- 博客(6)
- 收藏
- 关注
RSS订阅原创 Datawhale 零基础入门CV赛事-Task2 数据读取与数据扩增
Datawhale 零基础入门CV赛事-Task2 数据读取与数据扩增在上一章节，我们给大家讲解了赛题的内容和三种不同的解决方案。从本章开始我们将逐渐的学习使用【定长字符识别】思路来构建模型，逐步讲解赛题的解决方案和相应知识点。2 数据读取与数据扩增本章主要内容为数据读取、数据扩增方法和Pytorch读取赛题数据三个部分组成。2.1 学习目标学习Python和Pytorch中图像读取学会扩增方法和Pytorch读取赛题数据2.2 图像读取由于赛题数据是图像数据，赛题的任务是识别图像中的字符。
2020-05-23 23:35:42
147
原创 Datawhale 零基础入门CV赛事-Task1 赛题理解
Datawhale 零基础入门CV赛事-Task1 赛题理解本章内容将会对街景字符识别赛题进行赛题背景讲解，对赛题数据的读取进行说明，并给出集中解题思路。1 赛题理解赛题名称：零基础入门CV之街道字符识别赛题目标：通过这道赛题可以引导大家走入计算机视觉的世界，主要针对竞赛选手上手视觉赛题，提高对数据建模能力。赛题任务：赛题以计算机视觉中字符识别为背景，要求选手预测街道字符编码，这是一个典型的字符识别问题。为了简化赛题难度，赛题数据采用公开数据集SVHN，因此大家可以选择很多相应的paper作为
2020-05-20 21:29:27
202
原创 Unet整理学习
Unet一、原理：Unet网络分为两个部分：第一部分：特征提取。上图中的左侧，有点类似VGG网络。由简单的卷积、池化下采样。图中采用的是33和11的卷积核进行卷积操作，33用于提取特征，11用于改变纬度。另外每经过一次池化，就变成另一个尺度，包括input的图像总计5个尺度。第二部分：上采样及特征融合。上图中的右侧。此处的上采样即通过转置卷积进行。然后进行特征融合，但是此处的特征融合和F...
2020-01-03 17:44:36
2282
1
原创 卷积层
作用：对输入数据进行特征提取，对输入数据中隐含的关联性进行抽象。优点：一：局部连接；二：权值共享。（用Notability写的出现断页）上述图片介绍了卷积层两个优点及卷积层中间的计算过程。实现：（基于Keras，详细可看链接）Conv2D层keras.layers.convolutional.Conv2D(filters, kernel_size, strides=(1, 1...
2019-12-08 00:13:54
4826
原创 混淆矩阵
标题名字来源：矩阵形式表明多个类别是否混淆（让你也混淆）标题用处：总结分类模型预测结果的情况分析表标题表达形式：按照真实类别和模型预测类别判断进行汇总标题举例：（自画图像，丑）（红色打√为判断正确，蓝色打×为判断错误）标题具体分析（以二分类为例子）Positive，Negative为类别TP：真实为P类，预测为P类的数量FP：真实为N类，预测为P类的数量FN：真实为P类，预测为...
2019-12-06 18:15:49
749
原创 图像拼接-np方法-hstcak/vstack
目标：将两个图像进行拼接，并显示方法：numpy的np.hstcak和np.vstackimport cv2import numpy as npimgA = cv2.imread('dog0.jpg')imgB = cv2.imread('dog1.jpg')#在进行拼接之前，必须将两个img resize成同一个size,#因为np.hstack和np.vstack实际上是堆叠数组...
2019-12-06 14:40:36
1134
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