关注
分享
文章平均质量分 86
计算机视觉是目前深度学习应用比较火的领域。在这里我将从传统计算机视觉方法介绍开始，再到最近的faster r-cnn， f-rcn。并且会介绍CMU的计算机视觉的课程及作业。还有Standford的cs231n进行总结。
Snail_Walker
Google Senior Machine Learning Tech Lead | 行胜于言
展开
-
使用faster rcnn训练自己的模型
安装caffe数据预处理对于训练代码的修改遇到问题参考性很强安装caffe可以看我之前的博客： 安装caffe 安装faster rcnn： faster rcnn数据预处理进行数据标注： https://github.com/saicoco/object_labelImg我这里主要是使用python对xml进行处理。生产xml的代码：# -*- coding:utf-8 -*-__原创 2016-12-30 18:18:30 · 4053 阅读 · 0 评论 -
R-FCN + ResNet + Python + 训练自己的模型
安装MS Caffe测试Demo训练自己的模型的准备工作训练参考链接安装MS Caffe假设你已经装好了CUDA，cudnn，caffe等等。 这一步感觉和faster rcnn很像，都需要独特版本的caffe。这里的版本就是Microsoft的caffe。 pip install cython pip install easydict apt-get install py原创 2017-01-08 11:37:54 · 9020 阅读 · 7 评论 -
Visual Odometry(视觉里程计)： StereoScan Dense 3d Reconstruction in Real-time
介绍系统概述A特征匹配Bego-motion估计C立体匹配D3D重建实验结果运行结果及代码介绍从多个二维图片中重建3D影像是机器视觉必不可少的部分，这篇论文【1】提出的就是做3D重建的工作。这篇论文提出了一种巧妙的实时的方法做3D地图重建——使用稀疏特征和视觉里程计相结合的方法。这种方法包含了立体匹配和创建点云。用这种方法计算出来的视觉里程计是当年11年最好的。该法可以每秒执行25f，原创 2017-01-15 14:13:24 · 5644 阅读 · 8 评论 -
摄像头标定（carlibration）、Homography以及它的matlab实现
Homogeneous CoordinatesPin-hole camera ModelStandard Perspective Camera Modelaffine camera model计算标定矩阵总结homographyMatlab实现图片拼接计算H把你的照片嵌入海报图片拼接Homogeneous Coordinates 点的二维坐标可以用三维表示，因为用二维怎么表示无原创 2017-01-16 11:20:26 · 7971 阅读 · 5 评论 -
鱼眼镜头畸变校正的一些参考链接
工具箱：http://swardtoolbox.github.io/对于鱼眼镜头畸变校正的介绍： http://blog.csdn.net/humanking7/article/details/45037239 http://blog.csdn.net/kfqcome/article/details/9411711#具体的代码实现： http://blog.csdn.net/deng原创 2017-02-08 19:01:53 · 2233 阅读 · 0 评论 -
ORB: an efficient alternative to SIFT or SURF
介绍FAST关键点rBRIEF描述子介绍目前SIFT特征准确度高，但是计算复杂度也高。很多时候需要用到匹配、追踪什么的，使用SIFT就比较慢。本文作者提出了ORB（Oriented FAST and Rotation BRIEF）特征。ORB有个特点是这个特征没有申请专利，另外这种特征的好处是：给FAST检测子方向和快速计算；高效计算带有方向的BRIEF特征关键点（keypoint 就是图原创 2017-02-20 10:13:12 · 3378 阅读 · 0 评论 -
cs231n: CNN训练的提醒
训练时的小技巧增强augmentation迁移学习Transfer learning计算卷积如何存储怎么加速计算的机器训练时的小技巧增强（augmentation）对训练集进行比如翻折，选择，颜色取反，颜色加入offset，PCA，白化等等手段，是训练集变大，以提高训练模型的泛化性能。有时候还会加入噪声，还进行dropout，以解决过拟合的问题。迁移学习（Transfer learnin原创 2017-01-11 15:40:36 · 1016 阅读 · 0 评论 -
cs231n : 深度学习框架的使用
Caffecaffe的组成caffe训练一个网络Caffe地址：http://caffe.berkeleyvision.org安装caffe，安装faster rcnn，R-FCN请看我之前的博客： http://blog.csdn.net/c602273091/article/details/53907162 http://blog.csdn.net/c602273091/article/原创 2017-01-09 16:51:51 · 1608 阅读 · 0 评论 -
cs231n: 第四讲 faster rcnn的解释
最近在做detection的相关工作，但是对于要做的东西呢总是不太清楚，看了课程介绍之后，终于有了稍微清楚一些的认识。计算机视觉中一般有以下任务： 分类就是给你一张图，你说这是什么，一般来说只有一个目标物体。定位就是确定目标物体的位置，但是你不知道它是什么。所以分类和定位合起来就是给你一张图片，找出一个目标物体的位置，并给出置信度。detection就是多个物体的定位和分类。在detection之原创 2017-01-09 16:08:23 · 2798 阅读 · 0 评论 -
cs231n：第三讲 CNN的初体验
大纲参数更新Momentum UpdateNesterov Momentum updateNAGAdaGrad updateRMSProp updateAdam updateL-BFGSregularizationdropoutConvolutionPooling各个神经网络介绍大纲 设计参数更新、学习率设置、dropout、梯度检测、模型集成等等方面。参数更新在计算梯度下降原创 2017-01-09 14:51:18 · 1371 阅读 · 0 评论 -
cs231n: 第二讲
训练过程激活函数SigmoidtanhReLUleaky ReLUELUMaxout数据预处理权值初始化批归一化训练过程整个训练网络的过程可以用下图表示： 这个课程会把以上四个部分逐个击破，而且还加入不少调参的trick。接下来就将组个叙述各个部分。 激活函数Sigmoid这种激活函数有三个缺点： 1、饱和的神经元不再更新权值。可以看到横轴很大之后梯度接近于0； 2、这个原创 2017-01-08 17:49:23 · 816 阅读 · 0 评论 -
cs231n: 第一讲
介绍挑战方法Loss functionOptimizationStandford的cs231n这门课，我觉得真的是太棒了。把CNN的各个部分、以及目前的发展都做了详细的介绍。同时通过作业，对CNN有了更加深入地理解。介绍这一块主要说的是计算机视觉的一个历史进程，以及目前的使用情况。既然是李飞飞讲的课，自然就少不了imageNet这个数据集了。 然后是CV领域比较火的神经网络模型。 还有就原创 2017-01-08 17:12:22 · 1036 阅读 · 0 评论