提取表格区域中的线段用于后续的操作。 MaskRcnn 我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客： 全新的界面设计 ，将会带来全新的写作体验...
基于深度学习的直线检测算法
datayx的文章
05-10 937
向AI转型的程序员都关注了这个号????????????直线检测是经典的底层视觉任务，对一些视觉任务，如自动驾驶、场景3D建模、无人机地平线检测等不可或缺。我们熟知的霍夫变换，就是解决直线检测问题的经典算法。然而，传统算法缺乏鲁棒性，只能受限于简单的应用场景。如今在充分的标注数据支持下，基于神经网络的直线检测算法对检测精度和鲁棒性有了很大提升。在数据驱动下，通过神经网络解决底层视觉任务，效果一般会更好。传统算法经典...
一文掌握基于深度学习的自动驾驶小车开发（Pytorch实现，含完整数据和源码，树莓派+神经计算棒）
钱彬的博客
03-26 3万+
./lite/tools/build_android.sh --arch=armv7 --android_stl=c++_shared --with_cv=ON
【Deep Learning】图像数据库
chenyj92的专栏
11-29 1万+
原文链接：http://blog.csdn.net/qq_14845119/article/details/51913171 ImageNet          ImageNet是一个计算机视觉系统识别项目，是目前世界上图像识别最大的数据库。是美国斯坦福的计算机科学家李飞飞模拟人类的识别系统建立的。能够从图片识别物体。目前已经包含14197122张图像，是已知的最大的图像数据库。每年的
深度学习道路提取代码跑自己的训练集（一）——CoANet代码
Laney_Midory的博客
01-26 390
else:在里面加入我们自己的dataset，名字定义为myroaddata。
深度学习声音样本数据集制作工具
06-08
制作深度学习声音样本数据集的工具也有很多，以下是其中一些常见的工具： 1. Audacity：一款免费的、开源的音频编辑软件，可以用来录制、编辑、剪裁和转换音频文件。 2. Praat：一款专业的语音分析工具，可以用来处理语音数据、绘制语音波形和频谱，并提供基于脚本的批量处理功能。 3. Sonic Visualiser：一款免费的、开源的音频可视化工具，可以用来分析和可视化音频数据，包括波形、频谱、时频图等等。 4. pyAudioAnalysis：一个基于Python的音频处理工具包，包含了多种音频分析和处理算法，可以用来制作深度学习声音数据集。 这些工具都可以用来制作深度学习声音样本数据集，但具体选择哪个工具需要根据具体的需求和应用场景来决定。

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Laney_Midory

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值