机器学习
文章平均质量分 77
Andy in boots
一个有故事的程序猿
展开
-
CV科研知识点总结(个人研究所有相关知识点)
自己随便写写咯原创 2022-11-30 21:09:35 · 658 阅读 · 1 评论 -
【Opencv3学习笔记 4】图像操作方法学习(C++源代码实现)
所谓的图像处理方法,就是把图像以真正意义上的“**图像**”来进行处理,而不是作为抽象的数组意义。我们使用图像结构与形态学中所定义的高层处理方法来完成特殊任务,比如滤波、腐蚀、膨胀等等操作。原创 2022-04-06 16:41:25 · 4390 阅读 · 1 评论 -
【Opencv3学习笔记 3】常用数据结构以及图像操作函数
线性混合操作是一种典型的二元(两个输入)的像素操作,它的理论公式如下:`g(x)=(1-a)f1(x)+af2(x)`,我们通过在范围0到1之间改变alpha值,来对两幅图像 `f0(x)` 和 `f1(x)` 或者两段视频(同样为 `f0(x)` 和 `f1(x)`)产生时间上的画面叠化(cross-dissolve)。原创 2022-04-06 15:42:44 · 2265 阅读 · 0 评论 -
【Opencv3学习笔记 2】图像与视频的基本操作
1. 图像处理腐蚀:代码:#include <opencv.hpp> #include <highgui/highgui.hpp> // OpenCV highgui 模块头文件#include <imgproc/imgproc.hpp> // OpenCV 图形处理头文件using namespace cv; //包含cv命名空间int main(){ // 载入原图 Mat srcImg = imread("1.jpg");原创 2022-04-05 15:01:48 · 931 阅读 · 0 评论 -
【Opencv3学习笔记 1】OpenCV的安装配置部署详细步骤(window + vs2019)
什么是Opencv?OpenCV(开源的计算机视觉处理工具)是一个基于Apache2.0许可(开源)发行的跨平台计算机视觉和机器学习软件库,可以运行在Linux、Windows、Android和Mac OS操作系统上。 它轻量级而且高效——由一系列 C 函数和少量 C++ 类构成,同时提供了Python、Ruby、MATLAB等语言的接口,实现了图像处理和计算机视觉方面的很多通用算法。OpenCV用C++语言编写,它具有C++,Python,Java和MATLAB接口,并支持Windows,Linux原创 2022-04-05 13:59:34 · 3949 阅读 · 0 评论 -
从问题出发深入理解“卷积”
对卷积的理解对卷积这个名词的理解:所谓两个函数的卷积,本质上就是先将一个函数翻转,然后进行滑动叠加。在连续情况下,叠加指的是对两个函数的乘积求积分,在离散情况下就是加权求和,为简单起见就统一称为叠加。整体看来是这么个过程: 翻转——>滑动——>叠加——>滑动——>叠加——>滑动——>叠加.....多次滑动得到的一系列叠加值,构成了卷积函数。卷积的“卷”,指的的函数的翻转,从 g(t) 变成 g(-t) 的这个过程;卷积的“积”,指的是原创 2022-04-04 16:39:11 · 878 阅读 · 0 评论 -
【数据集处理】生成voc格式数据集
import jsonimport osimport cv2txt_path="C:/Users/Swag-cc/Desktop/data/jsonFile.txt" json_path = "C:/Users/Swag-cc/Desktop/data1/label.json" simg_path = "C:/Users/Swag-cc/Desktop/data/select_1221/"img_path = "C:/Users/Swag-cc/Desktop/data1/JPEGImag.原创 2021-12-29 16:13:55 · 1190 阅读 · 0 评论 -
李宏毅2021春季机器学习课程笔记7: Seq2seq & Transformer
对于seq2seq的问题,有时我们并不知道输出的长度是多少,这时候我们需要机器自己决定输出的长度比如把语音的英文数据直接输出为对应的中文文字(长度与格式都不一样),我猜这就是呢篇paper叫做Transformer的原因原创 2021-12-13 12:32:53 · 1799 阅读 · 0 评论 -
李宏毅2021春季机器学习课程笔记6:Self-attention
如果神经网络输出是一个序列并且长度不一致时,比如输入是一个句子,把句子里面的没一个词汇都表示成一个向量(vector),呢么model的输入就是一个vector set,并且每次的输入长度都不一样。原创 2021-12-12 13:49:37 · 3364 阅读 · 0 评论 -
李宏毅2021春季机器学习课程笔记5:Convolutional Neural Network(CNN)
文章目录1. Convolutional Neural Network(CNN)1. Convolutional Neural Network(CNN)CNN大多数应用于影像方面,例如给机器一张图片,让机器识别图片中是什么东西。一般首先要假设图形的大小都是一样的,再进行训练,目标用独热码的一个vector来yyy表示。...原创 2021-11-11 22:35:21 · 1151 阅读 · 1 评论 -
李宏毅2021春季机器学习课程笔记4:Classfication & Generative Model & Logic Regression & HW2
文章目录1. Classfication2. Traditional Method1. Classfication首先,老师对二类分类问题的基本概念进行了介绍。分类问题的输入是事务的各种特征值,输出是是否做出一个决策,接受或拒绝的一个结果或者是某个种类中的一个。具体要做的工作任务为:在已经有的数据的情况下,通过现有数据各个属性,对之后出现的数据分类进行预测。例如把输出接近1当作第一类,接近2当作第二类。如果用一个Regression的线性函数作为预测方法时,最后的结果会隐藏一条分割两种结果的原创 2021-11-10 18:38:35 · 1567 阅读 · 0 评论 -
李宏毅2021春季机器学习课程笔记3:Optimization & Tips for Training & Classification
文章目录1. The reason why Optimization fails1.1 local minima or saddle point ?1.2 update forward2. Tips for training2.1 Batch2.1.1 what is batch?2.1.1 why shall we use batch?1. The reason why Optimization fails当我们的model无法进一步update参数时候,loss不再下降,我们猜想是因为gradie原创 2021-11-02 20:55:42 · 368 阅读 · 0 评论 -
李宏毅2021春季机器学习课程笔记2:General Guidance
文章目录1. Framework of ML2. General Guidance2.1 model bias Solution2.2 model bias Solution2.3 overfitting Solution**N-fold Cross Validation**的做法 2.4 mismatch Solution3. Conclude1. Framework of ML基本机器学习的整体流程都是大同小异的,会有一堆Training data,包含LabelLabelLabel,各种Featu原创 2021-10-31 15:05:16 · 664 阅读 · 0 评论 -
李宏毅2021春季机器学习课程笔记1:Introduction, Colab & PyTorch, HW1
文章目录1. Introduction1. Introduction机器学习的目的:寻找一个函数,对于给定的输入,这个函数可以输出相应结果。例如:一段语音输入,输出识别出的语言、一张图片输入,输出目标种类、“围棋”状态输入,得到下一步落子位置。根据不同的功能,可以将函数大致分为以下几类:回归问题(Regression): 输出是一个标量(scalar)分类问题(Classification):给定相应输出选项(classes),输出正确的类型结构化学习(Structured Lea原创 2021-10-31 00:07:42 · 808 阅读 · 2 评论 -
【机器学习基础】(一) 爬山算法 ( Hill Climbing )与模拟退火(SA,Simulated Annealing)
一、爬山算法 ( Hill Climbing )爬山算法属于人工智能算法的一种。这种算法基于贪心算法的思想,该算法每次从当前解的临近解空间中选择一个最优解作为当前解,直到达到一个局部最优解。爬山算法实现很简单,其主要缺点是会陷入局部最优解,而不一定能搜索到全局最优解。二、模拟退火(SA,Simulated Annealing)如上面的爬山算法所示,由于很多时候会陷入局部最优值,模拟退火算法应运而生。其实模拟退火也算是启发式算法的一种,具体学习的是冶金学中金属加热-冷却的过程。模拟退火将热力学的理论原创 2021-10-21 20:30:14 · 3393 阅读 · 0 评论